Nikola Mrksic, medeoprichter en CEO van PolyAI – Interviewreeks

Nikola Mrksic is medeoprichter en CEO van PolyAI, een toonaangevende leverancier van enterprise-ready voice assistants voor geautomatiseerde klantenservice.

Wat trok je aanvankelijk aan bij AI?

Ik ben al van jongs af aan geïnteresseerd in wiskunde en informatica. Tijdens mijn studie aan de Universiteit van Cambridge kreeg ik de kans om te werken met verschillende toonaangevende machine learning-onderzoekers, waaronder Steve Young en Zoubin Ghahramani. Steve overtuigde me om me aan te sluiten bij zijn startup, VocalIQ, om te werken aan het ontwikkelen van gesproken dialoogsystemen. Later deed ik een PhD met Steve, waarin ik werkte aan het ontwikkelen van data-gedreven taalbegripsmodellen die werken in verschillende use cases en talen. Conversational AI is een echt moeilijk en complex veld, met veel wetenschappelijke en technische doorbraken die nog moeten komen, en het houdt me al sindsdien bezig.

In 2017 lanceerde je PolyAI, een conversational AI-bedrijf. Kun je het verhaal achter de oprichting van PolyAI vertellen?

Mijn medeoprichters, Shawn Wen, Eddy Su en ik deden onze PhD’s aan de Universiteit van Cambridge tegelijkertijd. We hadden jarenlang gewerkt aan dialoogsystemen, maar we realiseerden ons al snel dat de soort geavanceerde systemen waar we aan werkten weinig commerciële toepassingen hadden. Dus kwamen we samen om een conversational AI-oplossing te creëren die in de echte wereld zou werken. We zagen een kans voor echt conversational, multi-turn, transactiedialoogsystemen die met echte mensen in het dagelijks leven konden communiceren.

We richtten ons op klantenservice, omdat we voelden dat de huidige technologische mogelijkheden en de behoeften van klanten goed overeenkwamen.

Kun je enkele van de machine learning- en natuurlijke taalverwerkingstechnologieën beschrijven die worden gebruikt?

Ons hoofdgeheim is onze set van verschillende propriëtaire encodermodellen. We hebben deze getraind op miljarden natuurlijke conversaties, zodat ze intentie kunnen extraheren, zelfs als de invoerspraak slang of idiomen gebruikt. Dit is enorm belangrijk voor communicatie over de telefoon. Klanten praten niet in trefwoorden; ze vertellen verhalen, onderbreken, stellen vragen en willen gewoon de controle over het gesprek hebben.

We hebben onlangs onze ConVEx-model aangekondigd, een extreem data-efficiënte entity-extractor, waarmee we waarden uit conversaties kunnen extraheren.

Ons ASR-orchestratieproces omvat het gebruik van fine-tuning van spraakherkenningplatforms om de ruis te neutraliseren die wordt veroorzaakt door verschillende accenten, evenals fine-tuning voor verschillende contexten.

We hebben ook een vrij robuuste dialoogbeleidsbibliotheek ontwikkeld met vooraf ontworpen use cases die alle gemeenschappelijke klantenservicetransacties omvatten, zodat we een nieuwe voice assistant voor klanten extreem snel kunnen opzetten.

Wat onderscheidt een goed conversational AI-product van een slecht?

Een goed product zal consistent begrijpen wat gebruikers bedoelen en zal gebruikers nooit vragen om zichzelf te herhalen. Gesprekken vinden vaak plaats in lawaaierige omgevingen, dus producten moeten bestand zijn tegen rommelige invoer. Aangezien merken grote markten benaderen, moeten producten een verscheidenheid aan accenten en manieren van intentie-uitdrukking begrijpen. Beide vereisen dat producten robuuste spraakherkenning, intentieclassificatie en entity-extractie garanderen.

Een geweldig product zal actief engagerend zijn voor gebruikers. Het zal de trein van gedachten van de gebruiker volgen en in staat zijn om complexe, alledaagse gevallen te behandelen waarin gebruikers meerdere intenties en stukken informatie tegelijkertijd delen, en ze kunnen tussen verschillende contexten springen. Dat vereist robuuste multi-labelclassificatie en contextbeheer.

Een engagerend product zal menselijke kenmerken vertonen zonder onnatuurlijk of te robotachtig te zijn. Dit betekent snelle interacties, echte stemmen, continue feedbacksignalen en een mate van randomiteit en imperfecties.

Tenslotte zal een geweldig conversational AI-product gebruikers waar dan ook engageren en een naadloze, platformspecifieke ervaring bieden, die zich kan uitstrekken over spraak, SMS, chat of sociale messaging-platforms. Het interactieparadigma moet de specificiteit van elk communicatieplatform omarmen.

Wat zijn enkele van de voordelen van het gebruik van conversational AI door bedrijven in plaats van het proberen om vragen naar chatbots te leiden?

Klantervaring is kritiek en is een belangrijke drijfveer voor retentie geworden. De topprioriteit moet zijn om het voor klanten gemakkelijk te maken om te doen wat ze nodig hebben.

De telefoon is nog steeds het meest gebruikte kanaal voor klanten om contact op te nemen met een bedrijf. Tot 65% van alle klantinteracties vindt nog steeds plaats via de telefoon. Tijdens de COVID-19-pandemie zijn contactcenters tot het uiterste gedreven met meer klanten dan ooit die om ondersteuning bellen.

Natuurlijk moet een geweldige ervaring klanten in staat stellen om te communiceren zoals ze dat willen, dus voor iedereen die de voorkeur geeft aan asynchrone communicatie, maken we het voor merken gemakkelijk om hetzelfde niveau van ervaring te bieden via tekstuele kanalen.

Hoe groot is de uitdaging om de intentie van wat een klant probeert te zeggen te detecteren?

Er zijn verschillende uitdagingen bij het begrijpen van klanten via spraakkanaal. Het nauwkeurig en consistent begrijpen van de bedoeling van gebruikers vereist dat verschillende componenten goed samenwerken.

Ten eerste is spraakherkenning moeilijk, vooral wanneer mensen bellen vanuit lawaaierige omgevingen, zoals wanneer ze via de luidspreker bellen, of wanneer ze door het verkeer of tunnels rijden. Spraakherkenning kan ook moeilijk zijn in regio’s met verschillende accenten en dialecten. We hebben een effectieve manier ontwikkeld om spraakherkenningmodellen te biasen voor de gegeven context om spraakherkenning te optimaliseren.

Omdat ons ConveRT-model is getraind op zo’n enorme hoeveelheid conversatiegegevens, kan het intentie detecteren op zwakke signalen, net zoals wij mensen meestal kunnen begrijpen wat iemand zegt, zelfs als we een woord of twee missen.

Een andere overweging is het begrijpen wanneer gebruikers meerdere acties tegelijkertijd willen uitvoeren. Bijvoorbeeld, iemand kan zeggen: “Ik ben mijn kaart kwijt. Kun je me laten weten of het is gebruikt en het blokkeren?”. In dit geval moet het model twee intenties herkennen en daarop handelen in een volgorde die zin heeft.

Het model moet ook in staat zijn om entiteiten te extraheren en te begrijpen die door klanten worden aangeboden. Bijvoorbeeld, “hebt u een tafel beschikbaar voor zaterdag lunch voor mij, mijn vrouw en onze 2 kinderen?”. Het oppervlakkige doel hier is om beschikbaarheid te controleren voor een tafel, maar het model moet de datum (zaterdag) en het aantal personen (4) en eventuele andere relevante informatie extraheren.

Tenslotte is conversatie niet altijd lineair. Klanten kunnen ongerelateerde vragen stellen, dus de assistent moet in staat zijn om “te luisteren” naar een bepaald soort invoer, terwijl hij open staat voor verschillende triggers zoals FAQs of wijzigingen in eerder door de gebruiker verstrekte informatie.

Wat is het proces en de tijdlijn voor een bedrijf dat een conversational AI-bot met PolyAI wil lanceren?

We zijn hier om voice assistants te bieden die een tastbaar zakelijk effect hebben. Dus we beginnen elke betrokkenheid met een ontdekking waarin we klanten helpen om hun CX-doelstellingen, sleutelmetrics en ondersteuningsprocessen te identificeren en te articuleren. Dit is waar we de reizen identificeren die de voice assistant klanten door moet leiden. Dit, plus ons vooraf getrainde ConveRT-model, betekent dat we niet veel conversatiegegevens van klanten nodig hebben.

Van daaruit kunnen we een voice assistant ontwikkelen met zeer weinig input nodig van de klant, dus het is niet al te veeleisend voor in-house IT-teams.

Afhankelijk van de complexiteit kunnen we een proof of value opzetten in slechts 2 weken, en een volledig uitgeruste implementatie in 2 maanden.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten PolyAI bezoeken.