Ryan McDonald, Șeful științific la ASAPP – Seria de interviuri

Ryan McDonald este șeful științific la ASAPP. El este responsabil pentru stabilirea direcției grupurilor de cercetare și știință a datelor pentru a atinge viziunea ASAPP de a îmbunătăți activitatea umană prin avansarea inteligenței artificiale. Grupul este în prezent axat pe avansarea domeniului de dialog orientat spre sarcini în situații din lumea reală, cum ar fi asistența clienților. În astfel de medii dinamice există multe părți care interacționează: conversația dintre client și agent; mediul și instrumentele pe care le utilizează agentul; diferite măsuri de succes; o gamă largă de nevoi și situații ale clienților. Optimizarea acestui mediu pentru a conduce la rezultate de calitate pentru clienți, agenți și companii necesită o investiție semnificativă în cercetare în domeniul recuperării, generării de limbaj, optimizării constrânse, învățării și, în mod critic, evaluării.

Ryan a lucrat la înțelegerea limbajului și la învățarea mașinilor timp de peste 20 de ani. Teza sa de doctorat la Universitatea din Pennsylvania s-a axat pe metode noi de învățare mașină pentru predicția structurată în NLP, în special pe extragerea de informații și analiza sintactică. La Penn, cercetarea sa a fost instrumentală în creșterea domeniilor de analiză a dependențelor și adaptare a domeniului în comunitatea NLP. După doctorat, Ryan s-a alăturat grupului de cercetare al Google (GOOGL ). Acolo a cercetat analiza sentimentului și modelele de rezumat pentru recenziile consumatorilor, ceea ce a dus la unul dintre primele sisteme de rezumat la scară largă consumate de milioane de utilizatori în fiecare zi.

Cercetarea lui Ryan s-a îndreptat apoi spre înțelegerea limbajului multilingv. La început, cercetarea sa s-a axat pe îmbunătățirea traducerii mașinilor, dar importanța crescândă a multilingvismului în recuperarea informațiilor și asistenții digitali a condus cercetarea sa spre internaționalizarea acestor tehnologii importante. Echipa lui Ryan a fost instrumentală în dezvoltarea asistentului Google ca tehnologie globală. În acest timp, el a inițiat și consorțiul Universal Dependencies, împreună cu o serie largă de colaboratori academici. Acesta este, cu siguranță, cel mai mare consorțiu de date multilingv pentru resursele lingvistice sintactice. După peste un deceniu de muncă la produsele pentru consumatori, Ryan și-a schimbat direcția spre întreprinderi și a condus numeroase proiecte NLP și ML pentru a îmbunătăți serviciile Cloud ale Google, inclusiv API-ul NLP de bază, soluții pentru Call Center AI și descoperirea cunoștințelor din literatura științifică. Cercetarea lui Ryan privind NLP și ML pentru întreprinderi continuă la ASAPP.

Ryan a publicat peste 100 de articole de cercetare în jurnale și conferințe de top, care au fost citate de mii de ori. A câștigat premii pentru cel mai bun articol la conferințe internaționale de premieră (EMNLP, NAACL) pentru lucrările sale privind analiza sintactică multilingvă. Cartea sa “Dependency Parsing” a servit ca una dintre principalele resurse pedagogice în analiza sintactică pentru peste un deceniu. Pe lângă faptul că a fost președinte de secțiune la aproape toate conferințele NLP și ML de nivel 1, el a fost editor pentru primele două jurnale din domeniu – Transactions of the Association for Computational Linguistics și Computational Linguistics. A îndrumat numeroși studenți doctoranzi și interni și a susținut prelegeri invitate la conferințe, ateliere și universități de top din întreaga lume.

Ce v-a atras inițial la machine learning și, mai specific, la procesarea limbajului natural?

Am fost student cu o dublă specializare în informatică și filosofie. Am fost interesat în special de filosofia inteligenței artificiale, precum și de aspectele practice ale funcționării acesteia. Am avut norocul de a obține un proiect de cercetare cu Gerald Penn la Universitatea din Toronto, care s-a axat pe rezumarea știrilor pentru telefoane mobile. Acesta a fost acum peste 20 de ani și a utilizat metode foarte primitive prin standardele de astăzi. Gerald a fost un mentor minunat și m-a făcut să mă interesez de modelele formale pentru structura limbajului (sintaxă și semantică). Am fost fascinat de complexitatea limbajului și de cadrul matematic care explică fenomenele pe care oamenii le parcurg în mod natural în fiecare zi. În acea perioadă, motoarele de căutare erau ubiquue, și puteam vedea avantajul enorm pentru NLP și ML în viitor.

Ați publicat peste 100 de articole de cercetare în jurnale și conferințe de top, care au fost citate de mii de ori. În opinia dvs., care a fost cel mai influent articol de cercetare?

Acesta este întotdeauna o întrebare dificilă de a răspuns. Și pe măsură ce timpul trece, cred că răspunsul meu se schimbă. Dacă m-ați fi întrebat cu câțiva ani în urmă, aș fi spus că este lucrarea mea despre utilizarea algoritmilor de grafuri pentru analiza dependențelor. Acest articol, împreună cu lucrările lui Joakim Nivre, a declanșat peste un deceniu de cercetare rapidă privind analiza dependențelor sintactice, care a avut un impact semnificativ asupra adoptării NLP de către companiile tehnologice, inclusiv o cantitate imensă de lucru pe care colegii și eu am făcut-o la Google pentru Search, Translate, Assistant etc.

Însă, cu adoptarea rapidă a rețelelor neuronale, utilizarea reprezentărilor sintactice discrete ale limbajului a scăzut. Aș spune acum că este lucrarea mea seminală cu John Blitzer și Fernando Pereira pe adaptarea domeniului. Metodele pe care le-am utilizat în acel articol nu sunt foarte relevante astăzi, însă cred că acel articol (împreună cu lucrările contemporane ale lui Hal Daume) a consolidat cadrul problemei și importanța sa pentru domeniu. Acum, că lucrez exclusiv în domeniul întreprinderilor, sunt foarte conștient de problemele pe care le-am ridicat atunci și pe care încă nu le-am rezolvat.

Ați petrecut cea mai mare parte a carierei dvs. la Google, ajutând la construirea tehnologiilor NLP și ML de ultimă generație și la implementarea lor în producție. Care au fost câteva dintre principalele concluzii ale dvs. din această experiență?

Principala mea concluzie ar fi că, atunci când construiți modele NLP și ML, nu puteți niciodată prezice când lucrurile vor merge prost. Trebuie să fiți obsedați de date, analiză de erori, metrice etc. în toate etapele procesului. Încercarea de a ghici punctele dureroase este adesea inutilă și, de obicei, este mai eficient să construiți modele complete de la început și să adaptați.

Ca cercetători NLP/ML, ne concentrăm asupra acelor locuri unde modelul ar putea eşua și asupra acelor ipoteze de modelare care nu se vor menține atunci când “cauciucul întâlnește drumul”. Dar adesea este procesarea datelor sau UX-ul care este cheia pentru a face produse NLP/ML de succes. Abia atunci când acestea sunt solide putem să iterăm asupra calității pentru a scoate toată valoarea din modele.

La începutul anului 2021, ați intrat în ASAPP ca șef științific, o companie care oferă instrumente AI pentru a împuternici agenții de servicii clienți. Ce v-a atras la această poziție?

Pentru un răspuns mai complet, citiți articolul meu de blog pe acest subiect. Dar pentru a sintetiza, motivele principale sunt:

• Problemele sunt grele. Agenții care sunt implicați în interacțiuni dificile de servicii clienți trebuie să aducă o mulțime de informații și experiență pentru a rezolva problemele clienților. Construirea de modele care adaugă valoare peste o cantitate imensă de cunoștințe de domeniu este grea, în special atunci când semnalele sunt slabe. De exemplu, a fost scorul de satisfacție al clientului scăzut pentru că agentul a făcut ceva greșit sau pentru că clientul era pur și simplu supărat?
• Companiile și agenții care lucrează în acest spațiu sunt foarte entuziasmați de AI care îi va ajuta să îmbunătățească experiența clienților. Ei nu se luptă împotriva progreselor, ci le văd ca instrumente critice pentru a rezolva problemele reale pe care le au. A avea un partener implicat în acest fel este minunat.
• În cele din urmă, în contrast cu tehnologiile pentru consumatori, setul de domenii și probleme dintr-un mediu de întreprindere este atât de eterogen încât adaptarea (a se vedea răspunsul meu la întrebarea 2) este problema care trebuie rezolvată. Nu putem construi doar servicii pentru o companie sau o industrie, ci pentru toate. Acesta este un test atât de bun pentru stadiul actual al AI.
• ASAPP se axează în mod singular pe această problemă.

Puteți discuta despre viziunea ASAPP de a îmbunătăți activitatea umană în mod pozitiv prin avansarea inteligenței artificiale?

Ipoteza noastră centrală la ASAPP este că AI ar trebui să nu înlocuiască oamenii, ci să îi îmbunătățească în moduri pozitive și productive. Această viziune este largă și avem ambiții de a o aplica tuturor activităților umane relevante. Cu toate acestea, deoarece aceasta este o mandat larg, prima zonă pe care am ales-o pentru a ne concentra este domeniul experienței clienților.

Domeniul experienței clienților încorporează toate provocările și recompensele care vin odată cu îmbunătățirea activității umane. Agenții sunt implicați în sarcini complexe de rezolvare a problemelor care le cer să urmeze fluxuri de lucru, să recupereze informații relevante din bazele de cunoștințe ale clienților și să se adapteze la situații nuanțate în care un client s-ar putea găsi. Acest lucru dă naștere la o mulțime de oportunități pentru AI de a îmbunătăți acest proces. Cu toate acestea, credem că este important să o facem într-un mod pozitiv, prin care înțelegem:

• Îmbunătățirea are loc la puncte care sunt naturale și fluide pe parcursul sarcinii agentului. Acest lucru este critic. Dacă AI interferează sau intervine în momente neconvenabile sau cu o latență proastă, acest lucru va avea, de fapt, un efect negativ asupra experienței agentului, deoarece va trebui să ignore conștient AI-ul.
• Mai critic, dorim ca AI-ul să atingă rezultate pozitive pentru toți oamenii implicați. În acest caz, este vorba despre client, agent și organizație. Clienții doresc ca problemele lor să fie rezolvate eficient și eficace. Agenții doresc să facă acest lucru pentru clienți. În plus, agenții fac o muncă grea, adesea având de-a face cu clienți nemulțumiți. AI-ul ar trebui să îi ajute să echilibreze munca și încărcătura cognitivă pentru a reduce oboseala și epuizarea și pentru a crește satisfacția jobului. Într-adevăr, agenții de la centrele de apel au una dintre cele mai mari rate de abandon (de până la 100% anual în unele centre de apel) din orice slujbă din America. În cele din urmă, dorim rezultate pozitive pentru afaceri pentru compania care rulează centrul de apel. Acesta poate fi scorul de satisfacție al clientului, fluxul de probleme care pot fi gestionate într-o zi sau chiar și vânzările.

Pentru centrele de apel, adesea ne gândim la rezultatele pozitive dintre client, agent și companie ca fiind în conflict unele cu altele. Dar un bun AI va ajuta la optimizarea pentru toate trei.

Puteți discuta despre anatomia actuală a AI a unui centru de apel?

Astăzi, aproape fiecare etapă a contactului dvs. cu un centru de apel are o formă de AI care conduce sau informează modul în care problema este abordată.

Primul pas este un răspuns vocal interactiv (IVR) sau un chatbot. Acesta este complet automat și scopul său principal este de a înțelege de ce clientul sună și de a-l direcționa corespunzător. Potențial, aceste sisteme vor încerca să strângă cât mai multe informații posibil înainte de a trimite clientul la un agent pentru a maximiza șansa ca agentul să poată rezolva rapid problema. Mulți boti moderni pot rezolva chiar problema utilizatorului fără a necesita un agent, ceea ce se numește “conținere”, deoarece apelul nu necesită intervenție umană. Acest lucru poate fi realizat prin recomandarea de întrebări frecvente sau prin simpla executare a unei sarcini simple pentru client.

După aceea, apelul merge la agent. Odată ajuns la agent, rolul principal al AI este de a ghida și de a face sugestii agentului. Ce ar trebui să spună agentul mai departe? Ce flux ar trebui să urmeze? Care articole din baza de cunoștințe vor ajuta la rezolvarea problemei? Aceste modele sunt de obicei antrenate pe date istorice și optimizate pentru un indicator de performanță cheie, care poate fi timpul de tratare (cât de repede a fost rezolvată problema) sau scorul de satisfacție al clientului (a fost clientul mulțumit de experiență)?

După ce apelul sau chat-ul se încheie, AI este încă la lucru. În majoritatea centrelor de apel, agentul va lăsa informații structurate și note despre ceea ce s-a întâmplat în timpul apelului. Acest lucru este pentru scopuri analitice, dar și pentru orice agent care preia problema ulterioară, dacă nu a fost rezolvată. AI ajută la toate aceste etape.

În cele din urmă, într-un centru de apel, există supraveghetori care sunt acolo pentru a ajuta agenții și a crește abilitățile lor. AI poate fi critic aici. Într-un centru de apel cu sute de agenți care gestionează mii de apeluri în fiecare zi, cum pot supraveghetorii să identifice problemele care necesită intervenția lor? Cum pot să înțeleagă ce s-a întâmplat în timpul zilei? Cum pot să găsească domenii de îmbunătățire pentru agenți pentru a crește abilitățile lor?

Cum ajută ASAPP la reducerea ratei de abandon a angajaților din centrele de apel?

Companiile mari care oferă bunuri și servicii consumatorilor cheltuie milioane, și uneori miliarde de dolari în fiecare an pe centre de apel care deservesc clienții lor, cu costul forței de muncă reprezentând 80-90% din costurile totale. Este o problemă mare care duce la o rată de abandon a agenților de 40% – și uneori 100% sau mai mult – în fiecare an.

Există o caricatură că agenții sunt indiferenți față de problemele dvs. și trec prin mișcări. În cel mai rău caz, chiar și obstrucționează capacitatea dvs. de a rezolva o problemă. Nimic nu poate fi mai departe de adevăr. Agenții, ca și toți oamenii, derivă satisfacție din a ajuta clienții să-și rezolve problemele. Cum ați prefera să petreceți ziua, auzind “mulțumiri puternice” sau clienți care strigă? Într-un studiu recent pe care l-am realizat, am descoperit că 90% dintre agenți au raportat că apelurile cu clienții le-au făcut ziua, și majoritatea spun că sunt mulțumiți de jobul lor. Dar agenții doresc instrumentele și pregătirea necesare pentru a face clienții fericiți. Clienții nemulțumiți duc la agenți frustrați, epuizați și stresați. Acesta este principalul factor care duce la abandon.

AI care îmbunătățește agenții în timpul apelului (așa cum s-a descris anterior) ajută deja. Dacă agentul are instrumentele și îndrumarea necesare pentru a rezolva eficient și rapid problema clientului, atunci șansele ca clientul să fie mulțumit pot fi doar mai mari, ceea ce ar trebui să ducă la o satisfacție mai mare a jobului.

Însă ASAPP nu se oprește aici. În timp ce îndrumarea dinamică în timp real este critică, și o pregătire și o îndrumare mai structurată sunt importante. Mulți agenți se pregătesc “live” pentru noi probleme sau proceduri. Adică primesc o descriere a procedurii, dar apoi o văd doar în practică atunci când iau un apel cu un client real. Închipuiți-vă că le-am da piloților manualul avionului și apoi le-am spune să zboare 300 de pasageri la Denver? Din cauza acestui fapt, ne concentrăm pe utilizarea AI pentru a ajuta la construirea de instrumente pentru agenți pentru a practica proceduri și a gestiona situații dificile înainte de a se confrunta cu clienți reali. Atunci când acest lucru este combinat cu feedback-ul țintit (fie de la un supraveghetor, fie automat), acesta va permite agentului să-și crească abilitățile într-un mediu mai puțin stresant.

Un AI mai bun pentru a îmbunătăți satisfacția clienților în situații dinamice, precum și un AI pentru pregătirea bazată pe realitate – aceasta este modalitatea în care ASAPP se axează pe agent, cu scopul final de a reduce abandonul.

Care sunt exemplele de rezultate care pot fi obținute prin încorporarea AI într-un centru de apel?

Împărtășite mai sus, AI poate fi o tehnologie transformativă pentru a crește productivitatea. Pentru o companie aeriană din SUA cu care lucrăm, am văzut o creștere a productivității agenților cu 86% și o creștere a fluxului de lucru (numărul total de interacțiuni prin toate canalele de servicii clienți, împărțit la forța de muncă cheltuită pentru a satisface aceste nevoi) cu 127%. Pentru un operator de rețea global care utilizează serviciile ASAPP, scorurile nete de promotor (disponibilitatea clienților de a recomanda produsele sau serviciile unei companii altor persoane) au crescut cu 45%. Pentru o companie de cablu din top 3 care utilizează ASAPP, costul pe interacțiune a scăzut cu 52%. Aceste exemple arată cum AI poate crește productivitatea, poate îmbunătăți calitatea serviciilor clienți și poate reduce costurile de afaceri.

Care este viziunea dvs. personală pentru viitorul AI în locul de muncă?

AI este deja destul de răspândit în locul de muncă. Pe măsură ce scriu acest lucru, verificatorii de ortografie și gramatică, precum și autocompletarea textului mă ajută. Am filtre de spam și clasificatori de mesaje pe e-mail/mesagerie. Utilizez căutarea îmbunătățită de AI pentru a găsi informațiile relevante de care am nevoie pentru a executa. Acest lucru va crește, precum și adoptarea mea pe măsură ce numărul și calitatea funcțiilor alimentate de AI vor crește.

Însă aș numi acest tip de AI “atomic”. Este, într-adevăr, asistențial, dar în momente foarte precise care permit predicții de înaltă precizie. Nu pot cere unui AI să răspundă la aceste întrebări, de exemplu 🙂

Mai serios, viziunea mea este de a vedea adoptarea AI de la capăt la capăt în întregul loc de muncă. Nu mă refer la “de la capăt la capăt” în sensul de modelare a învățării automate. Ceea ce înseamnă este că AI-ul va alimenta holistic sarcini complexe și mari, optimizate pentru obiectivul general și nu doar pentru puncte atomice în timpul procesului. ASAPP aduce deja acest lucru în centrele de apel. De exemplu, optimizăm ce va spune agentul mai departe pe baza unui set holistic de factori despre unde se află agentul în conversație și ce este obiectivul final. Dar dincolo de acest lucru, imaginați-vă un om de știință care încearcă să scrie o revizuire sistematică a unui subiect important, un inginer de software care construiește o platformă sau integrează sisteme complexe, un avocat care scrie o pledoarie legală etc. În viitor, fiecare dintre acești profesioniști se va baza pe AI pentru a-și crește rapid eficacitatea la aceste sarcini și pentru a optimiza rezultatele dorite, eliberându-i pentru a aborda provocări mai critice.

Există altceva pe care ați dori să-l împărtășiți despre ASAPP?

Echipa noastră de cercetare de la ASAPP are un focus clar: suntem avansați în AI pentru a îmbunătăți activitatea umană pentru a aborda probleme reale din lume pentru întreprinderi. Cercetătorii de la ASAPP lucrează pentru a avansa fundamental știința NLP și ML spre obiectivul nostru de a implementa soluții AI specifice domeniului în lumea reală și pentru a aplica aceste progrese la produsele noastre. Ei folosesc cantitățile masive de date generate de produsele noastre și capacitatea noastră de a implementa funcții AI în utilizare reală pentru a pune și a aborda întrebări fundamentale de cercetare în moduri noi.

Descoperiți articolele noastre recente la https://www.asapp.com/ai-research/.

Mulțumim pentru răspunsurile detaliate, cititorii care doresc să afle mai multe ar trebui să viziteze ASAPP.