Derek Slager, Co-Fondator și Co-CEO al Amperity – Seria de Interviuri

Derek Slager este co-fondator și co-CEO al Amperity, unde conduce transformarea companiei bazată pe inteligență artificială, atât în ceea ce privește produsele, cât și modul în care funcționează. El a co-fondat Amperity pentru a oferi marketerilor și analiștilor date despre clienți de încredere și a dezvoltat arhitectura de rezolvare a identității și profilului în timp real, brevetată de Amperity, pentru contextul de client de încredere. Mai devreme, el a făcut parte din echipa fondatoare a Appature și a ocupat funcții de conducere în inginerie în sisteme distribuite și securitate la scară largă.

Amperity este un cloud de date despre clienți bazat pe inteligență artificială, proiectat pentru a ajuta întreprinderile să unifice informațiile fragmentate despre clienți din surse online și offline în profiluri de clienți precise și actualizate în timp real. Platforma sa combină rezolvarea identității bazată pe învățare automată, gestionarea datelor, analitica, modelarea predictivă și instrumentele de activare, permițând echipelor de marketing și date să înțeleagă mai bine comportamentul clienților, să personalizeze experiențele, să măsoare impactul asupra veniturilor și să coordoneze acțiunile pe canale. Fondată în 2016, Amperity deservește peste 400 de mărci din întreaga lume, inclusiv Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts și DICK’S Sporting Goods.

Ați lucrat în analize avansate, insight-uri despre clienți, managementul produselor, ML/MLOps și strategia AI, ajutând la construirea unor produse fundamentale înainte de Amperity. Cum v-a influențat această cale modul în care gândiți relația dintre calitatea datelor despre clienți și performanța AI?

Lucrul meu în industrie s-a concentrat cu adevărat pe o problemă: cum să faceți ca inteligența artificială să raționeze corect despre oameni atunci când datele care descriu acești oameni sunt întotdeauna incomplete, inconsistente și în schimbare? La început, în rolurile de analize și produse, am văzut echipe care construiau modele din ce în ce mai sofisticate pe baza datelor despre clienți care erau fundamental neverosimile: înregistrări duplicate, identificatori nepotriviti, atribute învechite. Nicio cantitate de sofisticare a modelului nu a rezolvat această problemă; a ascuns-o doar mai eficient.

Această intuiție este cea care ne-a condus la construirea Amperity: rezolvarea identității nu este un strat de care aveți nevoie pe care să-l puneți deasupra inteligenței artificiale, ci este fundația pe care se sprijină totul. Când privesc inteligența artificială din întreprinderi astăzi, văd același model care se desfășoară la o scară mult mai mare. Echipele cheltuie resurse în selecția modelului și ingineria prompturilor, tratând datele despre clienți care hrănesc aceste modele ca fiind date de la sine înțelese. Nu este așa.

De obicei, discuțiile despre inteligența artificială din întreprinderi se axează pe selecția modelului, dar dumneavoastră susțineți că datele despre clienți de încredere devin la fel de importante. De ce se schimbă conversația de la “Care model este cel mai bun?” la “Ce date pot fi de încredere pentru inteligența artificială?”

Pentru primii ani ai valului de inteligență artificială generativă, capacitățile modelului au fost cu adevărat stânjenitoare, deoarece instrumentele nu erau suficient de bune. Acum, lucrurile s-au schimbat. Modelele de top de astăzi sunt remarcabil de capabile, iar diferența dintre ele s-a micșorat pentru majoritatea cazurilor de utilizare în afaceri. Ceea ce nu s-a îmbunătățit este datele care alimentează aceste modele în cadrul întreprinderilor.

Puteți pune cel mai avansat model în fața unui agent de service clienți sau a unui motor de personalizare, dar dacă raționează pe baza a trei profiluri duplicate pentru aceeași persoană, a unei adrese de e-mail învechite și a unei istorii de cumpărături care lipsește jumătate din canalele în care acea persoană face cumpărături, rezultatul va fi greșit. Conversația se schimbă pentru că liderii simt această diferență direct. Ei au adoptat un model minunat și totuși nu văd veniturile pe care le așteptau. Următorul avantaj real nu va veni dintr-un model mai bun. Va veni din faptul dacă o organizație își poate oferi sistemelor sale de inteligență artificială ceva de încredere cu care să lucreze.

Care sunt cele mai comune moduri în care datele despre clienți inexacte sau fragmentate pot submina rezultatele inteligenței artificiale, chiar și atunci când modelul subiacent este tehnic puternic?

Câteva modele se repetă constant. Cel mai de bază este duplicarea. Același client există sub forma a cinci sau șase înregistrări diferite pe canale, fiecare cu o vedere parțială a acelei persoane, astfel încât un sistem de inteligență artificială ar putea trimite o ofertă de câștigare a unui client către cineva a cărui abonament este activ sub o înregistrare diferită. Apoi există și problema datelor învechite. Datele care erau corecte acum un an, dar nu au fost actualizate, astfel încât un model se optimizează pe baza a ceea ce era clientul în trecut, nu a ceea ce este el acum. Există, de asemenea, și problema suprapunerii excesive, care este mai subtilă: sistemele de identitate care sunt prea agresive în ceea ce privește potrivirea și combină două persoane diferite într-un singur profil, iar acum un agent de inteligență artificială ia decizii cu încredere în numele cuiva care nu există realmente. Și, în final, există și simple goluri. Activitatea de fidelitate într-un sistem, istoricul suportului în altul, comportamentul de navigare în al treilea, fără ca vreun sistem să dețină imaginea de ansamblu completă. Individual, fiecare dintre acestea pare a fi o problemă de igienă a datelor. În contextul inteligenței artificiale, ele se combină pentru că modelul nu știe ce nu știe. El produce doar un răspuns cu încredere totală.

Pe măsură ce inteligența artificială generativă devine o nouă ușă de intrare pentru descoperirea produselor, ce se schimbă pentru mărci atunci când consumatorii se bazează din ce în ce mai mult pe sistemele de inteligență artificială pentru a compara opțiuni, a evalua loialitatea și a lua decizii de cumpărare?

De obicei, mărcile controlau ușa de intrare. Ați construit un site web, ați optimizat pentru căutare, ați rafinat canalul dvs. și clienții veneau direct la dvs. sau prin rezultate pe care le puteați influența. Acum, acea ușă de intrare este o conversație cu un asistent de inteligență artificială pe care marca nu îl controlează și nu îl poate vedea pe deplin.

Cineva cere unui instrument de inteligență artificială să compare programe de fidelitate sau să recomande un hotel, iar sarcina mărcii acum este să fie suficient de lizibilă și de încredere în acel moment, pentru a fi răspunsul pe care inteligența artificială îl dă. Acesta este un schimb real în ceea ce privește ceea ce marketingul trebuie să optimizeze. Înseamnă că calitatea, structura și acuratețea datelor și conținutului proprii ale mărcii contează mai mult, deoarece sistemele de inteligență artificială sintetizează orice semnal pe care îl pot găsi.

Cercetarea Amperity sugerează că doar o minoritate de consumatori merg acum direct la mărci cunoscute fără a lua în considerare recomandările inteligenței artificiale mai întâi. Ce înseamnă acest lucru pentru loialitatea mărcii, personalizare și călătoria tradițională a clientului?

Am chestionat 1.000 de consumatori din SUA la începutul acestui an, și un număr mi-a atras atenția: mai puțin de un sfert au spus că merg direct la o marcă pe care o cunosc fără a lua în considerare o recomandare a inteligenței artificiale mai întâi, iar 60% au spus că inteligența artificială i-a condus deja către o marcă pe care nu o luaseră în considerare anterior. Acest lucru erodează avantajul implicit pe care mărcile stabilite l-au avut anterior. Loialitatea nu a dispărut, dar funelul de deasupra acestei decizii s-a schimbat. Mărcile sunt evaluate și selectate de sisteme pe care nu le controlează, pe baza oricăror date disponibile despre ele.

Rezolvarea identității a existat ca o problemă de date de ani de zile. Ce face ca aceasta să devină mai urgentă acum, când agenții de inteligență artificială, copiloții și interfețele de inteligență artificială generativă devin parte a fluxurilor de lucru din întreprinderi?

Rezolvarea identității a contat întotdeauna pentru lucruri precum prevenirea înregistrărilor duplicate sau asigurarea faptului că un membru al programului de fidelitate primește creditul corespunzător pentru o cumpărătură. Acestea sunt probleme reale, dar relativ iertătoare, unde un om prinde greșeala. Agenții înlătură această rețea de siguranță.

Când un agent de inteligență artificială este împuternicit să ia acțiuni reale, indiferent dacă este vorba de emiterea unui ramburs, aplicarea unei reduceri, recomandarea unei oferte următoare sau actualizarea unei preferințe, el o face pe baza oricărei rezolvări a identității pe care a primit-o, la viteza mașinii și adesea fără un om în buclă. Dacă identitatea este greșită, agentul nu greșește doar o dată. El greșește sistematic și imediat, la scară, înainte ca cineva să observe. Acesta este ceea ce face acest moment mai urgent decât înainte.

Cum ar trebui companiile să gândească despre identitatea clientului ca parte a strategiei lor mai largi de guvernanță a inteligenței artificiale, alături de confidențialitate, securitate, monitorizarea modelului și conformitate?

Aș pune identitatea clientului exact lângă aceste alte piloni, nu sub ele. Majoritatea conversațiilor despre guvernanța inteligenței artificiale se axează pe model: este el biasat, securizat, conform și monitorizat pentru derapaj? Acestea sunt necesare, dar ele presupun că datele de intrare pe care modelul le folosește sunt solide. Dacă stratul de identitate este greșit, puteți avea un model guvernat perfect care produce decizii despre persoana greșită sau un model care pare biasat când problema reală este că datele sale erau fragmentate în moduri care au dezavantajat anumite segmente de clienți.

Multipli lideri investesc puternic în proiecte-pilot de inteligență artificială, dar datele lor despre clienți rămân fragmentate în marketing, comerț, suport, fidelitate și sisteme offline. Care sunt pașii practici pe care liderii ar trebui să îi ia înainte de a extinde inteligența artificială în procesele de luare a deciziilor operaționale?

Modelul pe care îl văd cel mai des este unul în care o organizație rulează mai multe proiecte-pilot promițătoare — un chatbot aici, un experiment de personalizare acolo — fiecare conectat la datele care sunt cel mai aproape pentru acea echipă. Funcționează suficient de bine pentru a fi finanțat, apoi lovește un zid atunci când cineva încearcă să îl extindă într-o decizie operațională reală, pentru că datele pilotului nu reflectă niciodată clientul complet.

Primul pas practic este un inventar onest: știți unde trăiește fiecare sursă de adevăr despre client (marketing, comerț, suport, fidelitate, offline). Cât de mult se suprapun? Unde nu o fac? În al doilea rând, investiți în rezolvarea identității înainte de a investi în mai multe proiecte-pilot. Acesta este ceea ce permite fiecărei inițiative de inteligență artificială viitoare să reutilizeze aceeași fundație de încredere, în loc de a reconstrui una parțială. În al treilea rând, construiți un număr mic de proprietari interfuncționali pentru datele unificate ale clientului, în loc de a lăsa proprietatea echipei care are nevoie de ea pentru proiectul-pilot curent. Organizațiile care fac această secvență inversă se termină cu un portofoliu de proiecte-pilot de inteligență artificială care nu vor ieși niciodată din stadiul de pilot, pentru că niciunul dintre ele nu poate fi încredințat cu o decizie reală.

Unde trageți linia între personalizarea care se simte utilă și personalizarea care se simte invazivă, mai ales când sistemele de inteligență artificială pot infera mai mult din profilurile unificate ale clienților?

Linia este mai degrabă legată de faptul dacă ceea ce face o marcă cu cunoștințele sale pare câștigat și relevant în momentul respectiv. O recomandare bazată pe istoricul real de cumpărături al cuiva se simte utilă. O recomandare care dezvăluie o inferență pe care clientul nu a împărtășit-o explicit se simte invazivă, chiar dacă este corectă, pentru că expune cât de mult este împărtășit.

Raportul nostru a arătat că o mare majoritate a consumatorilor spun că sunt mai dispuși să interacționeze cu personalizarea atunci când au încredere în modul în care sunt utilizate datele lor, și o majoritate spun că personalizarea care se simte invazivă îi face mai puțin dispuși să aleagă o marcă. Regula mea de bază pentru echipele care construiesc pe baza inferenței conduse de inteligență artificială este simplă: dacă nu ați dori să explicați, în limbaj clar, de ce sistemul știe ceea ce știe, nu acționați încă. Personalizarea ar trebui să se simtă ca și cum ați fi recunoscut, nu supravegheat.

Privind înainte, ce va separa întreprinderile care obțin valoare reală din inteligența artificială de cele care rămân blocate în modul de experimentare: modele mai bune, o infrastructură de date mai bună, o guvernanță mai puternică sau un model de operare complet nou?

Calitatea modelului nu a fost niciodată menită să fie un diferențiator durabil. Evoluează prea repede, și majoritatea întreprinderilor au acces la aproximativ aceleași modele. Guvernanța contează, dar este o constrângere, nu o sursă de valoare în sine. Cele două lucruri pe care le consider cu adevărat importante pentru a separa întreprinderile care iau înainte sunt infrastructura de date și modelul de operare, care sunt legate.

Companiile care obțin valoare reală din inteligența artificială sunt cele care au investit deja în a avea o singură vedere de încredere și actualizată continuu a clientului, astfel încât orice nouă capacitate de inteligență artificială poate fi îndreptată către acea fundație în loc de a coase împreună propria sa. Dar acest lucru funcționează doar dacă modelul de operare se schimbă și el: dacă inițiativele de inteligență artificială sunt încă deținute de echipe, cu fiecare grup definind propria sa versiune a clientului, veți continua să introduceți aceleași probleme de calitate a datelor. Organizațiile care ies din modul de experimentare sunt cele care tratează datele despre clienți de încredere ca infrastructură partajată și construiesc modelul lor de operare de inteligență artificială în jurul acestei ipoteze de la început.

Mulțumim lui Derek pentru interviul plin de insight. Citiitorii pot afla mai multe despre Amperity și pot explora cele mai recente insight-uri ale lui Derek Slager pe pagina sa de autor Unite.AI.