Ράιαν ΜακΝτόναλντ, Επικεφαλής Επιστήμονας στην ASAPP – Σειρά Συνεντεύξεων

Ο Ράιαν ΜακΝτόναλντ είναι ο Επικεφαλής Επιστήμονας στην ASAPP. Είναι υπεύθυνος για τον καθορισμό της κατεύθυνσης των ερευνητικών και επιστημονικών ομάδων, προκειμένου να επιτύχει η ASAPP την όρασή της να ενισχύσει την ανθρώπινη δραστηριότητα θετικά μέσω της προόδου του AI. Η ομάδα είναι目前 επικεντρωμένη στην προώθηση του πεδίου του διαλόγου προσανατολισμένου σε εργασίες σε πραγματικές συνθήκες, όπως η φροντίδα πελατών. Σε τέτοιους δυναμικούς περιβάλλοντες υπάρχουν πολλά αλληλεπιδρώντα μέρη: η συζήτηση μεταξύ πελάτη και πράκτορα, το περιβάλλον και τα εργαλεία που χρησιμοποιεί ο πράκτορας, διαφορετικά μέτρα επιτυχίας, ένα ευρύ φάσμα αναγκών και καταστάσεων πελατών. Η βελτιστοποίηση αυτού του περιβάλλοντος, προκειμένου να οδηγήσει σε ποιοτικά αποτελέσματα για τους πελάτες, τους πράκτορες και τις εταιρείες, απαιτεί σημαντικές ερευνητικές επενδύσεις σε ανάκτηση, γεννήτρια γλώσσας, περιορισμένη βελτιστοποίηση, μάθηση και, κριτικά, αξιολόγηση.

Ο Ράιαν εργάζεται πάνω στην κατανόηση της γλώσσας και τη μηχανική μάθηση για πάνω από 20 χρόνια. Η διδακτορική του εργασία στο Πανεπιστήμιο της Πενσυλβάνιας επικεντρώθηκε σε νέες μεθόδους μηχανικής μάθησης για δομημένη πρόβλεψη στη NLP, πιο αξιοσημείωτα στην εξαγωγή πληροφοριών και τη συντακτική ανάλυση. Στο Πεν, η έρευνά του ήταν καθοριστική για την ανάπτυξη των πεδίων της ανάλυσης εξάρτησης και της προσαρμογής τομέα στη κοινότητα NLP. Μετά τη διδακτορική του εργασία, ο Ράιαν εντάχθηκε στην ερευνητική ομάδα της Google (GOOGL ). Εκεί, ερεύνησε την ανάλυση συναισθήματος και τα μοντέλα περίληψης για κριτικές καταναλωτών, τα οποία οδήγησαν σε ένα από τα πρώτα μεγάλης κλίμακας συστήματα περίληψης καταναλωτών που καταναλώνονται από εκατομμύρια χρήστες κάθε μέρα.

Η έρευνα του Ράιαν στράφηκε στη μαζικά πολυγλωσσική κατανόηση της γλώσσας. Αρχικά, η έρευνά του επικεντρώθηκε στην βελτίωση της μηχανικής μετάφρασης, αλλά η αυξανόμενη σημασία της πολυγλωσσικότητας στην ανάκτηση πληροφοριών και τις ψηφιακές βοηθούς οδήγησε την έρευνά του προς τη διεθνοποίηση αυτών των σημαντικών τεχνολογιών. Η ομάδα του Ράιαν ήταν καθοριστική για την ανάπτυξη του Google Assistant ως παγκόσμια τεχνολογία. Κατά τη διάρκεια αυτής της περιόδου, ηγήθηκε επίσης του συνδικάτου Universal Dependencies με μια μεγάλη ομάδα ακαδημαϊκών συνεργατών. Αυτό είναι το μεγαλύτερο συνδικάτο πολυγλωσσικών δεδομένων που στοχεύει στις συντακτικές γλωσσικές πηγές. Μετά από πάνω από μια δεκαετία εργασίας σε καταναλωτικά προϊόντα, ο Ράιαν άλλαξε κατεύθυνση προς τις επιχειρήσεις και ηγήθηκε πολλών έργων NLP και ML για τη βελτίωση των υπηρεσιών Cloud της Google, συμπεριλαμβανομένης της βασικής API NLP, λύσεων για το Call Center AI και την ανακάλυψη γνώσεων από την επιστημονική βιβλιογραφία. Η έρευνα του Ράιαν για την NLP και ML στις επιχειρήσεις συνεχίζεται στην ASAPP.

Ο Ράιαν έχει δημοσιεύσει πάνω από 100 ερευνητικές εργασίες σε κορυφαία περιοδικά και συνέδρια, οι οποίες έχουν αναφερθεί χιλιάδες φορές. Έχει κερδίσει βραβεία καλύτερης εργασίας σε κορυφαία διεθνή συνέδρια (EMNLP, NAACL) για την εργασία του στην πολυγλωσσική συντακτική ανάλυση. Το βιβλίο του «Ανάλυση Εξάρτησης» έχει χρησιμεύσει ως ένα από τα κύρια διδακτικά υλικά για την συντακτική ανάλυση για πάνω από μια δεκαετία. Εκτός από το ότι έχει διατελέσει πρόεδρος几乎 σε όλα τα κορυφαία συνέδρια και περιοδικά NLP και ML, έχει επίσης υπάρξει συντάκτης των δύο κορυφαίων περιοδικών του πεδίου — Transactions of the Association for Computational Linguistics και Computational Linguistics. Έχει συμβουλεύσει πολλούς φοιτητές διδακτορικού και ερευνητές και έχει δώσει προσκεκλημένες ομιλίες σε κορυφαία συνέδρια, εργαστήρια και πανεπιστήμια σε όλο τον κόσμο.

Τι σας ενέπνευσε αρχικά να ενδιαφερθείτε για τη μηχανική μάθηση και, πιο συγκεκριμένα, την κατανόηση της φυσικής γλώσσας;

Ήμουν φοιτητής με διπλό πτυχίο στην επιστήμη των υπολογιστών και τη φιλοσοφία. Ήμουν ιδιαίτερα ενδιαφερμένος για τη φιλοσοφία του AI, καθώς και για τις πιο πρακτικές πτυχές του πώς λειτουργεί το AI. Ήμουν τυχερός να αποκτήσω ένα ερευνητικό έργο με τον Gerald Penn στο Πανεπιστήμιο του Τορόντο, το οποίο επικεντρώθηκε στην περίληψη ειδήσεων για κινητά τηλέφωνα. Αυτό ήταν πάνω από 20 χρόνια πριν και χρησιμοποίησε πολύ πρωτόγονες μεθόδους σύμφωνα με τα σημερινά πρότυπα. Ο Gerald ήταν ένας εξαιρετικός μέντορας και με ενέπνευσε να ενδιαφερθώ για τις формικές μοντέλα για τη δομή της γλώσσας (συντακτική και σημασιολογία). Ήμουν μαγευμένος από την πολυπλοκότητα της γλώσσας και τα μαθηματικά πλαίσια για την εξήγηση των φαινομένων που οι άνθρωποι αναλύουν φυσικά κάθε μέρα. Περίπου εκείνη την εποχή, οι μηχανές αναζήτησης ήταν πανταχού παρούσες και μπορούσα να δω το τεράστιο ανώτερο για την NLP και ML στο μέλλον.

Έχετε δημοσιεύσει πάνω από 100 ερευνητικές εργασίες σε κορυφαία περιοδικά και συνέδρια, οι οποίες έχουν αναφερθεί χιλιάδες φορές. Ποια από αυτές ήταν η πιο επιδραστική ερευνητική εργασία;

Αυτή είναι πάντα μια δύσκολη ερώτηση για να απαντηθεί. Και καθώς ο χρόνος περνά, νομίζω ότι η απάντησή μου αλλάζει. Αν με ρωτούσατε πριν από quelques χρόνια, θα ήταν η εργασία που έκανα για τη χρήση αλγορίθμων γραφικών για ανάλυση εξάρτησης. Αυτή η εργασία, μαζί με την εργασία του Joakim Nivre, προκάλεσε πάνω από μια δεκαετία ταχείας έρευνας στην ανάλυση εξάρτησης, η οποία είχε μεγάλη επίδραση στην υιοθέτηση της NLP στις τεχνολογικές εταιρείες, συμπεριλαμβανομένης μιας τεράστιας ποσότητας εργασίας που έκανα στη Google για την Αναζήτηση, τη Μετάφραση, τον Βοηθό, κ.λπ.

Πέρασα το μεγαλύτερο μέρος της καριέρας μου στη Google, βοηθώντας να χτίζω τις πιο προηγμένες τεχνολογίες NLP και ML και τις οδηγώντας στην παραγωγή. Ποια ήταν κάποια από τα βασικά συμπεράσματά σας από αυτή την εμπειρία;

Το βασικό συμπέρασμά μου θα ήταν ότι, όταν χτίζουμε μοντέλα NLP και ML, δεν μπορούμε ποτέ να προβλέψουμε πότε τα πράγματα θα πάνε στραβά. Πρέπει να είσαι εμμονικός με τα δεδομένα, την ανάλυση σφαλμάτων, τα μετρικά, κ.λπ. σε όλα τα σημεία της διαδικασίας. Το να προσπαθούμε να μαντέψουμε τα σημεία πόνου είναι συχνά Futile και είναι συνήθως πιο αποτελεσματικό να χτίζουμε μοντέλα από άκρο σε άκρο όσο το δυνατόν γρηγορότερα και να προσαρμοζόμαστε.

Στις αρχές του 2021, εντάχθητε στην ASAPP ως Επικεφαλής Επιστήμονας, μια εταιρεία που προσφέρει εργαλεία AI για να ενδυναμώσει τους πράκτορες εξυπηρέτησης πελατών, τι σας έκανε να προσελκύσετε σε αυτή τη θέση;

Για μια πιο πλήρη απάντηση, διαβάστε την αφίσα μου σε αυτό το θέμα. Αλλά για να συνθέσω, οι κύριοι λόγοι είναι:

• Τα προβλήματα είναι δύσκολα. Οι πράκτορες που ασχολούνται με δύσκολες αλληλεπιδράσεις εξυπηρέτησης πελατών πρέπει να φέρουν πολλές πληροφορίες και εμπειρία για να λύσουν τα προβλήματα των πελατών. Η κατασκευή μοντέλων που προσθέτουν αξία σε τεράστιες ποσότητες γνώσεων τομέα είναι δύσκολο, ιδιαίτερα όταν τα σήματα είναι αδύναμα. Π.χ., ήταν η βαθμολογία ικανοποίησης του πελάτη χαμηλή επειδή ο πράκτορας έκανε κάτι λάθος, ή ήταν ο πελάτης απλώς γενικά εξοργισμένος;
• Οι εταιρείες και οι πράκτορες που εργάζονται σε αυτόν τον χώρο είναι υπερενθουσιασμένοι με το AI που θα τους βοηθήσει να βελτιώσουν την εμπειρία του πελάτη. Δεν αντιστέκονται στις προόδους, αλλά τις βλέπουν ως κρίσιμα εργαλεία για την επίλυση πραγματικών προβλημάτων που έχουν. Το να έχεις τέτοιο συνεργάτη είναι απίστευτο.
• Τέλος, αντίθετα με τις καταναλωτικές τεχνολογίες, το σύνολο των τομέων και των προβλημάτων σε ένα επιχειρηματικό περιβάλλον είναι τόσο ετερογενές, ώστε η προσαρμογή (βλέπε την απάντησή μου στην ερώτηση 2) είναι το πρόβλημα που πρέπει να λυθεί. Δεν μπορούμε να χτίζουμε υπηρεσίες μόνο για μια εταιρεία ή einen βιομηχανία, αλλά για όλες. Αυτό είναι ένα τόσο μεγάλο τεστ για την κατάσταση του AI σήμερα.
• Η ASAPP είναι μοναδικά επικεντρωμένη σε αυτό το πρόβλημα.

Μπορείτε να συζητήσετε την όραση της ASAPP για την ενίσχυση της ανθρώπινης δραστηριότητας θετικά μέσω της προόδου του AI;

Η κεντρική μας υπόθεση στην ASAPP είναι ότι το AI δεν πρέπει να αντικαταστήσει τους ανθρώπους, αλλά να τους ενισχύσει με θετικό και παραγωγικό τρόπο. Αυτή η όραση είναι ευρεία και έχουμε φιλοδοξίες να την εφαρμόσουμε σε όλες τις σχετικές ανθρώπινες δραστηριότητες. Ωστόσο, καθώς αυτή είναι μια ευρεία εντολή, η πρώτη περιοχή που έχουμε επιλέξει να επικεντρωθούμε είναι ο τομέας της εμπειρίας του πελάτη.

Ο τομέας της εμπειρίας του πελάτη ενσωματώνει όλα τα προκλήματα και τις ανταμοιβές που έρχονται με την ενίσχυση της ανθρώπινης δραστηριότητας. Οι πράκτορες ασχολούνται με σύνθετες εργασίες επίλυσης προβλημάτων που τους απαιτούν να ακολουθήσουν ροές εργασίας, να ανακτήσουν σχετικές πληροφορίες από βάσεις δεδομένων πελατών και γνώσεων, και να προσαρμοστούν σε νюανσικές καταστάσεις που μπορεί ένας πελάτης να βρεθεί. Αυτό δίνει άριστα πολλές ευκαιρίες για το AI να βελτιώσει αυτή τη διαδικασία. Ωστόσο, νομίζουμε ότι είναι σημαντικό να το κάνουμε με θετικό τρόπο, με τον οποίο εννοούμε:

• Η ενίσχυση συμβαίνει σε σημεία που είναι φυσικά και ρευστά κατά τη διάρκεια της εργασίας του πράκτορα. Αυτό είναι κρίσιμο. Αν το AI παρεμβαίνει ή παρεμβαίνει σε άβολα момέντα ή με κακή καθυστέρηση, αυτό θα έχει αρνητική επίδραση στην εμπειρία του πράκτορα, καθώς θα πρέπει να αγνοήσει συνειδητά το AI.
• Περισσότερο κρίσιμο, θέλουμε το AI να επιτύχει θετικά αποτελέσματα για όλους τους ανθρώπους που εμπλέκονται. Σε αυτή την περίπτωση είναι ο πελάτης, ο πράκτορας και η οργάνωση. Οι πελάτες θέλουν τα προβλήματά τους να αντιμετωπιστούν αποτελεσματικά και αποτελεσματικά. Οι πράκτορες θέλουν να κάνουν αυτό για τους πελάτες. Επιπλέον, οι πράκτορες κάνουν μια δύσκολη δουλειά, συχνά αντιμετωπίζοντας δυσαρεστημένους πελάτες. Το AI πρέπει να βοηθήσει τους πράκτορες να ισορροπήσουν τη δουλειά και το φορτίο της εργασίας, προκειμένου να μειώσει την κόπωση και την εξουθένωση και να αυξήσει την ικανοποίηση της δουλειάς.毕竟, οι πράκτορες στα κέντρα εξυπηρέτησης έχουν یکی από τους χειρότερους ρυθμούς αποχώρησης (ως και 100% ετησίως σε κάποια κέντρα εξυπηρέτησης) από οποιαδήποτε δουλειά στην Αμερική. Τέλος, θέλουμε θετικά επιχειρηματικά αποτελέσματα για την εταιρεία που διεξάγει το κέντρο εξυπηρέτησης. Αυτό μπορεί να είναι η ικανοποίηση του πελάτη, η απόδοση των προβλημάτων που μπορούν να αντιμετωπιστούν σε μια μέρα ή ακόμη και η ποσότητα των πωλήσεων.

Για τα κέντρα εξυπηρέτησης, συχνά σκεφτόμαστε τα θετικά αποτελέσματα μεταξύ του πελάτη, του πράκτορα και της εταιρείας ως ανταγωνιστικά. Αλλά καλό AI θα βοηθήσει να βελτιστοποιήσει όλα τα τρία.

Μπορείτε να συζητήσετε την τρέχουσα ανατομία AI ενός κέντρου εξυπηρέτησης;

Σήμερα, σχεδόν κάθε στάδιο της επαφής σας με ένα κέντρο εξυπηρέτησης έχει κάποια μορφή AI που οδηγεί ή ενημερώνει πώς αντιμετωπίζεται το πρόβλημα.

Το πρώτο βήμα είναι μια διαδραστική φωνητική απάντηση (IVR) ή chat bot. Αυτό είναι πλήρως αυτόματο και ο κύριος σκοπός του είναι να κατανοήσει γιατί ο πελάτης καλεί και να τον κατευθύνει αντίστοιχα. Πιθανότατα αυτά τα συστήματα θα προσπαθήσουν να συλλέξουν όσο το δυνατόν περισσότερες πληροφορίες πριν από την αποστολή του πελάτη σε έναν πράκτορα, προκειμένου να μεγιστοποιήσουν την πιθανότητα ο πράκτορας να λύσει γρήγορα το πρόβλημα. Πολλά σύγχρονα bot μπορεί επίσης να λύσουν直接 το πρόβλημα του πελάτη χωρίς να χρειάζεται έναν πράκτορα–ονομάζεται «περιέκκλειση» επειδή η κλήση δεν χρειάζεται ανθρώπινη παρέμβαση. Αυτό μπορεί να επιτευχθεί με την προβολή FAQs ή απλώς την εκτέλεση κάποιας απλής εργασίας για τον πελάτη.

Μετά από αυτό, η κλήση πηγαίνει στον πράκτορα. Μόλις ο πράκτορας, ο κύριος ρόλος του AI είναι να οδηγήσει και να κάνει προτάσεις στον πράκτορα. Τι πρέπει να πει ο πράκτορας επόμενο; Ποια ροή πρέπει να ακολουθήσει; Ποια άρθρα της βάσης γνώσεων θα βοηθήσουν να λυθεί το πρόβλημα; Αυτά τα μοντέλα είναι συνήθως εκπαιδευμένα σε ιστορικά δεδομένα και βελτιστοποιημένα για κάποιο κρίσιμο δείκτη απόδοσης, ο οποίος μπορεί να είναι ο χρόνος χειρισμού (πώς γρήγορα λύθηκε το πρόβλημα) ή η βαθμολογία ικανοποίησης του πελάτη (ήταν ο πελάτης ικανοποιημένος με την εμπειρία);

Μόλις η κλήση ή η συνομιλία ολοκληρωθεί, το AI εξακολουθεί να εργάζεται. Σε hầu hết τα κέντρα εξυπηρέτησης, ο πράκτορας θα αφήσει δομημένες πληροφορίες και σημειώσεις για το τι συνέβη κατά τη διάρκεια της κλήσης. Αυτό είναι για αναλυτικά σκοπούμενα, αλλά και για οποιοδήποτε επόμενο πράκτορα που θα πάρει το πρόβλημα αν δεν έχει λυθεί. Το AI βοηθά σε όλα αυτά τα βήματα.

Τέλος, σε ένα κέντρο εξυπηρέτησης, υπάρχουν υπέρβαροι που είναι εκεί για να βοηθήσουν τους πράκτορες και να αναπτύξουν τις ικανότητές τους. Το AI μπορεί να είναι κρίσιμο εδώ. Σε ένα κέντρο εξυπηρέτησης με εκατοντάδες πράκτορες που χειρίζονται χιλιάδες κλήσεις την ημέρα, πώς μπορούν οι υπέρβαροι να αναγνωρίσουν τα προβλήματα που χρειάζονται παρέμβαση; Πώς μπορούν να κατανοήσουν τι συνέβη κατά τη διάρκεια της ημέρας; Πώς μπορούν να βρουν περιοχές βελτίωσης για τους πράκτορες, προκειμένου να αναπτύξουν τις ικανότητές τους;

Πώς βοηθά η ASAPP να μειώσει την αποχώρηση των εργαζομένων στο κέντρο εξυπηρέτησης;

Μεγάλες εταιρείες που προσφέρουν καταναλωτικά αγαθά και υπηρεσίες δαπανούν εκατομμύρια, και đôi khi δισεκατομμύρια δολάρια κάθε χρόνο σε κέντρα εξυπηρέτησης που εξυπηρετούν τους πελάτες τους, με το κόστος εργασίας να αντιπροσωπεύει 80-90% του συνολικού κόστους. Αυτό είναι ένα μεγάλο πρόβλημα που οδηγεί την αποχώρηση των πρακτόρων να είναι 40%—και đôi vezes 100% ή περισσότερο—κάθε χρόνο.

Υπάρχει ένας καρικατούρας ότι οι πράκτορες είναι αδιάφοροι για τα προβλήματά σας και περνούν από την διαδικασία. Στο χειρότερο σενάριο, ακόμη και εμποδίζουν την ικανότητά σας να λύσετε ένα πρόβλημα. Τίποτα δεν μπορεί να είναι πιο μακριά από την αλήθεια. Οι πράκτορες, όπως και όλοι οι άνθρωποι, αντλούν ικανοποίηση από το να βοηθούν τους πελάτες να λύσουν τα προβλήματά τους. Πώς θα προτιμούσατε να περάσετε την ημέρα σας, ακούγοντας ρηχά «ευχαριστώ» ή φωνάζοντας πελάτες; Σε μια πρόσφατη μελέτη που διεξήγαμε, βρήκαμε ότι το 90% των πρακτόρων ανέφερε ότι οι κλήσεις με τους πελάτες έκαναν την ημέρα τους, και η πλειοψηφία είπε ότι είναι ικανοποιημένοι με τη δουλειά τους. Αλλά, οι πράκτορες θέλουν τα εργαλεία και την εκπαίδευση που απαιτούνται για να κάνουν τους πελάτες ικανοποιημένους. Οι δυσαρεστημένοι πελάτες οδηγούν σε εξοργισμένους, κουρασμένους και στρεσάρηδες πράκτορες. Αυτό είναι ο κύριος οδηγός της αποχώρησης.

Το AI που ενισχύει τους πράκτορες κατά τη διάρκεια μιας κλήσης (όπως περιγράφηκε προηγουμένως) ήδη βοηθά. Αν ο πράκτορας έχει τα εργαλεία και τις οδηγίες για να λύσει αποτελεσματικά και γρήγορα το πρόβλημα του πελάτη, τότε οι πιθανότητες ότι ο πελάτης θα είναι ικανοποιημένος μπορούν μόνο να αυξηθούν, το οποίο με τη σειρά του πρέπει να οδηγήσει σε υψηλότερη ικανοποίηση της δουλειάς.

Ωστόσο, η ASAPP δεν αρχίζει εκεί. Ενώ η δυναμική οδηγία σε πραγματικό χρόνο είναι κρίσιμη, η πιο δομημένη εκπαίδευση, η εκπαίδευση και η ανατροφοδότηση είναι επίσης σημαντική. Πολλοί πράκτορες εκπαιδεύονται σε νέες θέσεις ή διαδικασίες «ζωντανοί». Αυτό σημαίνει ότι λαμβάνουν μια περιγραφή της διαδικασίας, αλλά στη συνέχεια βλέπουν μόνο στην πράξη όταν λαμβάνουν μια κλήση με έναν πραγματικό πελάτη. Φανταστείτε ότι δώσαμε στους πιλότους το εγχειρίδιο του αεροσκάφους και στη συνέχεια τους είπαμε να πετάξουν 300 επιβάτες στο Ντένβερ; Λόγω αυτού, επικεντρωνόμαστε στην उपयोग του AI για να βοηθήσουμε να χτίσουμε εργαλεία για τους πράκτορες να εξασκηθούν σε διαδικασίες και να αντιμετωπίσουν δύσκολες καταστάσεις πριν αλληλεπιδράσουν με ζωντανούς πελάτες. Όταν αυτό συνδυαστεί με στοχευμένη ανατροφοδότηση (είτε από έναν υπέρβαρο είτε αυτόματα), αυτό θα επιτρέψει στον πράκτορα να αναπτύξει τις ικανότητές του σε ένα λιγότερο στρεσάριο περιβάλλον.

Καλύτερο AI για να βελτιώσει την ικανοποίηση του πελάτη σε δυναμικές καταστάσεις, καθώς και AI για την εκπαίδευση — αυτό είναι πώς η ASAPP επικεντρώνεται στον πράκτορα με τον终ικό στόχο της μείωσης της αποχώρησης.

Τι είναι κάποια παραδείγματα των τύπων αποτελεσμάτων που μπορούν να επιτευχθούν με την ενσωμάτωση του AI σε ένα κέντρο εξυπηρέτησης;

Όπως μοιράστηκα παραπάνω, το AI μπορεί να είναι μια μετασχηματιστική τεχνολογία για την αύξηση της παραγωγικότητας. Για μια αεροπορική εταιρεία στις Ηνωμένες Πολιτείες που συνεργαζόμαστε, είδαμε την παραγωγικότητα του πράκτορα να αυξάνεται κατά 86% και μια αύξηση της οργανικής απόδοσης (το σύνολο των αλληλεπιδράσεων σε όλα τα κανάλια εξυπηρέτησης πελατών διαιρεμένο με την εργασία που χρειάζεται για να ικανοποιήσει αυτές τις ανάγκες) κατά 127%. Για einen παγκόσμιο δικτυακό χειριστή που χρησιμοποιεί τις υπηρεσίες της ASAPP, οι βαθμολογίες net promoter (η愿意 να συστήσει τα προϊόντα ή τις υπηρεσίες μιας εταιρείας σε άλλους) αυξήθηκαν κατά 45%. Για μια κορυφαία καλωδιακή εταιρεία που χρησιμοποιεί τις υπηρεσίες της ASAPP, το κόστος ανά αλληλεπίδραση μειώθηκε κατά 52%. Αυτά τα παραδείγματα δείχνουν πώς το AI μπορεί να αυξήσει την παραγωγικότητα, να βελτιώσει την ποιότητα της εξυπηρέτησης πελατών και να μειώσει τα επιχειρηματικά κόστη.

Τι είναι η προσωπική σας όραση για το μέλλον του AI στην εργασία;

Το AI είναι ήδη αρκετά διαδεδομένο στην εργασία. Όπως γράφω αυτό, οι ελέγχοι ορθογραφίας και συντακτικής, καθώς και η αυτόματη συμπλήρωση κειμένου, με βοηθούν. Έχω φίλτρα spam και ταξινομητές μηνυμάτων στα εργαλεία email/μηνυμάτων μου. Χρησιμοποιώ AI-ενισχυμένη αναζήτηση για να βρω τις σχετικές πληροφορίες που χρειάζομαι για να εκτελέσω. Αυτό θα αυξηθεί, καθώς και η υιοθέτησή μου, καθώς ο αριθμός των AI-ενισχυμένων χαρακτηριστικών και η ποιότητά τους αυξάνεται.

Ωστόσο, θα το ονόμαζα αυτή την ενίσχυση ατομική. Βοηθάει σίγουρα, αλλά σε πολύ συγκεκριμένα σημεία που επιτρέπουν υψηλής ακρίβειας προβλέψεων. Δεν μπορώ να ζητήσω από το AI να απαντήσει σε αυτές τις ερωτήσεις, για παράδειγμα — ακόμη 🙂

Περισσότερο σοβαρά, η όρασή μου είναι να δω την υιοθέτηση του AI από άκρο σε άκρο σε ολόκληρη την εργασία. Δεν εννοώ από άκρο σε άκρο στη μοντελοποίηση της μηχανικής μάθησης. Αυτό που εννοώ είναι ότι το AI θα δώσει ολιστικά μεγάλα και σύνθετα καθήκοντα που θα βελτιστοποιηθούν για τον συνολικό στόχο και όχι μόνο για ατομικά σημεία κατά τη διάρκεια της διαδικασίας. Η ASAPP ήδη φέρνει αυτό σε εφαρμογή στα κέντρα εξυπηρέτησης. Για παράδειγμα, βελτιστοποιούμε τι θα πει ο πράκτορας επόμενο, με βάση ένα ολιστικό σύνολο παραγόντων σχετικά με το πού βρίσκεται ο πράκτορας στη συνομιλία και ποιο είναι το τελικό αποτέλεσμα. Αλλά πέρα από αυτό, φανταστείτε έναν επιστήμονα που προσπαθεί να γράψει μια συστηματική ανασκόπηση ενός σημαντικού θέματος, έναν μηχανικό λογισμικού που χτίζει μια πλατφόρμα ή ολοκληρώνει σύνθετα συστήματα, έναν δικηγόρο που γράφει μια νομική περίληψη, κ.λπ. Στο μέλλον, κάθε ένας από αυτούς τους επαγγελματίες θα βασιστεί στο AI για να αυξήσει γρήγορα την αποτελεσματικότητά τους σε αυτά τα καθήκοντα και να βελτιστοποιήσει τα επιθυμητά αποτελέσματα, απελευθερώνοντάς τους για πιο κρίσιες προκλήσεις.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με την ASAPP;

Η ερευνητική μας ομάδα στην ASAPP έχει μια σαφή εστίαση: προωθούμε το AI για να ενισχύσει την ανθρώπινη δραστηριότητα για να αντιμετωπίσουμε πραγματικά προβλήματα για τις επιχειρήσεις. Οι ερευνητές στην ASAPP εργάζονται για να προωθήσουν θεμελιωδώς την επιστήμη της NLP και ML προς τον στόχο μας της ανάπτυξης домενικών, πραγματικών λύσεων AI, και να εφαρμόσουν αυτές τις προόδους στα προϊόντα μας. Εκμεταλλεύονται τα τεράστια ποσά δεδομένων που παράγονται από τα προϊόντα μας, και την ικανότητά μας να αναπτύξουμε χαρακτηριστικά AI σε πραγματική χρήση για να ρωτήσουμε και να αντιμετωπίσουμε θεμελιώδεις ερευνητικές ερωτήσεις με νέους τρόπους. Ανακαλύψτε τις πρόσφατες εργασίες μας στο https://www.asapp.com/ai-research/.

Ευχαριστούμε για τις λεπτομερείς απαντήσεις, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την ASAPP.