Nikola Mrksic, ຜູ້ຮ່ວມກໍ່ຕັ້ງ ແລະ CEO ຂອງ PolyAI – ຊຸດສຳພາດ

Nikola Mrksic ແມ່ນຜູ້ຮ່ວມກໍ່ຕັ້ງແລະ CEO ຂອງ PolyAI, ຜູ້ສະຫນອງຊັ້ນນໍາຂອງວິສາຫະກິດສຽງທີ່ກຽມພ້ອມສໍາລັບການບໍລິການລູກຄ້າອັດຕະໂນມັດ.

ໃນເບື້ອງຕົ້ນແມ່ນຫຍັງທີ່ດຶງດູດເຈົ້າໃຫ້ AI?

ຂ້ອຍໄດ້ເຂົ້າຮຽນຄະນິດສາດ ແລະ ວິທະຍາສາດຄອມພິວເຕີຕັ້ງແຕ່ອາຍຸຍັງນ້ອຍ. ໃນ​ລະ​ຫວ່າງ​ການ​ສຶກ​ສາ​ຂອງ​ຂ້າ​ພະ​ເຈົ້າ​ຢູ່ Cambridge, ຂ້າ​ພະ​ເຈົ້າ​ໄດ້​ມີ​ໂອ​ກາດ​ທີ່​ຈະ​ເຮັດ​ວຽກ​ຮ່ວມ​ກັບ​ນັກ​ຄົ້ນ​ຄວ້າ​ການ​ຮຽນ​ຮູ້​ເຄື່ອງ​ຈັກ​ຊັ້ນ​ນໍາ, ລວມ​ທັງ Steve Young ແລະ Zoubin Ghahramani. Steve ໄດ້ຊັກຊວນໃຫ້ຂ້ອຍເຂົ້າຮ່ວມການເລີ່ມຕົ້ນຂອງລາວ, VocalIQ, ເພື່ອເຮັດວຽກໃນການສ້າງລະບົບການສົນທະນາທີ່ເວົ້າ. ຕໍ່ມາ, ຂ້າພະເຈົ້າໄດ້ຈົບການສຶກສາປະລິນຍາເອກກັບ Steve ເຊັ່ນດຽວກັນ, ເຮັດວຽກໃນການສ້າງແບບຈໍາລອງຄວາມເຂົ້າໃຈພາສາທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນທີ່ເຮັດວຽກໃນທົ່ວກໍລະນີການນໍາໃຊ້ແລະພາສາທີ່ແຕກຕ່າງກັນ. AI Conversational ເປັນວຽກທີ່ຍາກ, ຊັບຊ້ອນຫຼາຍ, ມີຄວາມກ້າວໜ້າທາງວິທະຍາສາດ ແລະ ວິສະວະກຳຫຼາຍຢ່າງຍັງຢູ່ຂ້າງໜ້າພວກເຮົາ, ແລະມັນເຮັດໃຫ້ຂ້ອຍຫຍຸ້ງຢູ່ຕະຫຼອດ.

ໃນປີ 2017, ທ່ານໄດ້ເປີດຕົວ PolyAI ເປັນບໍລິສັດ AI ສົນທະນາ, ທ່ານສາມາດສົນທະນາເລື່ອງ genesis ທີ່ຢູ່ເບື້ອງຫຼັງ PolyAI ໄດ້ບໍ?

ຜູ້ຮ່ວມກໍ່ຕັ້ງຂອງຂ້ອຍ, Shawn Wen, Eddy Su ແລະຂ້ອຍໄດ້ປະລິນຍາເອກຂອງພວກເຮົາຢູ່ Cambridge ໃນເວລາດຽວກັນ. ພວກເຮົາໄດ້ເຮັດວຽກກ່ຽວກັບລະບົບການສົນທະນາສໍາລັບປີ, ແຕ່ພວກເຮົາທັນທີທີ່ຮູ້ວ່າປະເພດຂອງລະບົບທີ່ຊັບຊ້ອນທີ່ພວກເຮົາໄດ້ຖືກນໍາໃຊ້ເພື່ອເຮັດວຽກກ່ຽວກັບການມີຄໍາຮ້ອງສະຫມັກການຄ້າຫນ້ອຍຫຼາຍ. ດັ່ງນັ້ນພວກເຮົາໄດ້ມາຮ່ວມກັນເພື່ອສ້າງການແກ້ໄຂ AI ການສົນທະນາທີ່ຈະເປັນປະໂຫຍດໃນໂລກທີ່ແທ້ຈິງ. ພວກເຮົາໄດ້ເຫັນໂອກາດສໍາລັບລະບົບການສົນທະນາແບບຫຼາຍຮູບຫຼາຍແບບ, ການເຮັດທຸລະກໍາຢ່າງແທ້ຈິງທີ່ສາມາດພົວພັນກັບຄົນທີ່ແທ້ຈິງໃນຊີວິດປະຈໍາວັນ.

ພວກເຮົາໄດ້ສຸມໃສ່ການບໍລິການລູກຄ້າຍ້ອນວ່າພວກເຮົາຮູ້ສຶກວ່າຄວາມສາມາດທາງດ້ານເຕັກໂນໂລຢີໃນປະຈຸບັນແລະຄວາມຕ້ອງການຂອງລູກຄ້າແມ່ນກົງກັນດີ.

ເຈົ້າສາມາດປຶກສາຫາລືກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກ ແລະເທັກໂນໂລຍີການປະມວນຜົນພາສາທຳມະຊາດທີ່ນຳໃຊ້ໄດ້ບໍ່?

ນ້ ຳ ຊອດລັບຕົ້ນຕໍຂອງພວກເຮົາແມ່ນຊຸດຂອງຕົວເຂົ້າລະຫັດທີ່ເປັນເຈົ້າຂອງທີ່ແຕກຕ່າງກັນຂອງພວກເຮົາ. ພວກເຮົາໄດ້ຝຶກອົບຮົມໃຫ້ເຂົາເຈົ້າລ່ວງໜ້າກ່ຽວກັບການສົນທະນາແບບທຳມະຊາດຫຼາຍພັນຕື້ເທື່ອ, ດັ່ງນັ້ນເຂົາເຈົ້າສາມາດສະກັດເອົາຄວາມຕັ້ງໃຈໄດ້ເຖິງແມ່ນວ່າໃນເວລາທີ່ຄຳເວົ້າທີ່ປ້ອນເຂົ້າໃຊ້ຄຳສະແລງ ຫຼື idioms ເປັນຕົວຢ່າງ. ນີ້ເປັນສິ່ງສໍາຄັນ incredibly ສໍາລັບການສື່ສານທາງໂທລະສັບ. ລູກຄ້າບໍ່ໄດ້ເວົ້າໃນຄໍາສໍາຄັນ; ພວກເຂົາເຈົ້າບອກເລື່ອງ, ຂັດຂວາງ, ຖາມຄໍາຖາມແລະໂດຍທົ່ວໄປພຽງແຕ່ຕ້ອງການທີ່ຈະຄວບຄຸມການສົນທະນາ.

ບໍ່ດົນມານີ້, ພວກເຮົາໄດ້ປະກາດຕົວແບບ ConVEx ຂອງພວກເຮົາ, ຕົວສະກັດຂໍ້ມູນທີ່ມີປະສິດຕິພາບສູງ, ເຊິ່ງຊ່ວຍໃຫ້ພວກເຮົາສາມາດສະກັດມູນຄ່າຈາກການສົນທະນາໄດ້ຢ່າງຖືກຕ້ອງ.

ຂະບວນການຈັດລຽງລຳດັບ ASR ຂອງພວກເຮົາກ່ຽວຂ້ອງກັບການໃຊ້ແພລະຕະຟອມການຮັບຮູ້ສຽງເວົ້າແບບປັບລະອຽດເພື່ອເຮັດໃຫ້ສຽງລົບກວນທີ່ເກີດຈາກການສຳນຽງທີ່ແຕກຕ່າງ, ເຊັ່ນດຽວກັນກັບການປັບລະອຽດສຳລັບສະພາບການຕ່າງໆ.

ພວກເຮົາຍັງໄດ້ພັດທະນາຫ້ອງສະໝຸດນະໂຍບາຍການສົນທະນາທີ່ແຂງແຮງພໍສົມຄວນກັບກໍລະນີການນຳໃຊ້ທີ່ອອກແບບໄວ້ລ່ວງໜ້າເຊິ່ງລວມມີທຸລະກຳການບໍລິການລູກຄ້າທົ່ວໄປທັງໝົດ, ດັ່ງນັ້ນພວກເຮົາສາມາດໝູນໃຊ້ຜູ້ຊ່ວຍສຽງໃໝ່ໃຫ້ລູກຄ້າໄດ້ໄວທີ່ສຸດ.

ໃນຄວາມຄິດເຫັນຂອງເຈົ້າແມ່ນຫຍັງເຮັດໃຫ້ຜະລິດຕະພັນ AI ສົນທະນາທີ່ດີກັບ AI ການສົນທະນາທີ່ບໍ່ດີ?

ຜະລິດຕະພັນທີ່ດີຈະເຂົ້າໃຈຢ່າງສະໝໍ່າສະເໝີວ່າຜູ້ໃຊ້ໝາຍເຖິງຫຍັງ ແລະຈະບໍ່ເຮັດໃຫ້ຜູ້ໃຊ້ຊໍ້າຄືນອີກ. ການໂທມັກຈະເກີດຂຶ້ນໃນສະພາບແວດລ້ອມທີ່ມີສຽງດັງ, ດັ່ງນັ້ນຜະລິດຕະພັນຕ້ອງມີຄວາມທົນທານຕໍ່ກັບວັດສະດຸປ້ອນທີ່ສັບສົນ. ໃນຂະນະທີ່ຍີ່ຫໍ້ເຂົ້າເຖິງຕະຫຼາດຂະຫນາດໃຫຍ່, ຜະລິດຕະພັນຈໍາເປັນຕ້ອງເຂົ້າໃຈຄວາມຫລາກຫລາຍຂອງສໍານຽງແລະວິທີການຄວາມຕັ້ງໃຈຂອງປະໂຫຍກ. ທັງສອງອັນນີ້ຕ້ອງການໃຫ້ຜະລິດຕະພັນຮັບປະກັນຄວາມສາມາດໃນການຮັບຮູ້ສຽງເວົ້າທີ່ເຂັ້ມແຂງ, ການຈັດປະເພດຄວາມຕັ້ງໃຈທີ່ຢືດຢຸ່ນແລະການສະກັດເອົານິຕິບຸກຄົນ.

ຜະລິດຕະພັນທີ່ຍິ່ງໃຫຍ່ຈະມີສ່ວນຮ່ວມຢ່າງຈິງຈັງສໍາລັບຜູ້ໃຊ້. ມັນຈະປະຕິບັດຕາມການຝຶກອົບຮົມຄວາມຄິດຂອງຜູ້ໃຊ້, ແລະສາມາດຈັດການກັບກໍລະນີທີ່ສັບສົນ, ທຸກໆມື້ທີ່ຜູ້ໃຊ້ອາດຈະແບ່ງປັນຄວາມຕັ້ງໃຈແລະຂໍ້ມູນຫຼາຍອັນພ້ອມໆກັນ, ແລະພວກເຂົາອາດຈະເຕັ້ນໄປຫາລະຫວ່າງສະພາບການທີ່ແຕກຕ່າງກັນ. ນັ້ນຮຽກຮ້ອງໃຫ້ມີການຈັດປະເພດຫຼາຍປ້າຍກຳກັບທີ່ເຂັ້ມແຂງ ແລະການຈັດການບໍລິບົດ.

ຜະລິດຕະພັນທີ່ມີສ່ວນຮ່ວມຈະສະແດງຄຸນລັກສະນະຂອງມະນຸດໂດຍບໍ່ມີຄວາມເປັນຕາຢ້ານ ຫຼືເປັນຫຸ່ນຍົນເກີນໄປ. ນີ້ ໝາຍ ຄວາມວ່າການໂຕ້ຕອບທີ່ ໜ້າ ງຶດງໍ້, ສຽງທີ່ແທ້ຈິງ, ຄຳ ຕິຊົມຢ່າງຕໍ່ເນື່ອງແລະລະດັບຄວາມສຸ່ມແລະຄວາມສົມບູນແບບ.

ສຸດທ້າຍ, ຜະລິດຕະພັນ AI ການສົນທະນາທີ່ດີຈະມີສ່ວນຮ່ວມກັບຜູ້ໃຊ້ທຸກບ່ອນທີ່ພວກເຂົາຢູ່ແລະສະເຫນີປະສົບການສະເພາະເວທີ, ເຊິ່ງອາດຈະແຜ່ລາມໄປທົ່ວເວທີສຽງ, SMS, ການສົນທະນາຫຼືການສົ່ງຂໍ້ຄວາມທາງສັງຄົມ. ຮູບແບບການຕິດຕໍ່ພົວພັນຄວນຮັບເອົາຄວາມສະເພາະຂອງແຕ່ລະແພລະຕະຟອມການສື່ສານ.

ແມ່ນຫຍັງຄືຂໍ້ດີຂອງບໍລິສັດທີ່ໃຊ້ AI ສົນທະນາແທນທີ່ຈະພະຍາຍາມ funnel ສອບຖາມກັບ bots ສົນທະນາ?

ປະສົບການຂອງລູກຄ້າແມ່ນສໍາຄັນແລະໄດ້ກາຍເປັນຕົວຂັບເຄື່ອນທີ່ສໍາຄັນສໍາລັບການຮັກສາໄວ້. ບູລິມະສິດສູງສຸດຄວນຈະເຮັດໃຫ້ມັນງ່າຍສໍາລັບລູກຄ້າທີ່ຈະເຮັດສິ່ງທີ່ເຂົາເຈົ້າຕ້ອງເຮັດ.

ໂທລະສັບຍັງເປັນຊ່ອງທາງທີ່ຕ້ອງການຂອງລູກຄ້າສ່ວນໃຫຍ່ສໍາລັບການຕິດຕໍ່ກັບບໍລິສັດ. ເຖິງ 65% ຂອງການໂຕ້ຕອບລູກຄ້າທັງໝົດຍັງເກີດຂຶ້ນຜ່ານໂທລະສັບ. ໃນລະຫວ່າງການແຜ່ລະບາດຂອງ COVID-19, ສູນການຕິດຕໍ່ໄດ້ຮັບການຊຸກຍູ້ໃຫ້ມີລູກຄ້າຫຼາຍກວ່າທີ່ເຄີຍໂທຫາການຊ່ວຍເຫຼືອ.

ແນ່ນອນ, ປະສົບການທີ່ດີຊ່ວຍໃຫ້ລູກຄ້າສາມາດສື່ສານໄດ້ຕາມທີ່ເຂົາເຈົ້າມັກ, ສະນັ້ນສຳລັບໃຜທີ່ມັກການສື່ສານແບບ asynchronous, ພວກເຮົາເຮັດໃຫ້ມັນງ່າຍດາຍສໍາລັບຍີ່ຫໍ້ທີ່ຈະສະເຫນີປະສົບການໃນລະດັບດຽວກັນໃນທົ່ວຊ່ອງທາງຂໍ້ຄວາມ.

ມີຄວາມທ້າທາຍຫຼາຍປານໃດໃນການກວດສອບຄວາມຕັ້ງໃຈຂອງສິ່ງທີ່ລູກຄ້າພະຍາຍາມເວົ້າ?

ມີຄວາມທ້າທາຍຫຼາຍຢ່າງກັບການເຂົ້າໃຈລູກຄ້າຜ່ານຊ່ອງທາງສຽງ. ການເຂົ້າໃຈຄວາມຫມາຍຂອງຜູ້ໃຊ້ຢ່າງຖືກຕ້ອງແລະສອດຄ່ອງຮຽກຮ້ອງໃຫ້ມີອົງປະກອບຈໍານວນຫລາຍເພື່ອເຮັດວຽກຮ່ວມກັນໄດ້ດີ.

ກ່ອນອື່ນ ໝົດ, ການຮັບຮູ້ສຽງເວົ້າແມ່ນຍາກ, ໂດຍສະເພາະໃນເວລາທີ່ຄົນໂທຫາຈາກສະພາບແວດລ້ອມທີ່ມີສຽງດັງເຊັ່ນເມື່ອພວກເຂົາຢູ່ໃນລໍາໂພງ, ຫຼືໃນເວລາຂັບລົດຜ່ານການຈະລາຈອນຫຼືອຸໂມງ. ການຮັບຮູ້ສຽງເວົ້າອາດເປັນເລື່ອງຍາກໃນພາກພື້ນທີ່ມີສຳນຽງ ແລະພາສາທີ່ແຕກຕ່າງກັນ. ພວກເຮົາໄດ້ພັດທະນາວິທີທີ່ມີປະສິດທິພາບໃນການຈຳແນກສຽງເວົ້າແບບອະຄະຕິສຳລັບບໍລິບົດທີ່ກຳນົດໄວ້ ເພື່ອເພີ່ມປະສິດທິພາບການຮັບຮູ້ສຽງເວົ້າ.

ເນື່ອງຈາກວ່າຕົວແບບ ConveRT ຂອງພວກເຮົາໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນການສົນທະນາຈໍານວນຫຼວງຫຼາຍ, ມັນສາມາດກວດພົບຄວາມຕັ້ງໃຈກ່ຽວກັບສັນຍານທີ່ອ່ອນແອ, ຄືກັນກັບພວກເຮົາທີ່ມະນຸດສາມາດເຂົ້າໃຈໂດຍທົ່ວໄປໃນສິ່ງທີ່ຜູ້ໃດຜູ້ນຶ່ງເວົ້າ, ເຖິງແມ່ນວ່າພວກເຮົາພາດຄໍາຫນຶ່ງຫຼືສອງຄໍາ.

ການພິຈາລະນາອີກຢ່າງຫນຶ່ງແມ່ນຄວາມເຂົ້າໃຈໃນເວລາທີ່ຜູ້ໃຊ້ຕ້ອງການດໍາເນີນການຫຼາຍໆຄັ້ງໃນເວລາດຽວກັນ. ຕົວຢ່າງ, ບາງຄົນອາດຈະເວົ້າວ່າ, “ຂ້ອຍເສຍບັດຂອງຂ້ອຍ. ເຈົ້າສາມາດບອກຂ້ອຍໄດ້ບໍວ່າມັນຖືກໃຊ້ແລະບລັອກມັນບໍ?” ໃນຕົວຢ່າງນີ້, ຮູບແບບຈໍາເປັນຕ້ອງຮັບຮູ້ສອງຄວາມຕັ້ງໃຈແລະປະຕິບັດໃຫ້ເຂົາເຈົ້າໃນຄໍາສັ່ງທີ່ມີຄວາມຫມາຍ.

ຮູບແບບດັ່ງກ່າວຍັງຈໍາເປັນຕ້ອງສາມາດສະກັດແລະເຂົ້າໃຈຫນ່ວຍງານທີ່ຖືກອາສາສະຫມັກໂດຍລູກຄ້າ. ຕົວຢ່າງ, "ເຈົ້າມີໂຕະອາຫານທ່ຽງວັນເສົາສໍາລັບຂ້ອຍ, ເມຍຂອງຂ້ອຍແລະລູກ 2 ຄົນບໍ?" ຄວາມຕັ້ງໃຈລະດັບຫນ້າດິນຢູ່ທີ່ນີ້ແມ່ນການກວດສອບຄວາມພ້ອມສໍາລັບຕາຕະລາງ, ແຕ່ຕົວແບບຈໍາເປັນຕ້ອງເລືອກວັນທີ (ວັນເສົາ) ແລະຈໍານວນຄົນ (4) ແລະຂໍ້ມູນທີ່ເປັນໄປໄດ້ອື່ນໆທີ່ອາດຈະກ່ຽວຂ້ອງ (ບາງທີເດັກນ້ອຍແມ່ນອະນຸຍາດໃຫ້ຢູ່ໃນຮ້ານອາຫານເທົ່ານັ້ນ. ພື້ນທີ່, ແລະບໍ່ສາມາດນັ່ງຢູ່ໃນແຖບ).

ສຸດທ້າຍ, ການສົນທະນາບໍ່ແມ່ນເສັ້ນສະ ເໝີ ໄປ. ລູກຄ້າອາດຈະຂັດຂວາງກັບຄໍາຖາມທີ່ບໍ່ກ່ຽວຂ້ອງກັບການເຕືອນຂອງຜູ້ຊ່ວຍສຽງ, ດັ່ງນັ້ນຜູ້ຊ່ວຍຈໍາເປັນຕ້ອງສາມາດ 'ຟັງອອກ' ສໍາລັບການປ້ອນຂໍ້ມູນປະເພດຫນຶ່ງ, ໃນຂະນະທີ່ເປີດໃຫ້ triggers ທີ່ແຕກຕ່າງກັນເຊັ່ນ FAQs ຫຼືການປ່ຽນແປງຂໍ້ມູນທີ່ຜ່ານມາໂດຍຜູ້ໃຊ້.

ຂະບວນການແລະໄລຍະເວລາທີ່ຕ້ອງການສໍາລັບບໍລິສັດທີ່ຕ້ອງການເປີດການສົນທະນາ AI bot ກັບ PolyAI ແມ່ນຫຍັງ?

ພວກເຮົາຢູ່ທີ່ນີ້ເພື່ອສະໜອງຜູ້ຊ່ວຍສຽງທີ່ມີຜົນກະທົບທາງທຸລະກິດທີ່ເຫັນໄດ້ຊັດເຈນ. ດັ່ງນັ້ນ, ພວກເຮົາເລີ່ມຕົ້ນທຸກໆການມີສ່ວນພົວພັນດ້ວຍການຄົ້ນພົບບ່ອນທີ່ພວກເຮົາຊ່ວຍໃຫ້ລູກຄ້າກໍານົດແລະຊີ້ແຈງຈຸດປະສົງ CX, ຕົວຊີ້ວັດທີ່ສໍາຄັນແລະຂະບວນການສະຫນັບສະຫນູນ. ນີ້ແມ່ນບ່ອນທີ່ພວກເຮົາກໍານົດຂອບເຂດການເດີນທາງທີ່ຜູ້ຊ່ວຍສຽງຈະຕ້ອງນໍາພາລູກຄ້າຜ່ານ. ນີ້, ບວກກັບຕົວແບບ ConveRT ຂອງພວກເຮົາທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ອນ, ຫມາຍຄວາມວ່າພວກເຮົາບໍ່ຕ້ອງການຂໍ້ມູນການສົນທະນາຈໍານວນຫລາຍຈາກລູກຄ້າ.

ຈາກບ່ອນນັ້ນ, ພວກເຮົາສາມາດພັດທະນາຜູ້ຊ່ວຍສຽງທີ່ມີວັດສະດຸປ້ອນໜ້ອຍຫຼາຍທີ່ຕ້ອງການຈາກລູກຄ້າ, ສະນັ້ນມັນບໍ່ເປັນທີ່ຕ້ອງການທັງໝົດໃນທີມ IT ພາຍໃນ.

ອີງຕາມຄວາມຊັບຊ້ອນ, ພວກເຮົາສາມາດເພີ່ມຫຼັກຖານສະແດງມູນຄ່າພາຍໃນ 2 ອາທິດ, ແລະການນໍາໃຊ້ຢ່າງເຕັມທີ່ໃນ 2 ເດືອນ.

ຂອບໃຈສໍາລັບການສໍາພາດທີ່ຍິ່ງໃຫຍ່, ຜູ້ອ່ານທີ່ຕ້ອງການຮຽນຮູ້ເພີ່ມເຕີມຄວນໄປຢ້ຽມຢາມ PolyAI.