Ryan McDonald, ASAPP:n päätietsija – Haastattelusarja

Ryan McDonald on ASAPP:n päätietsija. Hän on vastuussa tutkimus- ja data-tieteellisten ryhmien suunnittelusta, jotta ASAPP:n visio positiivisesta ihmistoiminnan täydentämisestä tekoälyllä voidaan saavuttaa. Ryhmä on tällä hetkellä keskittynyt tekoälyn kehittämiseen asiakaspalvelutilanteissa. Näissä dynaamisissa ympäristöissä on monia vuorovaikutteisia osia: asiakkaan ja edustajan välinen keskustelu, edustajan käyttämät työkalut ja ympäristö, erilaiset menestyksen mittarit, laaja valikoima asiakkaiden tarpeita ja tilanteita. Tämän ympäristön optimointi asiakkaan, edustajan ja yrityksen laadukkaiden tuloksien saavuttamiseksi vaatii merkittävää tutkimussijoitusta hakua, kielen generoimisessa, rajoitettuun optimointiin, oppimiseen ja arviointiin.

Ryan on työskennellyt kielen ymmärtämisessä ja koneoppimisessa yli 20 vuoden ajan. Hänen väitöskirjatyönsä Pennsylvanian yliopistossa keskittyi uusiin koneoppimismenetelmiin NLP:n rakenteelliseen ennustamiseen, erityisesti tietojen poistoon ja syntaktiseen analyysiin. Pennissä hänen tutkimuksensa oli ratkaiseva kieliopin analyysin ja domain-sopeutumisen kasvussa NLP-yhteisössä. Väitöskirjansa jälkeen Ryan liittyi Google (GOOGL ):n tutkimusryhmään. Siellä hän tutki mielipideanalyysiä ja tiivistelmämallien kuluttaja-arvosteluihin, mikä johti yhteen ensimmäisistä suurista kuluttaja-tiivistelmäjärjestelmistä, jota miljoonat käyttäjät käyttävät joka päivä.

Ryanin tutkimus kääntyi sitten massiivisesti monikieliseen kielen ymmärtämiseen. Aluksi hänen tutkimuksensa keskittyi konekäännöksen parantamiseen, mutta monikielisyyden kasvava merkitys tiedonhaussa ja digitaalisissa avustajissa johti tutkimusta kansainvallistamaan näitä tärkeitä teknologioita. Ryanin tiimi oli ratkaiseva Google Assistantin kehittämisessä globaalina teknologiana. Tänä aikana hän myös johti Universal Dependencies -konsortiota suuren akateemisen yhteistyön kanssa. Tämä on kaikkein suurin monikielinen datakonsortio, joka on suunnattu kieliopillisiin kieliresursseihin. Yli kymmenen vuoden kuluttua kuluttajatuotteiden parissa Ryan vaihtoi uransa suuntaa kohti yritysmaailmaa ja johti useita NLP- ja ML-projekteja Google Cloud -palvelujen parantamiseksi, mukaan lukien ydin-NLP-API, Call Center AI -ratkaisut ja tieteellisen kirjallisuuden tiedon löytäminen. Ryanin tutkimus yritysten NLP- ja ML-kehittämisestä jatkuu ASAPP:ssa.

Ryan on julkaissut yli 100 tutkimuspaperia johtavissa tieteellisissä lehdissä ja konferensseissa, joita on viitattu tuhansia kertoja. Hän on voittanut parhaan paperin palkinnot johtavissa kansainvälisissä konferensseissa (EMNLP, NAACL) monikielisen syntaktisen analyysin työstään. Hänen kirjansa “Kieliopin analyysi” on palvellut yhtenä pääasiallisena opetusresursseina kieliopin analyysissä yli kymmenen vuoden ajan. Lisäksi hän on toiminut alueen puheenjohtajana melkein jokaisessa taso-1 NLP- ja ML-konferenssissa ja on ollut toimittaja kahdessa johtavassa alan lehdessä – Transactions of the Association for Computational Linguistics ja Computational Linguistics. Hän on ohjannut useita väitöskirjatutkijoita ja harjoittelijoita ja pitänyt kutsuvierailuluentoja johtavissa konferensseissa, työpajoissa ja yliopistoissa ympäri maailmaa.

Mikä alun perin sai sinut kiinnostuneeksi koneoppimisesta ja erityisesti luonnollisen kielen prosessoinnista?

Olin tutkinto-opiskelija, joka suoritti tietojenkäsittelytieteen ja filosofian tutkintoa. Olin erityisesti kiinnostunut tekoälyn filosofiasta sekä siitä, miten tekoäly toimii käytännössä. Olin onnekas saadessani tutkimushankkeen Gerald Pennin kanssa Toronton yliopistossa, joka keskittyi uutisten tiivistämiseen matkapuhelimille. Tämä oli yli 20 vuotta sitten ja käytti hyvin primitiivisiä menetelmiä nykyisten standardien verrattuna. Gerald oli loistava mentori ja herätti minussa kiinnostuksen kielen rakenteellisten mallien (syntaksi ja semantiikka) parissa. Olin lumoutunut kielen monimutkaisuudesta ja matemaattisista kehyksistä, joilla selitetään ilmiöitä, joita ihmiset luonnollisesti käsittelevät joka päivä. Tuolloin hakukoneet olivat jokapäiväisiä, ja näin valtavan edun NLP:lle ja ML:lle tulevaisuudessa.

Olet julkaissut yli 100 tutkimuspaperia johtavissa tieteellisissä lehdissä ja konferensseissa, joita on viitattu tuhansia kertoja. Mikä näistä tutkimuspaperista on olemassa olevan tietämyksen mukaan vaikuttavimman?

Tämä on aina vaikea kysymys vastata. Ja ajan myötä luulen, että vastaukseni muuttuu. Jos kysyt minulta muutama vuosi sitten, vastaisin, että se on työ, jota tein verkkomenetelmien käytöstä riippuvuusanalyysissä. Tämä paperi, yhdessä Joakim Nivren työn kanssa, synnytti yli kymmenen vuoden nopean tutkimuksen kieliopillisen riippuvuusanalyysin parissa, mikä vaikutti suuresti NLP:n omaksumiseen teknologiayrityksissä, mukaan lukien valtava määrä työtä, jota kollegani ja minä teimme Googlelle Haussa, Käännöksessä, Avustajassa jne.

Hänen tutkimuksensa kääntyi sitten massiivisesti monikieliseen kielen ymmärtämiseen. Aluksi hänen tutkimuksensa keskittyi konekäännöksen parantamiseen, mutta monikielisyyden kasvava merkitys tiedonhaussa ja digitaalisissa avustajissa johti tutkimusta kansainvallistamaan näitä tärkeitä teknologioita. Ryanin tiimi oli ratkaiseva Google Assistantin kehittämisessä globaalina teknologiana. Tänä aikana hän myös johti Universal Dependencies -konsortiota suuren akateemisen yhteistyön kanssa. Tämä on kaikkein suurin monikielinen datakonsortio, joka on suunnattu kieliopillisiin kieliresursseihin. Yli kymmenen vuoden kuluttua kuluttajatuotteiden parissa Ryan vaihtoi uransa suuntaa kohti yritysmaailmaa ja johti useita NLP- ja ML-projekteja Google Cloud -palvelujen parantamiseksi, mukaan lukien ydin-NLP-API, Call Center AI -ratkaisut ja tieteellisen kirjallisuuden tiedon löytäminen. Ryanin tutkimus yritysten NLP- ja ML-kehittämisestä jatkuu ASAPP:ssa.

Vuonna 2021 liityit ASAPP:iin päätietsijäksi, yritykseen, joka tarjoaa tekoälytyökaluja asiakaspalvelun edustajille, mitkä seikat vetivät sinua tähän virkaan?

Lue lisää aiheesta blogikirjoituksessani. Mutta yhteenvetona, pääsyyt ovat:

• Ongelmat ovat haasteellisia. Edustajat, jotka osallistuvat haasteellisiin asiakaspalvelutilanteisiin, tarvitsevat paljon tietoa ja kokemusta keskustelujensa ohjaamiseksi asiakkaan ongelman ratkaisemiseksi. Rakentaa malleja, jotka lisäävät arvoa laajaan alan tietämykseen, on haasteellista, erityisesti heikkojen signaaleiden kanssa. Esim. oliko asiakastyytyväisyyden arvo matala, koska edustaja teki jotain väärää, vai oliko asiakas yleisesti ottaen vain pettynyt?
• Yritykset ja edustajat, jotka työskentelevät tässä alalla, ovat erittäin innostuneita tekoälystä, joka auttaa heitä parantamaan asiakaskokemusta. He eivät vastusta edistystä, vaan pitävät sitä kriittisenä työkaluna todellisten ongelmien ratkaisemiseksi. Tällaisen sitoutuneen kumppanin saaminen on upeaa.
• Lopulta, toisin kuin kuluttajateknologiat, alan ja ongelmien kirjo on niin heterogeeninen, että sopeutuminen (ks. vastaukseni kysymykseen 2) on ratkaistava ongelma. Emme voi vain rakentaa palveluja yhdelle yritykselle tai yhdelle alalle, vaan kaikille. Tämä on loistava stressitestin tekoälyn nykyiselle tilalle.
• ASAPP on yksinomaan keskittynyt tähän ongelmaan.

Voitko keskustella ASAPP:n visiosta positiivisesti täydentää ihmistoimintaa tekoälyn edistymisen kautta?

Meidän keskeinen hypoteesimme ASAPP:ssa on, että tekoäly ei pitäisi korvata ihmisiä, vaan täydentää heitä positiivisilla ja tuottavilla tavoilla. Tämä visio on laaja, ja meillä on tavoitteita soveltaa sitä kaikkiin asiaan liittyviin ihmistoimintoihin. Kuitenkin, koska tämä on laaja ohjelma, olemme valinneet ensin keskittyvämme asiakaskokemusalueeseen.

Asiakaskokemusalue edustaa kaikkia haasteita ja palkintoja, jotka liittyvät ihmistoiminnan täydentämiseen. Edustajat osallistuvat monimutkaisiin ongelmanratkaisutehtäviin, jotka vaativat heidän seuraamistaan työnkulkuja, hakemista relevanttia tietoa asiakas- ja tietokannoista ja sopeutumista hienovaraisiin tilanteisiin, joissa asiakas voi olla. Tämä antaa mahdollisuuksia tekoälylle parantaa prosessia. Kuitenkin me uskomme, että tämä on tehtävä positiivisella tavalla, jolla:

• Täydentäminen tapahtuu luonnollisissa kohdissa edustajan työn aikana. Tämä on kriittistä. Jos tekoäly häiritsee tai väittää epäluonnollisissa kohdissa tai huonolla viiveellä, se voi olla negatiivinen vaikutus edustajan kokemukseen, koska heidän on tarkoitus tietoisesti jättää tekoäly huomiotta.
• Enemmän kriittisesti, haluamme tekoälyn saavuttavan positiivisia tuloksia kaikille osapuolille. Tässä tapauksessa se on asiakas, edustaja ja organisaatio. Asiakkaat haluavat ongelmansa ratkaistuksi tehokkaasti ja tehokkaasti. Edustajat haluavat tehdä sen asiakkaiden puolesta. Lisäksi edustajat tekevät vaikeaa työtä, usein vaikeiden tyytymättömien asiakkaiden kanssa. Tekoäly pitäisi auttaa heitä tasapainottamaan työtä ja kognitiivista kuormitusta vähentääksesi uupumusta ja lisätäksesi työn tyytyväisyyttä. Kaiken kaikkiaan, edustajat call-keskuksissa ovat yksi korkeimmista vuosittaisista poistumisprosenttien työpaikoista (jopa 100 % vuodessa joissakin call-keskuksissa). Lopulta, haluamme positiivisia liiketoimintatuloksia yritykselle, joka pyörittää call-keskusta. Tämä voi olla asiakastyytyväisyyden arvo, asioiden käsittelynopeus tai jopa myynti.

Asiakaspalvelukeskuksissa usein ajatellaan, että positiiviset tulokset asiakkaan, edustajan ja yrityksen välillä ovat ristiriidassa toistensa kanssa. Mutta hyvä tekoäly auttaa optimoimaan kaikkia kolmea.

Voitko keskustella nykyisestä tekoälyn anatomian call-keskuksessa?

Tänään melkein jokainen call-keskuksessa tapahtuva vaihe on jollain tavoin tekoälyllä ohjattu tai ohjeistettu.

Ensimmäinen vaihe on interaktiivinen äänivastaus (IVR) tai chat-robotti. Tämä on täysin automaattinen, ja sen tarkoituksena on ymmärtää, miksi asiakas soittaa, ja ohjata heidät asianmukaisesti. Nämä järjestelmät voivat myös yrittää kerätä mahdollisimman paljon tietoa ennen asiakkaan lähettämistä edustajalle maksimoimalla tilaisuuden, jossa edustaja voi nopeasti ratkaista asiakkaan ongelman. Monet modernit robotit voivat myös ratkaista asiakkaan ongelman suoraan ilman edustajan tarvetta – tätä kutsutaan “sisäiseksi”, koska puhelu ei vaadi ihmisen väliintuloa. Tämä voidaan saavuttaa suosittelemalla usein kysyttyjä kysymyksiä tai suorittamalla yksinkertaista tehtävää asiakkaan puolesta.

Sen jälkeen puhelu menee edustajalle. Kun puhelu on edustajalla, tekoälyn päärooli on ohjata ja antaa ehdotuksia edustajalle. Mitä heidän pitäisi seuraavaksi sanoa? Mikä virta heidän pitäisi seurata? Mitkä tietokanta-artikkelit auttavat ratkaisemaan ongelman? Nämä mallit on koulutettu historiallaan tiedolla ja optimoitu jollekin avainsuoritusmittarille, joka voi olla käsittelyaika (kuinka nopeasti ongelma ratkaistiin) tai asiakastyytyväisyyden arvo (oli asiakas tyytyväinen kokemukseen).

Kun puhelu tai chat on päättynyt, tekoäly on edelleen työssä. Useimmissa call-keskuksissa edustaja jättää järjestelmätiedon ja muistiinpanot siitä, mitä tapahtui puhelun aikana. Tämä on analytiikkaa varten, mutta myös mahdollista seuraavaa edustajaa varten, joka ottaa asian haltuun, jos se ei ole ratkaistu. Tekoäly auttaa kaikissa näissä vaiheissa.

Viimeksi, call-keskuksessa on valvojat, jotka auttavat edustajia ja kasvattavat heidän taitojaan. Tekoäly on kriittinen tässä. Call-keskuksessa, jossa on satoja edustajia, jotka käsittelevät tuhansia asiakkaita päivittäin, miten valvojat voivat tunnistaa ongelmat, joissa heidän on väliintulon tarve? Miten he voivat ymmärtää, mitä tapahtui päivän aikana? Miten he voivat löytää parantamisen alueita edustajille kasvattamaan heidän taitojaan?

Miten ASAPP auttaa vähentämään call-keskuksen työntekijöiden vuosittaisia poistumisia?

Suuret yritykset, jotka tarjoavat kuluttajatuotteita ja -palveluita, käyttävät miljoonia ja jopa miljardeja dollareita vuodessa call-keskuksiin, jotka palvelevat heidän asiakkaitaan, ja työvoimakustannukset edustavat 80-90 % kustannuksista. Tämä on suuri ongelma, joka johtaa edustajien vuosittaiseen poistumisprosenttiin, joka on 40 % – ja jopa 100 % tai enemmän joka vuosi.

On karikatyyri, jossa edustajat ovat välinpitämättömiä asiakkaiden ongelmiin ja suorittavat työtään. Pahimmassa tapauksessa heidän on estettävä asiakkaiden pääsyä ongelmanratkaisuun. Tämä on kaukana totuudesta. Edustajat, kuten kaikki ihmiset, saavat tyytyväisyyttä auttaessaan asiakkaita ratkaisemaan ongelmiaan. Miten haluaisit viettää päiväsi, kuuntelemalla voimakkaita “kiitos” -sanoja vai kuuntelemalla raivostuneita asiakkaita? Tuoreessa tutkimuksessamme havaittiin, että 90 % edustajista ilmoitti, että asiakaspalvelupuhelut tekivät heidän päivänsä, ja useimmat sanoivat, että he ovat tyytyväisiä työhönsä. Mutta edustajat haluavat työkalut ja koulutuksen, jotta he voivat tehdä asiakkaiden onnelliseksi. Tyytymättömät asiakkaat johtavat frustraatioon, uupumukseen ja stressiin, mikä on pääasiallinen syy poistumisprosenttiin.

ASAPP ei kuitenkaan aloita siitä. Vaikka dynaaminen reaaliaikainen ohjaus on kriittistä, myös järjestelmällinen koulutus, valmennus ja palaute ovat tärkeitä. Monet edustajat koulutetaan uusille ongelmille tai menettelytavoille “live”-tilanteessa. Kuvittele, että annamme lentäjille lentokoneen käyttöohjeen ja sanomme heille lentää 300 matkustajaa Denveriin? Sen vuoksi keskitymme kehittämään tekoälytyökaluja edustajien harjoitteluun prosesseja ja vaikeiden tilanteiden käsittelyyn ennen kuin he kohtaavat asiakkaita. Kun tämä yhdistetään kohdennettuun palauteeseen (joko valvojan tai automaattisesti), se mahdollistaa edustajalle taitojen kehittämisen vähemmän stressaavassa ympäristössä.

Parannettu tekoäly asiakastyytyväisyyden parantamiseksi dynaamisissa tilanteissa sekä tekoäly perustuvat koulutus – tämä on ASAPP:n tapa panostaa edustajaan lopullisen tavoitteen ollessa vuosittaisen poistumisprosentin vähentäminen.

Mitkä ovat esimerkkejä tuloksista, joita voidaan saavuttaa tekoälyn käytön kautta call-keskuksessa?

Kuten mainittu aiemmin, tekoäly voi olla muodonmuuttava teknologia tuottavuuden lisäämisessä. Yhdysvaltalaisessa lentoyhtiössä, jossa työskentelemme, havaittiin edustajien tuottavuuden kasvun 86 % ja organisaation läpäisyajan (kaikkien asiakaspalvelukanavien yhteinen määrä jaettuna työvoimakustannuksilla) kasvun 127 %. Globaalissa verkkoyhtiössä, joka käyttää ASAPP:n palveluita, asiakastyytyväisyyden arvo (asiakkaan halukkuus suositella yrityksen tuotteita ja palveluita muille) kasvoi 45 %. Yhdysvaltain kolmanneksi suurimmassa kaapeliyhtiössä, joka käyttää ASAPP:n palveluita, kustannukset asiakaspalvelun yhteydenottoa kohden laskivat 52 %. Nämä esimerkit osoittavat, miten tekoäly voi lisätä tuottavuutta, parantaa asiakaspalvelun laatua ja vähentää liiketoimintakustannuksia.

Mikä on sinun henkilökohtainen visiosi tekoälyn tulevaisuudesta työpaikalla?

Tekoäly on jo melko yleinen työpaikalla. Kirjoittaessani tätä, olen apuna tekstinkorjain ja automaattinen tekstiennuste. Minulla on myös roskapostin suodattimet ja viestien luokittelijat. Käytän tekoälyä hyödyntävää hakua löytääkseni tarvittavat tiedot. Tämä kasvaa, ja otan sen käyttöön, kun tekoälyominaisuuksien määrä ja laatu kasvavat.

Hänen tutkimuksensa kääntyi sitten massiivisesti monikieliseen kielen ymmärtämiseen. Aluksi hänen tutkimuksensa keskittyi konekäännöksen parantamiseen, mutta monikielisyyden kasvava merkitys tiedonhaussa ja digitaalisissa avustajissa johti tutkimusta kansainvallistamaan näitä tärkeitä teknologioita. Ryanin tiimi oli ratkaiseva Google Assistantin kehittämisessä globaalina teknologiana. Tänä aikana hän myös johti Universal Dependencies -konsortiota suuren akateemisen yhteistyön kanssa. Tämä on kaikkein suurin monikielinen datakonsortio, joka on suunnattu kieliopillisiin kieliresursseihin. Yli kymmenen vuoden kuluttua kuluttajatuotteiden parissa Ryan vaihtoi uransa suuntaa kohti yritysmaailmaa ja johti useita NLP- ja ML-projekteja Google Cloud -palvelujen parantamiseksi, mukaan lukien ydin-NLP-API, Call Center AI -ratkaisut ja tieteellisen kirjallisuuden tiedon löytäminen. Ryanin tutkimus yritysten NLP- ja ML-kehittämisestä jatkuu ASAPP:ssa.

Onko jotain muuta, mitä haluaisit jakaa ASAPP:sta?

ASAPP:n tutkimusryhmällä on selkeä fokus: edistämme tekoälyä täydentämään ihmistoimintaa ratkaisemaan todellisia ongelmia yrityksille. ASAPP:n tutkijat työskentelevät edistääkseen NLP:n ja ML:n tieteen kehittymistä tavoitteidemme saavuttamiseksi ja soveltamaan näitä edistystasuja tuotteisiimme. He hyödyntävät tuotteidemme tuottamia massiivisia määriä dataa ja kykyämme ottaa tekoälyominaisuuksia käyttöön todellisissa sovelluksissa ja pohtimaan ja ratkaisemaan perustavanlaatuisia tutkimuskysymyksiä uudella tavalla. Tutustu viimeaikaisiin tutkimusjulkaisuihimme osoitteessa https://www.asapp.com/ai-research/.

Kiitos yksityiskohtaisista vastauksista, lukijat, jotka haluavat oppia lisää, kannattaa vierailla ASAPP:ssa.