Νίκολα Μρκσιτς, Συνιδρυτής και Διευθύνων Σύμβουλος της PolyAI – Σειρά Συνεντεύξεων

Ο Νίκολα Μρκσιτς είναι συνιδρυτής και διευθύνων σύμβουλος της PolyAI, ενός ηγετικού προμηθευτή επιχειρηματικών φωνητικών βοηθών για αυτοματοποιημένη εξυπηρέτηση πελατών.

Τι σας έκανε να ενδιαφερθείτε για την τεχνητή νοημοσύνη;

Έχω ενδιαφερθεί για τα μαθηματικά και την επιστήμη των υπολογιστών από πολύ μικρή ηλικία. Κατά τη διάρκεια των σπουδών μου στο Κέιμπριτζ, είχα την ευκαιρία να εργαστώ με αρκετούς ηγετικούς ερευνητές μηχανικής μάθησης, συμπεριλαμβανομένων των Steve Young και Zoubin Ghahramani. Ο Steve με πείσε να ενταχθώ στην εταιρεία του, VocalIQ, για να εργαστώ στην ανάπτυξη συστημάτων διαλόγου ομιλίας. Αργότερα, έκανα διδακτορικό με τον Steve, εργαζόμενος στην ανάπτυξη μοντέλων γλωσσικής κατανόησης που βασίζονται σε δεδομένα και λειτουργούν σε διαφορετικές περιπτώσεις και γλώσσες. Η συνομιλητική τεχνητή νοημοσύνη είναι ένα πραγματικά δύσκολο και σύνθετο πεδίο εργασίας, με πολλές επιστημονικές και μηχανικές καινοτομίες ακόμη μπροστά μας, και με έχει κρατήσει απασχολημένο από τότε.

Το 2017, ξεκινήσατε την PolyAI, μια εταιρεία συνομιλητικής τεχνητής νοημοσύνης. Μπορείτε να μας πείτε τη ιστορία πίσω από την PolyAI;

Οι συνιδρυτές μου, Shawn Wen, Eddy Su και εγώ κάναμε τις διδακτορικές μας σπουδές στο Κέιμπριτζ την ίδια περίοδο. Εργαστήκαμε σε συστήματα διαλόγου για χρόνια, αλλά σύντομα συνειδητοποιήσαμε ότι τα είδη των σύνθετων συστημάτων στα οποία εργαζόμασταν είχαν πολύ λίγες εμπορικές εφαρμογές. Έτσι, ήρθαμε μαζί για να δημιουργήσουμε μια λύση συνομιλητικής τεχνητής νοημοσύνης που θα ήταν ωφέλιμη στον πραγματικό κόσμο. Είδαμε μια ευκαιρία για πραγματικά συνομιλητικά, πολλαπλά, συναλλαγικά συστήματα διαλόγου που θα μπορούσαν να αλληλεπιδράσουν με πραγματικούς ανθρώπους στην καθημερινή ζωή.

Εστιάσαμε στην εξυπηρέτηση πελατών, καθώς νιώθαμε ότι η τρέχουσα τεχνολογική ικανότητα και οι απαιτήσεις των πελατών ταίριαζαν καλά.

Μπορείτε να μας πείτε για κάποιες από τις τεχνολογίες μηχανικής μάθησης και επεξεργασίας φυσικής γλώσσας που χρησιμοποιούνται;

Το κύριο μυστικό μας είναι το σύνολο των διαφορετικών ιδιόκτητων μοντέλων κωδικοποιητών. Τα έχουν προ-εκπαιδεύσει σε δισεκατομμύρια φυσικών συνομιλιών, ώστε να μπορούν να εξάγουν πρόθεση ακόμη και όταν η εισροή ομιλίας χρησιμοποιεί ιδιωματισμούς ή εκφράσεις, για παράδειγμα. Αυτό είναι απίστευτα σημαντικό για την επικοινωνία μέσω τηλεφώνου. Οι πελάτες δεν μιλούν με λέξεις-κλειδιά· διηγούνται ιστορίες, διακόπτουν, κάνουν ερωτήσεις και γενικά θέλουν να λάβουν τον έλεγχο της συνομιλίας.

Πρόσφατα ανακοινώσαμε το μοντέλο ConVEx μας, ένα εξαιρετικά δεδομένα-αποδοτικό εξαγωγέα οντοτήτων, το οποίο μας επιτρέπει να εξάγουμε ακριβείς τιμές από συνομιλίες.

Η διαδικασία μας ASR περιλαμβάνει τη χρήση πλατφορμών αναγνώρισης ομιλίας για να εξουδετερώσουμε τον θόρυβο που προκαλείται από διαφορετικά προφορικά ιδιώματα, καθώς και την εξειδίκευση για διαφορετικά περιβάλλοντα.

Έχουμε επίσης αναπτύξει μια khá robust βιβλιοθήκη πολιτικής διαλόγου με προ-σχεδιασμένες περιπτώσεις που περιλαμβάνουν όλες τις κοινές συναλλαγές εξυπηρέτησης πελατών, ώστε να μπορούμε να ξεκινήσουμε einen φωνητικό βοηθό για πελάτες εξαιρετικά γρήγορα.

Σύμφωνα με την άποψή σας, τι διαφοροποιεί ένα καλό προϊόν συνομιλητικής τεχνητής νοημοσύνης από ένα κακό;

Ένα καλό προϊόν θα κατανοήσει συνεχώς τι εννοούν οι χρήστες και δεν θα τους κάνει να επαναλάβουν τον εαυτό τους. Οι κλήσεις συχνά συμβαίνουν σε θορυβώδεις περιβάλλοντες, ώστε τα προϊόντα να πρέπει να είναι ανθεκτικά σε ακαθόριστες εισροές. Όπως οι μάρκες επικοινωνούν με μεγάλες αγορές, τα προϊόντα πρέπει να κατανοούν eine ποικιλία προφορικών ιδιωμάτων και τρόπων εκφράσεων προθέσεων. Και τα δύο απαιτούν τα προϊόντα να εγγυώνται robust αναγνώριση ομιλίας, ανθεκτική ταξινόμηση προθέσεων και εξαγωγή οντοτήτων.

Ένα εξαιρετικό προϊόν θα είναι ενεργά συμμετοχικό για τους χρήστες. Θα ακολουθήσει τη σκέψη του χρήστη και θα μπορέσει να χειριστεί σύνθετες, καθημερινές περιπτώσεις όπου οι χρήστες μπορεί να μοιράζονται πολλαπλά προθέματα και κομμάτια πληροφοριών ταυτόχρονα, και μπορεί να πηδήξουν μεταξύ διαφορετικών περιβαλλόντων. Αυτό απαιτεί robust πολλαπλή ταξινόμηση και διαχείριση περιβαλλόντων.

Ένα προϊόν που εμπνέει θα εμφανίζει ανθρώπινες ιδιότητες χωρίς να είναι ακατανόητο ή quá ρομποτικά. Αυτό σημαίνει γρήγορες αλληλεπιδράσεις, αυθεντικές φωνές, συνεχείς ενδείξεις ανατροφοδότησης και ένα βαθμό τυχαίων και ατελειών.

Τέλος, ένα εξαιρετικό προϊόν συνομιλητικής τεχνητής νοημοσύνης θα αλληλεπιδράσει με τους χρήστες όπου κι αν βρίσκονται και θα προσφέρει μια ομαλή, ειδική για κάθε πλατφόρμα εμπειρία, η οποία μπορεί να εκτείνεται σε φωνή, SMS, chat ή κοινωνικά μηνύματα. Το范例 αλληλεπίδρασης πρέπει να αγκαλιάζει την ιδιαιτερότητα κάθε επικοινωνιακού καναλιού.

Ποια είναι κάποια από τα πλεονεκτήματα των εταιρειών που χρησιμοποιούν συνομιλητική τεχνητή νοημοσύνη αντί να προσπαθούν να κατευθύνουν τις ερωτήσεις τους σε chat bots;

Η εμπειρία του πελάτη είναι κρίσιμη και έχει γίνει ένας βασικός οδηγός για την καθυστέρηση. Η πρώτη προτεραιότητα πρέπει να είναι να κάνουν εύκολη για τους πελάτες να κάνουν ότι χρειάζονται να κάνουν.

Το τηλέφωνο είναι ακόμη το προτιμώμενο κανάλι για τους περισσότερους πελάτες για να επικοινωνήσουν με μια εταιρεία. Μέχρι το 65% όλων των αλληλεπιδράσεων πελατών συμβαίνουν ακόμη μέσω τηλεφώνου. Κατά τη διάρκεια της πανδημίας COVID-19, τα κέντρα εξυπηρέτησης έχουν υποβληθεί σε ακραίες πιέσεις με περισσότερους πελάτες από ποτέ να ζητούν υποστήριξη.

Βέβαια, μια εξαιρετική εμπειρία επιτρέπει στους πελάτες να επικοινωνούν όπως θέλουν, ώστε για όποιον προτιμά ασύγχρονες επικοινωνίες, κάνουμε εύκολη για τις μάρκες να προσφέρουν το ίδιο επίπεδο εμπειρίας σε κειμενικά κανάλια.

Πόσο μεγάλη είναι η πρόκληση για την ανίχνευση της πρόθεσης του τι προσπαθεί να πει ένας πελάτης;

Υπάρχουν πολλές προκλήσεις με την κατανόηση των πελατών μέσω φωνητικών καναλιών. Η ακριβής και συνεχής κατανόηση της σημασίας των χρηστών απαιτεί πολλά συστατικά να λειτουργούν καλά μαζί.

Πρώτα, η αναγνώριση ομιλίας είναι δύσκολη, ιδιαίτερα όταν οι άνθρωποι καλούν από θορυβώδεις περιβάλλοντες, όπως όταν είναι σε hands-free ή όταν οδηγούν μέσα από κίνηση ή σήραγγες. Η αναγνώριση ομιλίας μπορεί επίσης να είναι δύσκολη σε περιοχές με διαφορετικά προφορικά ιδιώματα και διάλεκτους. Έχουμε αναπτύξει einen αποτελεσματικό τρόπο να προκαθορίσουμε τα μοντέλα αναγνώρισης ομιλίας για το δεδομένο περιβάλλον, ώστε να βελτιώσουμε την αναγνώριση ομιλίας.

Επειδή το μοντέλο ConveRT μας έχει εκπαιδευτεί σε τόσο μεγάλο όγκο συνομιλιών, μπορεί να ανιχνεύσει πρόθεση ακόμη και όταν οι χρήστες λένε κάτι που δεν είναι απόλυτα σαφές.

Μια άλλη σκέψη είναι η κατανόηση όταν οι χρήστες θέλουν να κάνουν πολλαπλά πράγματα ταυτόχρονα. Για παράδειγμα, κάποιος μπορεί να πει, «Χάθηκα η κάρτα. Μπορείτε να με ενημερώσετε αν έχει χρησιμοποιηθεί και να την αποκλείσετε;» Σε αυτή την περίπτωση, το μοντέλο πρέπει να αναγνωρίσει δύο προθέσεις και να ενεργήσει σε μια σειρά που έχει νόημα.

Το μοντέλο πρέπει επίσης να μπορεί να εξαγάγει και να κατανοήσει τις οντότητες που προσφέρονται από τους πελάτες. Για παράδειγμα, «Έχετε ένα τραπέζι για το σαββατοκύριακο για μένα, τη γυναίκα μου και τα 2 παιδιά μας;» Η επιφανειακή πρόθεση εδώ είναι να ελέγξουμε τη διαθεσιμότητα για ένα τραπέζι, αλλά το μοντέλο πρέπει να βγάλει την ημερομηνία (Σάββατο) και τον αριθμό των ανθρώπων (4) και οποιαδήποτε άλλη πιθανή πληροφορία που μπορεί να είναι σχετική (ίσως τα παιδιά δεν επιτρέπονται στην μπαρ και πρέπει να καθίσουν στο εστιατόριο).

Τέλος, η συνομιλία δεν είναι πάντα γραμμική. Οι πελάτες μπορεί να διακόψουν με ερωτήσεις που δεν σχετίζονται με την προτροπή του φωνητικού βοηθού, ώστε ο βοηθός πρέπει να «ακούει» για ένα είδος εισροής, ενώ είναι ανοιχτός σε διαφορετικά ερεθίσματα, όπως ερωτήσεις και αλλαγές σε πληροφορίες που έχουν δοθεί προηγουμένως από τον πελάτη.

Τι είναι η διαδικασία και ο χρόνος που απαιτείται για μια εταιρεία που θέλει να εκκινήσει einen φωνητικό βοηθό με την PolyAI;

Είμαστε εδώ για να προσφέρουμε φωνητικούς βοηθούς που έχουν ουσιαστική επιχειρηματική επίδραση. Έτσι, ξεκινάμε κάθε συνεργασία με μια ανακάλυψη, όπου βοηθάμε τους πελάτες να αναγνωρίσουν και να артикуλιруют τους στόχους CX, τα βασικά μετρικά και τις διαδικασίες υποστήριξης. Αυτό είναι το σημείο όπου ορίζουμε τις διαδρομές που ο φωνητικός βοηθός θα πρέπει να οδηγήσει τους πελάτες. Αυτό, συνδυασμένο με το προ-εκπαιδευμένο μοντέλο ConveRT μας, σημαίνει ότι δεν χρειαζόμαστε τεράστιες ποσότητες συνομιλιών από τους πελάτες.

Από εκεί, μπορούμε να αναπτύξουμε einen φωνητικό βοηθό με πολύ λίγη εισροή που απαιτείται από τον πελάτη, ώστε δεν είναι καθόλου απαιτητικό για τις εσωτερικές ομάδες IT.

Ανάλογα με την πολυπλοκότητα, μπορούμε να ξεκινήσουμε eine απόδειξη αξίας σε τόσο λίγο χρόνο, όσο 2 εβδομάδες, και eine πλήρη ανάπτυξη σε 2 μήνες.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν την PolyAI.