Ryan McDonald, Chef des scientifiques chez ASAPP – Série d’entretiens

Ryan McDonald est le chef des scientifiques chez ASAPP. Il est responsable de définir la direction des groupes de recherche et de science des données afin de réaliser la vision d’ASAPP, qui est d’augmenter l’activité humaine de manière positive grâce au progrès de l’IA. Le groupe se concentre actuellement sur l’avancement du domaine du dialogue orienté vers les tâches dans des situations réelles, telles que les soins aux clients. Dans de tels environnements dynamiques, il y a de nombreuses parties interactives : la conversation entre le client et l’agent ; l’environnement et les outils que l’agent utilise ; différentes mesures de réussite ; un large éventail de besoins et de situations des clients. Optimiser cet environnement pour conduire à des résultats de qualité pour les clients, les agents et les entreprises nécessite des investissements de recherche importants dans la récupération, la génération de langage, l’optimisation contrainte, l’apprentissage et, de manière critique, l’évaluation.

Ryan travaille sur la compréhension du langage et l’apprentissage automatique depuis plus de 20 ans. Ses travaux de doctorat à l’Université de Pennsylvanie se sont concentrés sur de nouvelles méthodes d’apprentissage automatique pour la prédiction structurée en TAL, notamment l’extraction d’informations et l’analyse syntaxique. À Penn, ses recherches ont été instrumentales dans le développement des domaines de l’analyse de dépendance et de l’adaptation de domaine dans la communauté TAL. Après son doctorat, Ryan a rejoint le groupe de recherche de Google (GOOGL ). Là, il a étudié l’analyse des sentiments et les modèles de résumé pour les avis des consommateurs, ce qui a abouti à l’un des premiers systèmes de résumé à grande échelle pour les consommateurs, utilisé par des millions d’utilisateurs chaque jour.

Les recherches de Ryan se sont ensuite tournées vers la compréhension du langage massivement multilingue. Au début, ses recherches se sont concentrées sur l’amélioration de la traduction automatique, mais l’importance croissante de la multilinguité dans la recherche d’informations et les assistants numériques a conduit ses recherches vers l’internationalisation de ces technologies importantes. L’équipe de Ryan a joué un rôle instrumental dans le développement de l’assistant Google en tant que technologie mondiale. Pendant cette période, il a également lancé le consortium Universal Dependencies avec un grand nombre de collaborateurs universitaires. Il s’agit de loin du plus grand consortium de données multilingues axé sur les ressources linguistiques syntaxiques. Après plus d’une décennie passée à travailler sur des produits grand public, Ryan s’est tourné vers l’entreprise et a dirigé de nombreux projets NLP et ML pour améliorer les services Cloud de Google, notamment l’API NLP de base, les solutions pour le centre d’appels AI et la découverte de connaissances à partir de la littérature scientifique. Les recherches de Ryan sur l’entreprise NLP et ML se poursuivent chez ASAPP.

Ryan a publié plus de 100 articles de recherche dans des revues et des conférences de premier plan, qui ont été cités des milliers de fois. Il a remporté des prix de meilleur article dans des conférences internationales de premier plan (EMNLP, NAACL) pour ses travaux sur l’analyse syntaxique multilingue. Son livre « Dependency Parsing » a servi de l’une des principales ressources pédagogiques en analyse syntaxique pendant plus d’une décennie. En plus de servir de président de section dans presque toutes les conférences et les revues NLP et ML de premier plan, il a été éditeur pour les deux meilleures revues du domaine – Transactions of the Association for Computational Linguistics et Computational Linguistics. Il a conseillé de nombreux étudiants en doctorat et stagiaires et a donné des conférences invitées dans des conférences, des ateliers et des universités de premier plan du monde entier.

Qu’est-ce qui vous a initialement intéressé dans l’apprentissage automatique et, plus spécifiquement, dans le traitement automatique des langues ?

Je suis titulaire d’un diplôme en informatique et en philosophie. J’étais particulièrement intéressé par la philosophie de l’IA ainsi que par les aspects plus pratiques de son fonctionnement. J’ai eu la chance de participer à un projet de recherche avec Gerald Penn à l’Université de Toronto, qui se concentrait sur la synthèse de nouvelles pour les téléphones mobiles. C’était il y a plus de 20 ans et utilisait des méthodes très primitives par rapport aux standards d’aujourd’hui. Gerald était un excellent mentor et m’a intéressé aux modèles formels pour la structure du langage (syntaxe et sémantique). J’étais fasciné par la complexité du langage et les cadres mathématiques pour expliquer les phénomènes que les humains analysent naturellement chaque jour. À cette époque, les moteurs de recherche étaient omniprésents, et je pouvais voir l’énorme potentiel de l’APP et de l’IA pour l’avenir.

Vous avez publié plus de 100 articles de recherche dans des revues et des conférences de premier plan, qui ont été cités des milliers de fois. Quel est, à votre avis, l’article de recherche le plus influent parmi ceux-ci ?

C’est toujours une question difficile à répondre. Et au fil du temps, je pense que ma réponse change. Si vous me demandiez il y a quelques années, je dirais que c’est le travail que j’ai fait sur l’utilisation de algorithmes de graphes pour l’analyse de dépendance. Cet article, ainsi que les travaux de Joakim Nivre, ont déclenché plus d’une décennie de recherche rapide sur l’analyse de dépendance syntaxique, ce qui a eu un grand impact sur l’adoption de l’APP dans les entreprises de technologie, y compris un énorme travail que mes collègues et moi avons effectué chez Google pour la recherche, la traduction, l’assistant, etc.

Cependant, avec l’adoption rapide des réseaux de neurones, l’utilisation de représentations syntaxiques discrètes du langage a régressé. Je dirais maintenant que c’est un travail fondateur que j’ai effectué avec John Blitzer et Fernando Pereira sur l’adaptation de domaine. Les méthodes que nous avons utilisées dans cet article ne sont pas super pertinentes aujourd’hui, cependant, je pense que cet article (ainsi que les travaux contemporains de Hal Daume) a solidifié la formulation du problème et son importance pour le domaine. Maintenant que je travaille exclusivement dans l’entreprise, je suis très conscient des problèmes que nous avons soulevés à l’époque et que nous avons encore beaucoup plus à résoudre.

Vous avez passé la majeure partie de votre carrière chez Google en aidant à construire des technologies NLP et ML de pointe et en les poussant vers la production. Quelles sont quelques-unes de vos principales conclusions tirées de cette expérience ?

Ma principale conclusion serait que, lors de la construction de modèles NLP et ML, vous ne pouvez jamais prédire quand les choses vont mal tourner. Il faut être obsédé par les données, l’analyse d’erreurs, les métriques, etc. à tous les points du processus. Essayer de deviner les points de douleur est souvent futile et il est généralement plus efficace de construire des modèles de bout en bout aussi rapidement que possible et d’adapter.

En tant que chercheurs NLP/ML, nous nous concentrons sur les points où le modèle pourrait se briser et sur les hypothèses de modélisation qui ne tiendront pas lorsque les choses se gâtent. Mais souvent, c’est le traitement des données ou l’expérience utilisateur qui est la clé pour créer des produits NLP/ML réussis. Seulement lorsque ceux-ci sont solides, pouvons-nous vraiment itérer sur la qualité pour en extraire toute la valeur des modèles.

Au début de 2021, vous avez rejoint ASAPP en tant que chef des scientifiques, une entreprise qui propose des outils d’IA pour autonomiser les agents de service client. Qu’est-ce qui vous a attiré dans ce poste ?

Pour une réponse plus complète, lisez mon article de blog sur ce sujet. Mais pour le synthétiser, les principales raisons sont :

• Les problèmes sont difficiles. Les agents qui s’engagent dans des interactions de service client difficiles doivent apporter beaucoup d’informations et d’expérience pour résoudre les problèmes des clients. Construire des modèles qui ajoutent de la valeur par rapport à une grande quantité de connaissances de domaine est difficile, en particulier lorsque les signaux sont faibles. Par exemple, le score de satisfaction client était-il faible parce que l’agent a fait quelque chose de mal, ou était-ce simplement que le client était généralement mécontent ?
• Les entreprises et les agents qui travaillent dans cet espace sont super excités à l’idée d’une IA qui les aidera à améliorer l’expérience client. Ils ne luttent pas contre les progrès, mais les voient comme des outils critiques pour résoudre des problèmes réels qu’ils ont. Avoir ce type de partenaire engagé est incroyable.
• Enfin, contrairement aux technologies grand public, l’ensemble de domaines et de problèmes dans un environnement d’entreprise est si hétérogène que l’adaptation (voir ma réponse à la question 2) est le problème qui doit être résolu. Nous ne pouvons pas simplement construire des services pour une seule entreprise ou un seul secteur, mais pour tous. C’est un excellent test de stress pour l’état actuel de l’IA.
• ASAPP se concentre exclusivement sur ce problème.

Pouvez-vous discuter de la vision d’ASAPP pour augmenter l’activité humaine de manière positive grâce au progrès de l’IA ?

Notre hypothèse centrale chez ASAPP est que l’IA ne devrait pas remplacer les humains, mais les augmenter de manière positive et productive. Cette vision est large et nous avons l’ambition de l’appliquer à toutes les activités humaines pertinentes. Cependant, comme il s’agit d’un mandat large, le premier domaine sur lequel nous avons choisi de nous concentrer est le domaine de l’expérience client.

Le domaine de l’expérience client incarne tous les défis et les récompenses qui viennent avec l’augmentation de l’activité humaine. Les agents sont engagés dans des tâches de résolution de problèmes complexes qui leur demandent de suivre des flux de travail, de récupérer des informations pertinentes à partir des bases de connaissances client et de s’adapter à des situations nuancées dans lesquelles un client peut se trouver. Cela donne lieu à un énorme nombre d’opportunités pour l’IA d’améliorer ce processus. Cependant, nous pensons qu’il est important de le faire de manière positive, en veillant à ce que :

• L’augmentation se produise à des moments naturels et fluides au cours du travail de l’agent. C’est critique. Si l’IA interfère ou intervient à des moments incongrus ou avec une latence élevée, cela aura en fait un effet négatif sur l’expérience de l’agent, car il devra consciemment ignorer l’IA.
• Plus critique encore, nous voulons que l’IA atteigne des résultats positifs pour tous les humains impliqués. Dans ce cas, il s’agit du client, de l’agent et de l’organisation. Les clients veulent que leurs problèmes soient résolus de manière efficace et efficiente. Les agents veulent le faire pour les clients. De plus, les agents font un travail difficile, souvent en traitant avec des clients insatisfaits. L’IA devrait les aider à équilibrer le travail et la charge cognitive afin de diminuer la fatigue et le burn-out et d’augmenter la satisfaction professionnelle. Après tout, les agents des centres d’appels ont l’un des taux de turnover les plus élevés (jusqu’à 100 % par an dans certains centres d’appels) de tout emploi en Amérique. Enfin, nous voulons des résultats d’entreprise positifs pour l’entreprise qui exploite le centre d’appels. Cela peut être la satisfaction client, le débit des problèmes qui peuvent être traités en une journée ou même le montant des ventes.

Pour les centres d’appels, nous pensons souvent que les résultats positifs entre le client, l’agent et l’entreprise sont en conflit les uns avec les autres. Mais une bonne IA aidera à optimiser les trois.

Pouvez-vous discuter de l’anatomie actuelle de l’IA dans un centre d’appels ?

Aujourd’hui, presque chaque étape de votre interaction avec un centre d’appels est motivée ou informée par une forme d’IA.

La première étape est une réponse vocale interactive (IVR) ou un chatbot. C’est entièrement automatique et son objectif principal est de comprendre pourquoi un client appelle et de le router en conséquence. Ces systèmes peuvent également essayer de recueillir autant d’informations que possible avant d’envoyer le client à un agent pour maximiser les chances que l’agent puisse résoudre rapidement le problème. De nombreux bots modernes peuvent également résoudre directement le problème de l’utilisateur sans nécessiter d’agent – appelé « containment » puisque l’appel n’a pas besoin d’intervention humaine. Cela peut être réalisé en recommandant des FAQs ou en exécutant simplement une tâche simple pour le client.

Après cela, l’appel est acheminé vers l’agent. Une fois que l’agent est en ligne, le rôle principal de l’IA est de guider et de faire des suggestions à l’agent. Que devraient-ils dire ensuite ? Quel flux devraient-ils suivre ? Quels articles de base de connaissances aideront à résoudre le problème ? Ces modèles sont généralement formés à partir de données historiques et optimisés pour un certain indicateur de performance clé, qui peut être le temps de traitement (à quelle vitesse le problème a été résolu) ou le score de satisfaction client (le client était-il satisfait de l’expérience ?).

Une fois que l’appel ou le chat est terminé, l’IA est toujours à l’œuvre. Dans la plupart des centres d’appels, l’agent laissera des informations structurées et des notes sur ce qui s’est passé pendant l’appel. C’est à des fins d’analyse, mais également pour tout agent qui reprendra le problème si celui-ci n’a pas été résolu. L’IA aide à toutes ces étapes.

Enfin, dans un centre d’appels, il y a des superviseurs qui sont là pour aider les agents et développer leurs compétences. L’IA peut être cruciale ici. Dans un centre d’appels avec des centaines d’agents traitant des milliers d’appels par jour, comment les superviseurs peuvent-ils identifier les problèmes qui nécessitent leur intervention ? Comment peuvent-ils comprendre ce qui s’est passé pendant la journée ? Comment peuvent-ils trouver des domaines d’amélioration pour les agents afin de développer leurs compétences ?

Comment ASAPP aide-t-il à réduire le turnover des employés des centres d’appels ?

Les grandes entreprises qui offrent des biens et des services de consommation dépensent des millions, voire des milliards de dollars chaque année en centres de contact qui servent leurs clients, avec le coût de la main-d’œuvre représentant 80-90 % des coûts totaux. C’est un gros problème qui pousse le turnover des agents à 40 % – et parfois 100 % ou plus – chaque année.

Il y a souvent une caricature selon laquelle les agents sont indifférents à vos problèmes et passent leur temps à suivre les procédures. Dans le pire des cas, ils peuvent même entraver votre capacité à résoudre un problème. Rien ne peut être plus éloigné de la vérité. Les agents, comme tous les gens, tirent satisfaction de l’aide qu’ils apportent aux clients pour résoudre leurs problèmes. Comment aimeriez-vous passer votre journée, à entendre des « merci » robustes ou à écouter des clients qui crient ? Dans une étude récente que nous avons menée, nous avons constaté que 90 % des agents ont déclaré que les appels avec les clients rendaient leur journée, et la majorité a déclaré être satisfaite de leur travail. Mais les agents veulent les outils et la formation nécessaires pour rendre les clients heureux. Les clients insatisfaits conduisent à des agents frustrés, fatigués et stressés. C’est le principal moteur du turnover.

Les outils d’IA pour augmenter les agents pendant un appel (comme décrit précédemment) aident déjà. Si l’agent a les outils et les conseils pour résoudre efficacement et rapidement le problème d’un client, alors les chances que le client soit satisfait ne peuvent qu’augmenter, ce qui à son tour devrait conduire à une plus grande satisfaction professionnelle.

Cependant, ASAPP ne commence pas là. Alors que les conseils dynamiques en temps réel sont critiques, une formation, un coaching et une rétroaction plus structurés sont également importants. De nombreux agents se forment sur de nouveaux problèmes ou procédures « en direct ». C’est-à-dire qu’ils reçoivent une description de la procédure, mais ne la voient en pratique que lorsqu’ils prennent un appel avec un client réel. Imaginez que nous donnions aux pilotes le manuel de l’avion et leur disions de voler 300 passagers à Denver ? À cause de cela, nous nous concentrons sur l’utilisation de l’IA pour aider à construire des outils pour que les agents pratiquent les procédures et gèrent des situations difficiles avant de traiter des clients réels. Lorsque cela est couplé avec une rétroaction ciblée (soit par un superviseur, soit automatiquement), cela permettra à l’agent de développer ses compétences dans un environnement moins stressant.

Une meilleure IA pour améliorer la satisfaction client dans des situations dynamiques, ainsi que l’IA pour une formation ancrée – c’est ainsi qu’ASAPP se concentre sur l’agent avec l’objectif ultime de réduire le turnover.

Quels sont quelques exemples des résultats qui peuvent être obtenus en incorporant l’IA dans un centre d’appels ?

Comme partagé ci-dessus, l’IA peut être une technologie de transformation pour améliorer la productivité. Pour une compagnie aérienne américaine avec laquelle nous travaillons, nous avons constaté que la productivité de l’agent a augmenté de 86 % et que le débit organisationnel (le nombre total d’interactions à travers tous les canaux de service client divisé par la main-d’œuvre dépensée pour satisfaire ces besoins) a augmenté de 127 %. Pour un opérateur de réseau mondial utilisant les services d’ASAPP, les scores de promoteur net (la volonté des clients de recommander les produits ou services d’une entreprise à d’autres) ont augmenté de 45 %. Pour l’un des trois premiers câblo-opérateurs utilisant les services d’ASAPP, le coût par interaction a diminué de 52 %. Ces exemples montrent comment l’IA peut augmenter la productivité, améliorer la qualité du service client et réduire les coûts d’entreprise.

Quelle est votre vision personnelle pour l’avenir de l’IA dans le lieu de travail ?

L’IA est déjà très présente sur le lieu de travail. Alors que j’écris cela, les vérificateurs d’orthographe et de grammaire ainsi que la fonction d’autocomplétion du texte m’aident. J’ai des filtres de spam et des classificateurs de messages sur mes outils de messagerie/e-mail. J’utilise la recherche alimentée par l’IA pour trouver les informations pertinentes dont j’ai besoin pour exécuter. Cela va s’accroître à mesure que mon adoption et le nombre de fonctionnalités alimentées par l’IA augmentent.

Cependant, je qualifierais ce type d’IA d’« augmentation atomique ». Il m’aide certainement, mais à des moments très précis qui permettent des prédictions de haute précision. Je ne peux certainement pas demander à une IA de répondre à ces questions, par exemple 🙂

Plus sérieusement, ma vision est de voir l’adoption de l’IA de bout en bout dans le lieu de travail. Je ne veux pas dire de bout en bout au sens de la modélisation d’apprentissage automatique. Ce que je veux dire, c’est que l’IA alimentera de manière holistique des tâches complexes et grandes, optimisées pour l’objectif global et non seulement pour des points atomiques pendant le processus. ASAPP apporte déjà cela dans les centres d’appels. Par exemple, nous optimisons ce que l’agent dira ensuite en fonction d’un ensemble holistique de facteurs sur la conversation et sur l’objectif ultime. Mais au-delà de cela, imaginez un scientifique qui tente d’écrire une revue systématique d’un sujet important, un ingénieur logiciel qui construit une plate-forme ou intègre des systèmes complexes, un avocat qui rédige un mémoire juridique, etc. À l’avenir, chaque l’un de ces professionnels s’appuiera sur l’IA pour accroître rapidement son efficacité dans ces tâches et optimiser les résultats souhaités, les libérant ainsi pour des défis plus critiques.

Y a-t-il autre chose que vous aimeriez partager sur ASAPP ?

Notre équipe de recherche chez ASAPP a une concentration claire : nous avançons dans l’IA pour augmenter l’activité humaine et résoudre des problèmes du monde réel pour les entreprises. Les chercheurs chez ASAPP travaillent pour avancer fondamentalement la science du NLP et de l’APP vers notre objectif de déployer des solutions d’IA spécifiques au domaine dans des applications réelles, et pour appliquer ces avancées à nos produits. Ils exploitent les énormes quantités de données générées par nos produits et notre capacité à déployer des fonctionnalités d’IA dans une utilisation réelle pour poser et résoudre des questions de recherche fondamentales de nouvelles manières.

Découvrez nos articles de recherche récents à https://www.asapp.com/ai-research/.

Merci pour les réponses détaillées, les lecteurs qui souhaitent en savoir plus peuvent visiter ASAPP.