Gautam Kanumuru, CEO i współzałożyciel Yogi – seria wywiadów

Wcześniej pracowałeś nad NLP i Cortaną w Microsoft, a następnie pomogłeś Clarke.AI w przejęciu. Co skłoniło Cię do założenia Yogi, i jak Twoje doświadczenie ukształtowało misję firmy?

To, co skłoniło mnie do założenia Yogi, to potencjał przetwarzania języka naturalnego. W Microsoft i Clarke.AI zobaczyłem na własne oczy, jak niewielka poprawa NLP – powiedzmy, 5-10% wzrost wydajności – może odblokować setki przypadków użycia. Ale zauważyłem również lukę między tym, co wyglądało imponująco w demo, a tym, co naprawdę dostarczało wartość klientom. Z Yogi postanowiliśmy zamknąć tę lukę. Chcieliśmy zbudować coś, co mogłoby mieć wymierny, widoczny wpływ, jak zmiany w produkcie na półce sklepowej, które można odwołać do spostrzeżeń wygenerowanych przez naszą platformę.

W początkowych dniach Yogi, jaki był największy problem w zdobyciu zaufania marek konsumenckich do sztucznej inteligencji w kwestii tak subtelnej, jak sentyment klienta?

Sceptycyzm pochodził z dwóch miejsc: jeden to sama technologia, a drugi to my jako mała firma rozmawiająca z dużymi przedsiębiorstwami. Szybko nauczyliśmy się, że nie wystarczy mówić o tym, co może zrobić nasz produkt, trzeba to pokazać. Oznaczało to oferowanie analizy próbek przed zapytaniem, odpowiedzi na rzeczywiste pytania biznesowe na miejscu i zawsze dostarczanie wartości od pierwszego dnia. I również upewniliśmy się, że będziemy pracować nad rozwiązywaniem problemów po wdrożeniu. Ten rodzaj niezawodności miał znaczenie.

Yogi wykorzystuje sztuczną inteligencję i NLP do wyodrębniania sentymentu z recenzji produktów. Możesz opowiedzieć, jak wasza platforma tłumaczy surowe opinie klientów w drobną, działającą wiedzę?

Myślimy o tym w trzech etapach: agregacja, organizacja i analiza. Po pierwsze, agregujemy opinie klientów z wielu kanałów: recenzje, ankiety, bilety wsparcia i upewniamy się, że są one powiązane z odpowiednim produktem, kodem kreskowym i detalistą. To jest trudniejsze, niż się wydaje. Na przykład, ten sam produkt może mieć nieznacznie różne listy na wielu stronach.

Następnie organizujemy dane. Tutaj nasz drugi warstw sztucznej inteligencji czyta opinie w taki sposób, jakby to robił człowiek. Identyfikuje, jakie tematy są omawiane, w jaki sposób są opisywane i z jakim sentymentem, bez polegania wyłącznie na słowach kluczowych.

W końcu analizujemy. To jest miejsce, w którym prezentujemy spostrzeżenia naszym użytkownikom za pomocą wysoko interaktywnego interfejsu. Nasze najnowsze narzędzia pozwalają nawet użytkownikom wpisywać złożone pytania, takie jak: „Jak radziłem sobie w porównaniu z moimi trzema konkurentami w ciągu ostatniego roku?” i otrzymać odpowiedź w ciągu kilku sekund.

Co różni modele AI Yogi od ogólnych narzędzi do analizy sentymentu? Czy są specjalne techniki, które pomagają wychwycić nuans w opinii konsumenckiej?

Yogi to trochę jak absolwent z wyróżnieniem w dziedzinie opinii konsumenckiej. Ogólne modele, nawet zaawansowane jak ChatGPT, to trochę jak bardzo inteligentni studenci: wiedzą coś o wszystkim. My udoskonaliliśmy nasze modele specjalnie dla tej dziedziny, wykorzystując nasze własne zestawy danych i obszerną wstępną obróbkę. Ponieważ dodajemy warstwy struktury, takie jak sentyment, tematy i mapowanie produktów, dostarczamy bogaty kontekst wokół każdego tekstu, który model ocenia.

Wiele platform AI ma trudności z kontekstem lub sarkazmem w recenzjach klientów. Jak Yogi radzi sobie z wyzwaniami nieustrukturyzowanych, emocjonalnie złożonych danych?

Rozwiązujemy to poprzez ciągłe szkolenie i wprowadzanie danych od użytkowników. Nasz model poprawia się poprzez ciągłe spożywanie przykładów sarkazmu, niejasności lub ewoluującego slangu. Pozwalamy również użytkownikom oznaczyć problematyczne interpretacje, które możemy następnie włączyć do naszego procesu szkolenia. To udoskonalenie nie wymaga milionów przykładów, wystarczy kilka celowo wybranych, aby znacząco poprawić wyniki.

Jak Yogi pomaga firmom wykrywać problemy na poziomie produktu, śledzić zmiany sentymentu i reagować w czasie rzeczywistym? Czy możesz podzielić się historią sukcesu?

Zdecydowanie. Ogólnie widzimy wiele przypadków użycia, ale trzy najczęstsze to: innowacje produktowe, jakość produktu i analiza strategiczna. Mamy klientów, którzy zaczynają korzystać z Yogi dwa lata przed wydaniem produktu, aby ukształtować wszystko, od formuły po opakowanie.

Drugi to jakość produktu: jeśli zespół zmienia składnik – powiedzmy, część w maszynie do kawy – mogą śledzić sentyment po premierze, aby zobaczyć, czy skargi gwałtownie wzrosły. To dotyczy sektorów, w tym piękności, żywności i elektroniki.

Trzeci to analiza strategiczna: widzieliśmy, jak marki używają Yogi do oceny potencjalnych przejęć, analizując opinie konsumenckie o produktach docelowych. To jest warstwa due dilligence, której wcześniej nie mieli dostępu.

Yogi jest teraz wykorzystywany do optymalizacji PDP, wyrównywania komunikatów marketingowych i even śledzenia problemów z dostawą. Jak produkt ewoluował, aby wspierać tak wiele procesów?

To wszystko jest napędzane przez klientów. Wierzymy, że opinie konsumenckie są istotne dla każdego zespołu w firmie, od produktu po sprzedaż i wsparcie. Kiedy widzimy, że nasi użytkownicy pobierają spostrzeżenia do nowego celu, pytamy: czy Yogi może dostosować się, aby wspierać ten przypadek rodzimie? To jest sposób, w jaki rosło. Nie budowaliśmy początkowo dla marketingu czy łańcucha dostaw, ale te zespoły dostrzegły wartość i poprosiły o funkcje. Słuchaliśmy.

Jak pomagacie firmom monitorować konkurentów i wykrywać disruptorów, zanim staną się zagrożeniem?

Wykorzystujemy źródła publiczne, takie jak recenzje i oceny, aby śledzić produkty konkurencyjne w czasie rzeczywistym. Nasza platforma wykorzystuje alerty i „karmę spostrzeżeń”, aby oznaczyć, kiedy coś niezwykłego się dzieje, jak nagły wzrost pozytywnego sentymentu dla produktu konkurencyjnego. Nasi klienci nie muszą monitorować wszystkiego ręcznie. Yogi jest stale skanowany i powierzchni wszystko, co godne uwagi, bez konieczności nakazu.

Gdzie widzisz przyszłość sztucznie inteligentnych spostrzeżeń konsumenckich w ciągu najbliższych 3 do 5 lat, i jaka będzie rola Yogi w tym krajobrazie?

Dwa kluczowe przesunięcia są nadchodzące. Po pierwsze, automatyzacja. Zadania, które wcześniej zajmowały tygodnie, takie jak skompilowanie porównania konkurencyjnego, są redukowane do godzin lub nawet minut. Wkrótce użytkownik może zapytać Yogi o pytanie i otrzymać w pełni sformatowany raport lub prezentację.

Drugi to pojawienie się nowych typów analizy. Sztuczna inteligencja umożliwi szybkie, iteracyjne śledztwa, które wcześniej były zbyt drogie lub czasochłonne, jak ad-hocowe spostrzeżenia w stylu grupy fokusowej z publicznych danych. Wierzymy, że Yogi jest dobrze przygotowany do prowadzenia na obu frontach: przyspieszania badań i umożliwiania całkowicie nowych procesów.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Yogi.