데릭 슬레이거, Amperity의 공동 창립자 및 공동 CEO – 인터뷰 시리즈

데릭 슬레이거는 Amperity의 공동 창립자 및 공동 CEO로, 회사의 AI 기반 변화를 이끌고 있습니다. 그는 마케터와 분석가가 신뢰할 수 있는 고객 데이터를 제공받을 수 있도록 Amperity를 공동 창립하였으며, 특허받은 身分 解決 및 실시간 프로필 아키텍처를 개발했습니다. 이전에는 Appature의 공동 창립团에 속해 있었으며, 대규모 분산 시스템 및 보안 분야에서 엔지니어링 리더십 역할을 수행했습니다.

Amperity는 기업이 온라인 및 오프라인 소스에서 고객 정보를 통합하여 정확한 실시간 고객 프로필을 제공하는 AI 기반 고객 데이터 클라우드입니다. 플랫폼은 기계 학습 기반 身分 解決, 데이터 관리, 분석, 예측 모델링 및 활성화 도구를 결합하여 마케팅 및 데이터 팀이 고객 행동을 더 잘 이해하고, 경험을 개인화하고, 수익 영향을 측정하며, 채널 간에 조정할 수 있도록 합니다. 2016년에 설립된 Amperity는 Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts, DICK’S Sporting Goods를 포함한 400개 이상의 브랜드를 세계적으로 서비스하고 있습니다.

고객 데이터 품질과 AI 성능 간의 관계에 대해 어떻게 생각하시나요?

저의 업무는 항상 한 가지 문제에 집중해 왔습니다. 즉, 데이터가 불완전하고, 일관성이 없고, 변경되는 경우에 AI가 사람에 대해 올바르게 추론하도록 어떻게 하는가입니다. 초기에 분석 및 제품 역할에서 저는 팀이 고객 데이터에 대한 모델을 구축하는 것을 보았습니다. 그러나 그 데이터는 근본적으로 신뢰할 수 없었습니다. 중복 레코드, 일치하지 않는 식별자, 구식 속성 등이 있었습니다. 모델의 복잡성은 그 문제를 해결하지 못했습니다. 단지 문제를 더 효과적으로 숨겼을 뿐입니다.

그 직관은 우리가 Amperity를 구축하게 된 계기가 되었습니다. 身分 解決은 AI의 필수적인 구성 요소입니다. 그것은 모든 다른 것의 기반이 됩니다. 현재의 기업 AI를 보면, 모델 선택과 프롬프트 엔지니어링에 대한 투자가 많습니다. 그러나 고객 데이터는 신뢰할 수 없게 됩니다. 그것은 다운스트림 AI 시스템에 오류를 유발하고, 그것을 증폭시킵니다.

기업 AI 논의는 모델 선택을 중심으로 진행되지만, 고객 身分 데이터의 중요성이 커지고 있습니다. 왜 vậy일까요?

최근 몇 년 동안, 모델의 능력은 주요 병목 현상이었습니다. 도구가 아직 충분히 좋지 않았습니다. 그러나 지금은 달라졌습니다. 주요 모델은 매우 능숙해졌으며, 대부분의 비즈니스 사용 사례에서 그 차이는 좁혀졌습니다. 그러나 모델에 공급되는 데이터는 아직 따라오지 못했습니다.

고객 서비스 에이전트 또는 개인화 엔진 앞에 가장 先進的な 모델을 배치할 수 있지만, 만약 그것이 동일한 사람에 대한 3개의 중복 프로필, 구식 이메일 주소 및 구매 기록의 절반을 누락한 채로 추론한다면, 출력은 틀릴 수밖에 없습니다. 리더들은 그 간격을 직접 느끼고 있습니다. 그들은 기대했던 ROI를 얻지 못했습니다. 다음 실제 이점은 모델의 개선에서 오지 않을 것입니다. 그것은 조직이 AI 시스템에 신뢰할 수 있는 데이터를 제공할 수 있는지 여부에 달려 있습니다.

부정확하거나 단편적인 고객 身分 데이터가 AI 결과를 어떻게 훼손할 수 있나요?

일관된 패턴이 나타납니다. 가장 기본적인 것은 중복입니다. 동일한 고객이 여러 레코드로 존재하여, AI 시스템이 활성화된 구독을 가진 사람에게 승리 복구를 제안할 수 있습니다. 다음은 구식입니다. 데이터가 1년 전에는 정확했지만, 갱신되지 않았으므로, 모델은 고객이 이전에 누구였는지에 따라 최적화됩니다. 또한 과도한 병합이 있습니다. 身分 시스템이 너무 공격적으로 일치시키려고 하여, 두 명의 다른 사람을 하나의 프로필로 결합하여, AI 에이전트가 실제로 존재하지 않는 사람을 대표하여 확신을 가지고 결정합니다. 마지막으로, 간격이 있습니다. 하나의 시스템에서忠誠도 활동, 다른 시스템에서 지원 기록, 또 다른 시스템에서 브라우징 동작이 있으며, 어느 시스템도 전체 그림을 가지고 있지 않습니다. 개별적으로 이러한 것은 데이터 위생 문제로 보입니다. 그러나 AI 맥락에서 그것은 합성됩니다. 모델은 자신이 모르는 것을 모릅니다. 그것은 그냥 확신을 가지고 답변합니다.

제네러티브 AI가 새로운 프런트 도어로 등장하면서, 브랜드는 어떻게 변해야 합니까?

일반적으로 브랜드는 프런트 도어를 제어했습니다. 웹사이트를 구축하고, 검색을 최적화하고, 펀넬을 정제하고, 고객이 직접 또는 영향을 받은 결과를 통해 방문했습니다. 그러나 이제 프런트 도어는 브랜드가 제어할 수 없고, 완전히 볼 수 없는 AI 도구와의 대화입니다.

누군가가 AI 도구에 忠誠도 프로그램을 비교하거나 호텔을 추천하도록 요청하면, 브랜드의 역할은 그 순간에 충분히 신뢰할 수 있고, 읽을 수 있는 답변을 제공하는 것입니다. 그것은 마케팅이 최적화해야 하는 것을 변경합니다. 브랜드 자신의 데이터와 콘텐츠의 품질, 구조 및 정확성이 중요해집니다. AI 시스템은 찾을 수 있는 모든 신호를 합성하기 때문입니다.

Amperity의 연구에 따르면, 소비자들은 이제 AI 추천을 고려하지 않고 직접 브랜드를 방문하는 경우가 적습니다. 브랜드 忠誠도, 개인화, 전통적인 고객 여정에 어떤 영향을 미칩니까?

우리는今年초에 1,000명의 미국 소비자를 조사했습니다. 한 숫자가 저에게는 두드러졌습니다. 4분의 1 미만이 이미 알고 있는 브랜드로 직접 이동했다고 말했습니다. 60%는 AI가 이미 고려하지 않은 브랜드를紹介했다고 말했습니다. 그것은 기존 브랜드의 기본적인 이점을 침식합니다. 忠誠도는 사라지지 않았지만, 그 위의 펀넬은 변경되었습니다. 브랜드는 제어할 수 없는 시스템에 의해 평가되고, 단축됩니다. 그것은 브랜드에 대한 데이터가 얼마나 उपलब합니까.

고객 身分 解決은 오래된 데이터 문제입니다. 그러나 AI 에이전트, 공동 조종사, 제네러티브 AI 인터페이스가 일상적인 기업 워크플로우의 일부가 되면서, 왜 더 긴급해졌나요?

身分 解決은 항상 중요했습니다. 그러나 그것은 상대적으로 용서할 수 있는 문제였습니다. 인간이 실수를 잡을 수 있었기 때문입니다. 에이전트는 그 안전망을 제거합니다.

AI 에이전트가 실제로 행동을 취할 때, 그것은 身分 解決에 기반하여 행동합니다. 그것은 사람을 대표하여 확신을 가지고 결정합니다. 그것은 사람을 대표하여 확신을 가지고 결정합니다. 그것은 사람을 대표하여 확신을 가지고 결정합니다. 그것은 사람을 대표하여 확신을 가지고 결정합니다. 그것은 사람을 대표하여 확신을 가지고 결정합니다. 그것은 사람을 대표하여 확신을 가지고 결정합니다.

기업은 고객 身分을 어떻게 생각해야 합니까? AI 거버넌스 전략의 일부로, 개인 정보 보호, 보안, 모델 모니터링, 준수와 함께?

고객 身分을 다른 필수적인 기둥과 함께 생각해야 합니다. 모델에 대한 거버넌스 논의는 모델 자체에 집중합니다. 그러나 그것은 입력 데이터가健全하다고 가정합니다. 身分 레이어가 잘못되면, 모델은 완벽하게 거버넌스된 모델일 수 있지만, 잘못된 사람에 대해 결정합니다. 또는 모델은 편향된 것으로 보일 수 있지만, 실제로는 데이터가 단편화되어 특정 고객 세그먼트에 불리했습니다.

기업은 AI를 실험 모드에서 벗어나기 위해 어떤 실제 단계를 취해야 합니까?

패턴을 가장 많이 보는 것은 조직이 여러 유망한 AI 파일럿을 실행하는 것입니다. 각 파일럿은 가까운 데이터에 연결됩니다. 그것은 충분히 잘 작동하여 자금을 받을 수 있지만, 실제 운영 결정으로 확장하려고 할 때 벽에 부딪ヒます. 왜냐하면 파일럿 데이터는 전체 고객을 반영하지 않았기 때문입니다.

첫 번째 실제 단계는誠實한 인벤토리입니다. 고객 真実의 모든 출처를 알고, 그것들이 서로 중복되는지, 어디에서 중복되지 않는지 확인합니다. 두 번째는 파일럿에 더 투자하기 전에 身分 解決에 투자하는 것입니다. 그것은 향후 모든 AI 이니셔티브가 동일한 신뢰할 수 있는 基盤을 재사용할 수 있도록 합니다. 세 번째는 고객 데이터를 위한 몇 개의 크로스 기능적 소유자를 구축하는 것입니다. 그것은 각 팀이 현재 파일럿에 필요한 데이터를 소유하지 않도록 합니다. 조직이 이 순서를 거꾸로 할 경우, AI 파일럿의 포트폴리오가 실제 결정에 신뢰할 수 없게 됩니다.

개인화를 유용하게 느끼는 선과 침입적으로 느끼는 선을 어떻게 그으시나요?

그 선은 브랜드가 얼마나 많이 알고 있는지와는 별개입니다. 그것은 브랜드가 그 知識을 어떻게 사용하는지와 관련이 있습니다. 실제 구매 기록에 기반한 추천은 유용하게 느껴집니다. 그러나 암시적으로 공유되지 않은 정보를 기반으로 하는 추천은 정확하더라도 침입적으로 느껴집니다. 왜냐하면 그것은 얼마나 많이 공유되고 있는지 노출하기 때문입니다.

우리의 보고서는 대부분의 소비자가 데이터 사용을 신뢰할 때 개인화를 더 많이 참여한다고 말했습니다. 또한 개인화가 침입적으로 느껴지면 브랜드를 선택하지 않을 가능성이 더 높다고 말했습니다. 저의 규칙은 단순합니다. 팀이 AI 기반 추론을 구축할 때, 시스템이 왜 그것을 알고 있는지 설명할 수 없다면, 아직 행동하지 마십시오. 개인화는 인식되는 것처럼 느껴져야 하며, 감시되는 것처럼 느껴져서는 안 됩니다.

앞으로, 기업은 실제 가치를 얻기 위해 무엇을 해야 합니까? 더好的 모델, 더好的 데이터 인프라, 더 강한 거버넌스, 또는 새로운 운영 모델?

모델 품질은 지속 가능한 차별점이 아닙니다. 그것은 너무 빠르게 발전합니다. 대부분의 기업은 거의 같은 모델에 접근할 수 있습니다. 거버넌스는 중요하지만, 가치의 원천은 아닙니다. 실제 가치를 얻는 기업은 두 가지를 가지고 있습니다. 데이터 인프라와 운영 모델입니다. 그것은 연결되어 있습니다.

실제 가치를 얻는 기업은 이미 고객에 대한 단일하고 신뢰할 수 있는 뷰를 가지고 있습니다. 따라서 새로운 AI 기능을 그 基盤에 연결할 수 있습니다. 그러나 그것은 운영 모델도 변경해야 합니다. AI 이니셔티브가 팀별로 소유되어 각 그룹이 고객에 대한 버전을 정의하는 경우, 동일한 데이터 품질 문제가 계속 발생합니다. 실험 모드에서 벗어나는 조직은 고객 데이터를 공유 인프라로 취급하고, AI 운영 모델을 그 가정에 기반으로 구축하는 것입니다. 감사합니다.

데릭에게 감사드립니다. 독자들은 Amperity에 대해 더 많은 정보를 얻고, 데릭 슬레이거의 최신 정보를 Unite.AI 저자 페이지에서 확인할 수 있습니다.