Gautam Kanumuru, CEO og medgrunnlegger av Yogi – Intervju-serie

Du arbeidet tidligere med NLP og Cortana i Microsoft, og hjalp til å lede Clarke.AI gjennom en oppkjøp. Hva motiverte deg til å starte Yogi, og hvordan har din bakgrunn formet selskapets misjon?

Hva som dro meg til å starte Yogi, var virkelig potensialet i naturlig språkbehandling. I Microsoft og Clarke.AI så jeg førstehånd hvordan en relativt liten forbedring i NLP – si en 5-10% økning i ytelse – kunne låse opp hundrevis av nedstrøms anvendelser. Men jeg så også en gap mellom hva som så imponerende ut i en demo og hva som faktisk leverte reell verdi til kundene. Med Yogi satte vi oss mål om å lukke denne gapen. Vi ville bygge noe som kunne ha en konkret, synlig innvirkning, som endringer i et produkt på en butikkhylle som du kan spore tilbake til innsikter generert av vår plattform.

I de tidlige dagene med Yogi, hva var den største hindringen i å få forbrukermerker til å stole på kunstig intelligens for noe så nyansert som kundesentiment?

Skeptisismen kom fra to steder: ett var teknologien selv, og det andre var oss som et lite selskap som snakket med store bedrifter. Vi lærte raskt at det ikke er nok å snakke om hva produktet ditt kan gjøre, du må vise det. Det betød å tilby å analysere prøver før de ble bedt om det, å svare på virkelige forretnings-spørsmål på stedet, og alltid å levere verdi fra dag én. Og vi gjorde det også klart at vi ville jobbe gjennom eventuelle problemer etter at produktet var lansert. Den type pålitelighet betydde mye.

Yogi bruker kunstig intelligens og NLP til å trekke ut sentiment fra produktanmeldelser. Kan du gå gjennom hvordan din plattform oversetter rå kundetilbakemelding til granulerte, handlebare innsikter?

Vi tenker på det i tre stadier: aggregat, organisere og analysere. Først samler vi kundetilbakemelding fra flere kanaler: anmeldelser, undersøkelser, supportbilletter og sikrer at det er knyttet nøyaktig til riktig produkt, SKU og forhandler. Det er hardere enn det høres ut. For eksempel kan samme produkt ha litt forskjellige listinger på flere nettsteder.

Deretter organiserer vi dataene. Her er hvor vår andre lag av kunstig intelligens leser tilbakemeldingen på samme måte som en menneske ville. Den identifiserer hva temaer som diskuteres, hvordan de beskrives og med hva sentiment uten å bare basere seg på nøkkelord.

Til slutt analyserer vi. Dette er hvor vi presenterer innsikter for våre brukere gjennom en svært interaktiv grensesnitt. Våre nyeste verktøy lar brukerne skrive komplekse spørsmål som “Hvordan har jeg prestert i forhold til mine tre konkurrenter de siste årene?” og få et svar innen sekunder.

Hva skiller Yogi sine kunstig intelligens-modeller fra generiske sentiment-analyse-verktøy? Er det bestemte teknikker som hjelper deg med å fange nyanser i kundetilbakemelding?

Yogi er som en PhD-utdannet i kundetilbakemelding. Generiske modeller, selv avanserte som ChatGPT, er som veldig smarte studenter: de vet litt om alt. Vi har finjustert våre modeller spesifikt for dette området, ved hjelp av vår egen datasett og omfattende forbehandling. Fordi vi legger til lag av struktur, som sentiment, temaer og produkt-mapping, gir vi rik kontekst rundt hver enkelt tekst som modellen vurderer.

Mange kunstig intelligens-plattformer sliter med kontekst eller sarkasme i kundeanmeldelser. Hvordan håndterer Yogi utfordringene med ustrukturert, emosjonelt kompleks data?

Vi håndterer det gjennom kontinuerlig trening og brukerinput. Vår modell forbedres ved å kontinuerlig innta eksempler på sarkasme, tvetydighet eller utvikling av slang. Vi lar også brukerne flagge problematiske tolkninger, som vi kan så feede tilbake i vår treningsprosess. Denne finjusteringen trenger ikke millioner av eksempler, bare et håndfull målrettede kan betydelig forbedre ytelsen.

Hvordan hjelper Yogi selskaper med å oppdage produkt-nivå-problemer, spore sentiment-endringer og reagere i sanntid? Kan du dele en suksesshistorie?

Absolutt. I bred forstand ser vi en mengde anvendelser, men tre vanlige kategorier. Først, produkt-innovasjon: selskaper bruker oss til å utforske nye kategorier og identifisere umøtte behov før lansering av et nytt produkt. Vi har hatt kunder som begynner å bruke Yogi to år før en produktlansering for å forme alt fra formel til emballasje.

Andre, produkt-kvalitet: hvis et team endrer en komponent – si en del i en kaffemaskin – kan de spore post-lansering-sentiment for å se om klager øker. Dette gjelder over hele sektoren, inkludert skjønnhet, mat og elektronikk.

Tredje, strategisk analyse: vi har sett merker bruke Yogi til å evaluere potensielle oppkjøp ved å analysere kundetilbakemelding på mål-produkter. Det er et lag av due diligence de ikke hadde tilgang til tidligere.

Yogi brukes nå til å optimalisere PDP-er, justere markedsføringsmeldinger og sogar spore leveringsproblemer. Hvordan har produktet utviklet seg til å støtte så mange arbeidsflyter?

Det er helt og holdent kundestyrt. Vi tror at kundetilbakemelding er relevant for hver enkelt avdeling i et selskap, fra produkt til salg til support. Så når vi ser våre brukere trekke innsikter for et nytt formål, spør vi: kan Yogi tilpasse seg for å støtte den anvendelsen på en naturlig måte? Det er hvordan vi har vokst. Vi bygde ikke for markedsføring eller levering opprinnelig, men disse avdelingene så verdien og ba om funksjoner. Vi lyttet.

Hvordan hjelper du selskaper med å overvåke konkurrenter og oppdage disruptorer før de blir trusler?

Vi utnytter offentlige kilder som anmeldelser og vurderinger til å spore konkurrerende produkter i sanntid. Vår plattform bruker varsler og en “innsikt-feed” til å flagge når noe uvanlig skjer, som en økning i positivt sentiment for en konkurrents produkt. Våre kunder trenger ikke å overvåke alt manuelt. Yogi skanner kontinuerlig og vil overflate hva som er bemerkelsesverdig uten å bli bedt om det.

Hvor ser du fremtiden for kunstig intelligens-drevne kundeinnsikter i de neste 3 til 5 årene, og hvilken rolle vil Yogi spille i det landskapet?

To nøkkel-endringer er på vei. Først er automatisering. Oppgaver som tidligere tok uker, som å kompilere en konkurrent-sammenligning, reduseres til timer eller sogar minutter. Snart kan en bruker spørre Yogi et spørsmål og få tilbake en fullt formateret rapport eller presentasjons-side.

Andre er fremveksten av nye typer analyse. Kunstig intelligens vil enable rask, iterativ undersøkelse som tidligere var for dyre eller tidskrevende, som ad-hoc fokus-gruppe-liknende innsikter fra offentlige data. Vi tror Yogi er godt posisjonert til å lede på begge fronter: å accelerere forskning og enable helt nye arbeidsflyter. Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Yogi.