डेरेक स्लेगर, अम्पेरिटी के सह-संस्थापक और सह-सीईओ – साक्षात्कार श्रृंखला

डेरेक स्लेगर अम्पेरिटी के सह-संस्थापक और सह-सीईओ हैं, जहां वे कंपनी के उत्पाद और संचालन दोनों में एआई-पहले परिवर्तन का नेतृत्व करते हैं। उन्होंने अम्पेरिटी की स्थापना विपणनकर्ताओं और विश्लेषकों को ग्राहक डेटा प्रदान करने के लिए की जिस पर वे भरोसा कर सकते हैं, और अम्पेरिटी के विश्वसनीय ग्राहक संदर्भ के पीछे पेटेंटेड पहचान समाधान और वास्तविक समय प्रोफ़ाइल आर्किटेक्चर का निर्माण किया। इससे पहले, वह अप्पेचर की संस्थापक टीम में थे और बड़े पैमाने पर वितरित प्रणालियों और सुरक्षा में इंजीनियरिंग नेतृत्व भूमिकाएं रखते थे।

अम्पेरिटी एक एआई-संचालित ग्राहक डेटा क्लाउड है जो उद्यमों को ऑनलाइन और ऑफलाइन स्रोतों से खंडित ग्राहक जानकारी को वास्तविक समय में सटीक ग्राहक प्रोफाइल में एकीकृत करने में मदद करने के लिए डिज़ाइन किया गया है। इसका प्लेटफ़ॉर्म मशीन लर्निंग-आधारित पहचान समाधान, डेटा प्रबंधन, विश्लेषण, पूर्वानुमान मॉडलिंग और सक्रियण उपकरणों को जोड़ती है, जो विपणन और डेटा टीमों को ग्राहक व्यवहार को बेहतर ढंग से समझने, अनुभवों को व्यक्तिगत बनाने, राजस्व प्रभाव को मापने और चैनलों में कार्यों के समन्वय में मदद करती है। 2016 में स्थापित, अम्पेरिटी विश्वभर में 400 से अधिक ब्रांडों को सेवा प्रदान करता है, जिनमें अलास्का एयरलाइंस, वर्जिन एटलांटिक, विंडहम होटल्स एंड रिसॉर्ट्स और डिक्स स्पोर्टिंग गुड्स शामिल हैं।

आपने उन्नत विश्लेषण, ग्राहक अंतर्दृष्टि, उत्पाद प्रबंधन, एमएल/एमएलओपीएस और एआई रणनीति में काम किया है, जो अम्पेरिटी से पहले मूलभूत उत्पादों का निर्माण करने में मदद करता है। ग्राहक डेटा गुणवत्ता और एआई प्रदर्शन के बीच संबंध के बारे में आपके विचार को यह मार्ग कैसे आकार देता है?

मेरे उद्योग में काम वास्तव में एक समस्या पर केंद्रित रहा है: लोगों के बारे में सही तरीके से तर्क करने के लिए एआई को कैसे प्राप्त किया जाए जब लोगों का वर्णन करने वाला डेटा हमेशा अधूरा, असंगत और बदलता रहता है? शुरुआत में, विश्लेषण और उत्पाद भूमिकाओं में, मैंने टीमों को देखा जो ग्राहक डेटा पर बढ़ते जटिल मॉडल बना रहे थे जो मूल रूप से अविश्वसनीय थे: डुप्लिकेट रिकॉर्ड, मिसमैच्ड पहचानकर्ता, स्टेल अट्रिब्यूट्स। मॉडलिंग जटिलता की कोई मात्रा उस समस्या को ठीक नहीं करती; यह केवल समस्या को अधिक प्रभावी ढंग से छुपाती है।

यही प्रवृत्ति हमें अम्पेरिटी बनाने के लिए प्रेरित करती है: पहचान समाधान एआई के ऊपर एक अच्छा होने की परत नहीं है, यह वह आधार है जिस पर सब कुछ बैठता है। जब मैं आज उद्यम एआई को देखता हूं, तो मैं उसी पैटर्न को एक बहुत बड़े पैमाने पर खेलता हुआ देखता हूं। टीमें मॉडल चयन और प्रॉम्प्ट इंजीनियरिंग में संसाधनों को डाल रही हैं जबकि ग्राहक डेटा को दिया जा रहा है जो उन मॉडलों को खिलाता है जैसे कि यह दिया गया है। यह नहीं है। पहचान परत को गलत प्राप्त करें, और हर डाउनस्ट्रीम एआई सिस्टम उस त्रुटि को विरासत में मिलता है और इसे बढ़ाता है।

हम अक्सर उद्यम एआई चर्चाओं को मॉडल चयन के इर्द-गिर्द फ्रेम किया जाता है, लेकिन आप तर्क देते हैं कि विश्वसनीय ग्राहक पहचान डेटा उतना ही महत्वपूर्ण हो रहा है। बातचीत “कौन सा मॉडल सबसे अच्छा है?” से “एआई वास्तव में कौन सा डेटा भरोसा कर सकता है?” में क्यों बदल रही है?

जनरेटिव एआई लहर के पहले कुछ वर्षों के लिए, मॉडल क्षमताएं वास्तव में बोतलनेक थीं, क्योंकि उपकरण बस अभी तक अच्छे नहीं थे। अब, यह बदल गया है। आज के अग्रणी मॉडलremarkably क्षमतावान हैं, और अधिकांश व्यवसायिक उपयोग के मामलों के लिए उनमें अंतर कम हो गया है। जो चीज नहीं पकड़ी है वह डेटा है जो उन मॉडलों को भीतर उद्यम में खिलाता है।

आप सबसे उन्नत मॉडल को एक ग्राहक सेवा एजेंट या व्यक्तिगतकरण इंजन के सामने रख सकते हैं, लेकिन अगर यह तीन डुप्लिकेट प्रोफाइल पर तर्क कर रहा है जो एक ही व्यक्ति के लिए है, एक पुराना ईमेल पता है, और एक खरीद इतिहास जो उस व्यक्ति द्वारा खरीदे जाने वाले आधे चैनलों को याद करता है, तो आउटपुट गलत होने के लिए बाध्य है। बातचीत इसलिए बदल रही है क्योंकि नेता उस अंतर को सीधे महसूस कर रहे हैं। उन्होंने एक महान मॉडल को अपनाया है और अभी भी वह आरओआई नहीं देख रहे हैं जिसकी उन्हें अपेक्षा थी। अगला वास्तविक लाभ मॉडल में से एक बेहतर नहीं होगा। यह डेटा पर नीचे आने वाला है कि क्या एक संगठन अपने एआई सिस्टम को कुछ विश्वसनीय देने में सक्षम है।

असटीक या खंडित ग्राहक पहचान डेटा एआई परिणामों को कैसे कमजोर कर सकता है, भले ही अंतर्निहित मॉडल तकनीकी रूप से मजबूत हो?

कुछ पैटर्न लगातार दिखाई देते हैं। सबसे बुनियादी डुप्लिकेशन है। एक ही ग्राहक पांच या छह अलग-अलग रिकॉर्ड के रूप में मौजूद है जो विभिन्न चैनलों में है, प्रत्येक में उस व्यक्ति का एक आंशिक दृश्य है, इसलिए एक एआई सिस्टम एक जीत-वापसी प्रस्ताव भेज सकता है जो किसी ऐसे व्यक्ति को है जिसकी सदस्यता एक अलग रिकॉर्ड के तहत सक्रिय है। फिर वहाँ स्टेलनेस है। डेटा जो एक साल पहले सटीक था लेकिन ताज़ा नहीं किया गया है, इसलिए एक मॉडल उस व्यक्ति के बारे में अनुकूलन कर रहा है जो वे उपयोग किया जाता था, न कि जो वे अब हैं। वहाँ ओवर-मージ है, जो अधिक सूक्ष्म है: पहचान प्रणाली जो मेल खाने के लिए बहुत आक्रामक हैं और दो अलग-अलग लोगों को एक प्रोफ़ाइल में मिला देती हैं, और अब एक एआई एजेंट आत्मविश्वास से किसी ऐसे व्यक्ति के लिए निर्णय ले रहा है जो वास्तव में मौजूद नहीं है। और फिर वहाँ सादे अंतराल हैं। एक प्रणाली में वफादारी गतिविधि, दूसरे में समर्थन इतिहास, तीसरे में ब्राउज़िंग व्यवहार, और कोई एक प्रणाली पूरी तस्वीर नहीं रखती है। व्यक्तिगत रूप से, प्रत्येक एक डेटा स्वच्छता समस्या की तरह दिखता है। एआई संदर्भ में, वे यौगिक हैं क्योंकि मॉडल नहीं जानता कि यह क्या नहीं जानता है। यह बस एक उत्तर का उत्पादन करता है जो पूरी तरह से विश्वास के साथ है।

उत्पाद खोज के लिए एक नए फ्रंट डोर के रूप में जनरेटिव एआई के साथ, जब उपभोक्ता विकल्पों की तुलना करने, वफादारी का मूल्यांकन करने और एआई प्रणालियों के माध्यम से खरीद निर्णय लेने पर अधिक भरोसा करते हैं, तो ब्रांडों के लिए क्या बदलाव होता है?

आम तौर पर, ब्रांडों ने फ्रंट डोर को नियंत्रित किया। आपने एक वेबसाइट बनाई, खोज के लिए अनुकूलित किया, अपने फ़नल को परिष्कृत किया, और ग्राहकों ने सीधे या परिणामों के माध्यम से पहुंचे जिन्हें आप प्रभावित कर सकते थे। अब, वह फ्रंट डोर एक एआई सहायक के साथ एक बातचीत है जिसे ब्रांड नियंत्रित नहीं कर सकता है और जिसके अंदर पूरी तरह से देख नहीं सकता है।

कोई एआई टूल से पूछता है कि वफादारी कार्यक्रमों की तुलना करें या एक होटल की सिफारिश करें, और ब्रांड का काम अब उस पल में पर्याप्त रूप से पठनीय और विश्वसनीय होना है ताकि एआई द्वारा दिया गया उत्तर हो। यह वास्तव में विपणन के लिए अनुकूलन के लिए क्या है यह एक बदलाव है। इसका मतलब है कि ब्रांड के अपने डेटा और सामग्री की गुणवत्ता, संरचना और सटीकता अधिक मायने रखती है, क्योंकि एआई प्रणाली जो भी संकेत वे पा सकते हैं उसे संश्लेषित कर रही हैं।

अम्पेरिटी के शोध से पता चलता है कि अब उपभोक्ताओं का एक अल्पसंख्यक ही एआई सिफारिशों पर विचार किए बिना सीधे परिचित ब्रांडों पर जाता है। इसका ब्रांड वफादारी, व्यक्तिगतकरण और पारंपरिक ग्राहक यात्रा के लिए क्या अर्थ है?

हमने इस साल की शुरुआत में 1,000 अमेरिकी उपभोक्ताओं का सर्वेक्षण किया, और मुझे एक नंबर खड़ा था: एक चौथाई से कम ने कहा कि वे बिना एआई सिफारिश पर विचार किए एक ब्रांड के पास सीधे जाते हैं, और 60% ने कहा कि एआई ने उन्हें पहले से नहीं सोचा था एक ब्रांड की ओर अग्रसर किया। यह स्थापित ब्रांडों को जो डिफ़ॉल्ट लाभ मिला है उसे कम करता है। वफादारी गायब नहीं हुई है, लेकिन निर्णय से ऊपर का फ़नल बदल गया है। ब्रांडों का मूल्यांकन और शॉर्टलिस्टिंग हो रही है जो वे नियंत्रित नहीं करते हैं, जो उनके बारे में उपलब्ध डेटा के आधार पर है।

पहचान समाधान वर्षों से एक डेटा समस्या के रूप में मौजूद है। एआई एजेंट, कोपायलट और जनरेटिव एआई इंटरफेस उद्यम कार्य प्रवाह का हिस्सा बनते ही यह क्यों अधिक जरूरी हो जाता है?

पहचान समाधान ने हमेशा मेल की दोहरावता को रोकने के लिए मायने रखा है या यह सुनिश्चित करने के लिए कि वफादारी सदस्य को उचित क्रेडिट मिलता है। वे वास्तविक समस्याएं हैं, लेकिन मानव द्वारा पकड़े जाने वाले त्रुटियों के लिए अपेक्षाकृत क्षम्य हैं। एजेंट उस सुरक्षा जाल को हटा देते हैं।

जब एक एआई एजेंट को वास्तव में कार्रवाई करने के लिए अधिकृत किया जाता है, चाहे वह रिफंड जारी करना हो, एक छूट लागू करना, अगली सबसे अच्छी पेशकश की सिफारिश करना हो या एक प्राथमिकता को अपडेट करना हो, तो वह जो पहचान समाधान दिया गया है उस पर कार्य करता है, मशीन की गति से और अक्सर मानव हस्तक्षेप के बिना। पहचान को गलत प्राप्त करें, और एजेंट एक बार नहीं मिसफ़ायर करता है। यह पैमाने पर, मशीन की गति से और किसी को पता चलते से पहले ही मिसफ़ायर करता है। यही बात इसे पहले से अधिक जरूरी बनाती है।

कंपनियों को अपनी व्यापक एआई शासन रणनीति के हिस्से के रूप में ग्राहक पहचान के बारे में कैसे सोचना चाहिए, जिसमें गोपनीयता, सुरक्षा, मॉडल निगरानी और अनुपालन शामिल हैं?

मैं ग्राहक पहचान को उन अन्य स्तंभों के साथ-साथ रखूंगा, न कि उनके नीचे। अधिकांश एआई शासन चर्चाएं मॉडल पर केंद्रित होती हैं: क्या यह पूर्वाग्रह है, सुरक्षित है, अनुपालन है और यह ड्रिफ्ट के लिए निगरानी की जा रही है? वे आवश्यक हैं, लेकिन वे मानते हैं कि मॉडल जो तर्क दे रहा है वह साउंड है। यदि पहचान परत गलत है, तो आप एक पूरी तरह से शासित मॉडल के साथ गलत व्यक्ति के बारे में निर्णय ले सकते हैं, या एक मॉडल जो पक्षपातपूर्ण लगता है जब वास्तविक मुद्दा यह है कि इसका डेटा खंडित था जिसने कुछ ग्राहक खंडों को नुकसान पहुंचाया।

कई संगठन एआई पायलटों में भारी निवेश कर रहे हैं, लेकिन उनका ग्राहक डेटा विपणन, वाणिज्य, समर्थन, वफादारी और ऑफलाइन प्रणालियों में खंडित रहता है। एआई को संचालन निर्णय लेने में स्केल करने से पहले नेताओं को क्या व्यावहारिक कदम उठाने चाहिए?

मैं जो पैटर्न सबसे अधिक बार देखता हूं वह यह है कि एक संगठन कई आशाजनक एआई पायलट चला रहा है – एक चैटबॉट यहां, एक व्यक्तिगतकरण प्रयोग वहां – प्रत्येक को जो डेटा उपलब्ध है उसे जोड़ दिया गया है जो उस टीम के लिए है। यह पर्याप्त रूप से काम करता है ताकि यह वित्त पोषित हो, फिर यह एक दीवार से टकराता है जब कोई इसे वास्तविक संचालन निर्णय में स्केल करने की कोशिश करता है, क्योंकि पायलट का डेटा कभी पूरे ग्राहक को प्रतिबिंबित नहीं करता है।

किसी ब्रांड द्वारा की जाने वाली कार्रवाई के साथ व्यक्तिगतकरण के बीच रेखा खींचने के लिए आप कहां होंगे, जो उपयोगी लगता है और जो आक्रामक लगता है, खासकर जब एआई सिस्टम एकीकृत ग्राहक प्रोफाइल से अधिक Infer कर सकते हैं?

रेखा यह नहीं है कि ब्रांड कितना जानता है, बल्कि यह है कि जो कार्रवाई की जाती है वह क्या अर्जित महसूस होती है और प्रासंगिक है। किसी के वास्तविक खरीद इतिहास के आधार पर एक सिफारिश उपयोगी लगती है। एक सिफारिश जो एक ऐसा अनुमान प्रकट करती है जिसे ग्राहक ने स्पष्ट रूप से साझा नहीं किया है, आक्रामक लगती है, भले ही यह सटीक हो, क्योंकि यह दिखाता है कि कितना साझा किया जा रहा है।

आगे देखते हुए, क्या उद्यमों को एआई से वास्तविक मूल्य प्राप्त करने से अलग करेगा जो प्रयोगशाला मोड में रहते हैं: बेहतर मॉडल, बेहतर डेटा बुनियादी ढांचे, मजबूत शासन, या एक नए ऑपरेटिंग मॉडल?

मॉडल की गुणवत्ता कभी भी एक टिकाऊ अंतर नहीं थी। यह बहुत जल्दी विकसित होता है, और अधिकांश उद्यमों के पास लगभग समान मॉडल तक पहुंच है। शासन मायने रखता है, लेकिन यह एक प्रतिबंध है, न कि मूल्य का स्रोत। दो चीजें जो वास्तव में उद्यमों को आगे बढ़ाती हैं जो एआई से वास्तविक मूल्य प्राप्त कर रहे हैं वे डेटा बुनियादी ढांचे और ऑपरेटिंग मॉडल हैं, जो जुड़े हुए हैं।

डेरेक के साक्षात्कार के लिए धन्यवाद। पाठक अम्पेरिटी के बारे में अधिक जान सकते हैं और डेरेक स्लेगर के नवीनतम अंतर्दृष्टि को उनके Unite.AI लेखक पृष्ठ पर देख सकते हैं।