Nikola Mrksic, medgrunnlegger og CEO av PolyAI – Intervju-serie

Nikola Mrksic er medgrunnlegger og CEO av PolyAI, en ledende leverandør av bedriftsklare taleassistenter for automatisert kundeservice.

Hva var det som først tiltalte deg om AI?

Jeg har vært interessert i matematikk og datavitenskap fra en svært tidlig alder. Under mine studier ved Cambridge, fikk jeg muligheten til å arbeide med flere ledende maskinlæringsforskere, inkludert Steve Young og Zoubin Ghahramani. Steve overtalte meg til å slutte meg til hans startup, VocalIQ, for å arbeide med å bygge talebaserte dialogsystemer. Senere gjorde jeg en PhD med Steve, hvor jeg arbeidet med å bygge data-drevne språkforståelsesmodeller som fungerer over forskjellige bruksområder og språk. Konversasjons-AI er et svært vanskelig og komplekst arbeidsfelt, med mange vitenskapelige og tekniske gjennombrudd fremdeles foran oss, og det har holdt meg beskjeftiget siden.

I 2017 lanserte du PolyAI, et konversasjons-AI-selskap. Kan du diskutere opphavet til PolyAI?

Mine medgrunnleggere, Shawn Wen, Eddy Su og jeg gjorde våre PhD-er ved Cambridge samtidig. Vi hadde arbeidet med dialogsystemer i flere år, men vi innsett snart at de sofistikerte systemene vi var vant til å arbeide med, hadde svært få kommersielle anvendelser. Så vi kom sammen for å skape en konversasjons-AI-løsning som ville være nyttig i den virkelige verden. Vi så en mulighet for virkelig konversasjonelle, fler-omgangs, transaksjonelle dialogsystemer som kunne samhandle med virkelige mennesker i hverdagslivet.

Vi fokuserte på kundeservice, da vi følte at de nåværende tekniske mulighetene og kundenes behov var godt sammenfallende.

Kan du diskutere noen av maskinlærings- og naturligspråkbehandlings-teknologiene som brukes?

Vår hovedhemmelighet er vårt sett med forskjellige proprietære encoder-modeller. Vi har forhåndstrening på milliarder av naturlige samtaler, så de kan trekke ut intensjoner selv når inndata-talen bruker slang eller idiomer for eksempel. Dette er svært viktig for kommunikasjon over telefon. Kunder snakker ikke i nøkkelord; de forteller historier, avbryter, stiller spørsmål og ønsker generelt å ta kontroll over samtalen.

Vi har nylig annonsert vår ConVEx-modell, en ekstremt data-effektiv enhets-ekstraktor, som lar oss nøyaktig trekke ut verdier fra samtaler.

Vår ASR-koordineringsprosess innebærer å bruke finjustering av talegjenkjenning-plattformer for å nøytralisere støyen forårsaket av forskjellige aksenter, samt finjustering for forskjellige kontekster.

Vi har også utviklet en ganske robust dialogpolitikk-bibliotek med forhåndstegnet brukssaker som inkluderer alle vanlige kundeservice-transaksjoner, så vi kan starte en ny taleassistent for kunder ekstremt raskt.

I din mening hva skiller en god konversasjons-AI-produkt fra en dårlig?

En god produkt vil jevnt over forstå hva brukerne mener og vil aldri få brukerne til å gjenta seg selv. Samtaler skjer ofte i støyende miljøer, så produkter må være robuste mot urent inndata. Da merker når ut til store markeder, må produkter forstå en rekke aksenter og måter å uttrykke intensjoner på. Begge disse krever at produkter garanterer robust talegjenkjenning, robust intensjonsklassifisering og enhets-ekstraksjon.

En flott produkt vil være aktivt engasjerende for brukerne. Det vil følge brukerens tankegang, og være i stand til å håndtere komplekse, hverdagslige tilfeller hvor brukerne kan dele flere intensjoner og informasjon samtidig, og de kan hoppe mellom forskjellige kontekster. Dette krever robust multi-etikett-klassifisering og kontekst-håndtering.

En engasjerende produkt vil vise menneskelige egenskaper uten å være unaturlig eller for robotisk. Dette betyr raske interaksjoner, ekte stemmer, kontinuerlige tilbakemeldingskoder og en viss grad av tilfeldighet og feil.

Til slutt vil en flott konversasjons-AI-produkt engasjere med brukerne hvor de er og tilby en sammenhengende, plattformsspesifikk opplevelse, som kan omfatte tale, SMS, chat eller sosiale meldingsplattformer. Interaksjons-paradigmet bør omfavne hver kommunikasjonsplattforms spesifikum.

Hva er noen av fordelene med at selskaper bruker konversasjons-AI i stedet for å prøve å kanalisere forespørsler til chat-bots?

Kundeservice-erfaring er kritisk og har blitt en nøkkel-driver for kunde-tilfredshet. Hovedprioriteten bør være å gjøre det enkelt for kunder å gjøre det de trenger å gjøre.

Telefonen er fortsatt de fleste kunders foretrukne kanal for å kontakte et selskap. Opp til 65% av alle kundesamtaler skjer fortsatt over telefon. Under COVID-19-pandemien har kontakt-sentrene blitt presset til ytterpunktet med flere kunder enn noen gang som ringer for å få støtte.

Selvfølgelig tillater en god erfaring kunder å kommunisere hvordan de vil, så for alle som foretrekker asynkron kommunikasjon, gjør vi det enkelt for merker å tilby samme nivå av erfaring over tekst-kanaler.

Hvor stor utfordring er det å detektere intensjonen bak hva en kunde prøver å si?

Det finnes en rekke utfordringer med å forstå kunder gjennom tale-kanaler. Å forstå brukernes mening nøyaktig og konsistent, krever at flere komponenter fungerer godt sammen.

Først og fremst er tale-gjenkjenning vanskelig, spesielt når mennesker ringer fra støyende miljøer, som når de er på høyttaler, eller når de kjører gjennom trafikk eller tunneler. Tale-gjenkjenning kan også være vanskelig i regioner med forskjellige aksenter og dialekter. Vi har utviklet en effektiv måte å bias tale-gjenkjenning-modeller for den gitte konteksten for å optimalisere tale-gjenkjenning.

Fordi vår ConveRT-modell er trent på så stor mengde konversasjonsdata, kan den detektere intensjon på svake signaler, akkurat som mennesker generelt kan forstå hva noen sier, selv om vi misser et ord eller to.

En annen overveielse er å forstå når brukerne ønsker å utføre flere handlinger samtidig. For eksempel kan noen si: “Jeg har mistet min kort. Kan du la meg vite om det er blitt brukt og blokkere det?” I dette tilfellet må modellen gjenkjenne to intensjoner og handle på dem i en rekkefølge som har mening.

Modellen må også være i stand til å trekke ut og forstå enhetene som kundene tilbyr. For eksempel: “Har du en bord til lunsj på lørdag for meg, min kone og våre 2 barn?” Overflatenivå-intensjonen her er å sjekke tilgjengelighet for et bord, men modellen må plukke ut datoen (lørdag) og antallet personer (4) og eventuell annen relevant informasjon (kanskje barn bare er tillatt i restaurant-området, og ikke kan sitte ved baren).

Til slutt er samtale ikke alltid lineær. Kunder kan avbryte med spørsmål som ikke er relatert til tale-assistentens prompt, så assistenten må være i stand til å “lytte ut” etter en type inndata, samtidig som den er åpen for forskjellige utløsere som FAQs eller endringer i informasjon tidligere gitt av brukeren.

Hva er prosessen og tidsrammen for et selskap som ønsker å lansere en konversasjons-AI-bot med PolyAI?

Vi er her for å levere taleassistenter som har en konkret forretnings-impakt. Så vi starter hver engasjement med en oppdagelse hvor vi hjelper kundene med å identifisere og formulere deres CX-mål, nøkkel-metrikker og støtte-prosesser. Dette er hvor vi kartlegger ut reisene tale-assistenten vil neede å guide kundene gjennom. Dette, pluss vår forhåndstrente ConveRT-modell, betyr at vi ikke trenger store mengder konversasjonsdata fra kundene.

Fra der kan vi utvikle en taleassistent med svært lite inndata nødvendig fra kunden, så det er ikke i det hele tatt krevende for interne IT-team.

Avhengig av kompleksitet, kan vi starte en proof-of-value på så lite som 2 uker, og en fullstendig utrulling på 2 måneder.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke PolyAI.