Гаутам Канумуру, генеральный директор и сооснователь Yogi – Интервью

Вы ранее работали над NLP и Cortana в Microsoft, затем помогли руководить Clarke.AI через приобретение. Что мотивировало вас создать Yogi, и как ваш опыт сформировал миссию компании?

То, что привлекло меня к созданию Yogi, было потенциалом обработки естественного языка. В Microsoft и Clarke.AI я увидел лично, как относительно небольшое улучшение NLP – скажем, увеличение производительности на 5-10% – может разблокировать сотни последующих вариантов использования. Но я также заметил разрыв между тем, что выглядит впечатляюще в демонстрации, и тем, что действительно доставляет реальную ценность клиентам. С Yogi мы поставили цель закрыть этот разрыв. Мы хотели построить что-то, что могло бы оказать осязаемое, видимое влияние, например, изменения в продукте на полке магазина, которые можно отнести к данным, сгенерированным нашей платформой.

В ранние дни Yogi, какой был самый большой препятствием в том, чтобы потребительские бренды доверяли искусственному интеллекту для чего-то такого тонкого, как настроения потребителей?

Скептицизм исходил из двух мест: одно было технологией самой по себе, а другое – нами как небольшой компанией, разговаривающей с крупными предприятиями. Мы быстро узнали, что недостаточно говорить о том, что может сделать ваш продукт, вы должны показать это. Это означало предложение проанализировать образцы до того, как вас попросят, ответить на реальные бизнес-вопросы на месте и всегда доставлять ценность с первого дня. И мы также сделали ясно, что мы будем работать над любыми проблемами после принятия. Такая надежность имела значение.

Yogi использует искусственный интеллект и NLP для извлечения настроений из отзывов о продуктах. Можете ли вы пройти нас через то, как ваша платформа переводит сырые отзывы покупателей в детальные, действенные данные?

Мы думаем об этом в трех стадиях: агрегировать, организовать и анализировать. Сначала мы агрегируем отзывы потребителей из нескольких каналов: отзывы, опросы, тикеты поддержки и обеспечиваем, чтобы они были привязаны точно к правильному продукту, SKU и ритейлеру. Это сложнее, чем кажется. Например, один и тот же продукт может иметь слегка разные списки на нескольких сайтах.

Затем мы организуем данные. Здесь наш второй слой искусственного интеллекта читает отзывы так, как это делает человек. Он определяет, какие темы обсуждаются, как они описываются и с каким настроением, не полагаясь исключительно на ключевые слова.

Наконец, мы анализируем. Это то место, где мы представляем данные нашим пользователям через высокоинтерактивный интерфейс. Наши последние инструменты даже позволяют пользователям набирать сложные вопросы, такие как “Как я выступал против своих трех конкурентов за последний год?” и получать ответ в течение нескольких секунд.

Что отличает модели искусственного интеллекта Yogi от обычных инструментов анализа настроений? Есть ли какие-либо специальные методы, которые помогают вам уловить нюансы в отзывах потребителей?

Yogi – это как выпускник PhD по отзывам потребителей. Обычные модели, даже передовые, такие как ChatGPT, – это как очень умные студенты: они знают немного обо всем. Мы настроили наши модели специально для этого пространства, используя наш собственный набор данных и обширную предварительную обработку. Поскольку мы добавляем слои структуры, такие как настроение, темы и сопоставление продукта, мы предоставляем богатый контекст вокруг каждого фрагмента текста, который оценивает модель.

Многие платформы искусственного интеллекта испытывают трудности с контекстом или сарказмом в отзывах клиентов. Как Yogi решает проблемы неструктурированных, эмоционально сложных данных?

Мы решаем эту проблему посредством непрерывной тренировки и ввода пользователя. Наша модель улучшается, непрерывно потребляя примеры сарказма, двусмысленности или эволюционирующего сленга. Мы также позволяем пользователям помечать проблемные интерпретации, которые мы можем затем вернуть в наш процесс тренировки. Это тонкая настройка не требует миллионов примеров, всего несколько целенаправленных примеров может существенно улучшить производительность.

Как Yogi помогает компаниям обнаруживать проблемы на уровне продукта, отслеживать изменения настроений и реагировать в реальном времени? Можете ли вы поделиться историей успеха?

Определенно. В целом, мы видим множество вариантов использования, но три основных категории. Первая – инновации продукта: компании используют нас, чтобы изучить новые категории и выявить непокрытые потребности до запуска нового продукта. У нас были клиенты, которые начали использовать Yogi за два года до выпуска продукта, чтобы сформировать все, от формулы до упаковки.

Вторая – качество продукта: если команда меняет компонент – скажем, часть в кофемашине – они могут отслеживать послевыпусковые настроения, чтобы увидеть, увеличиваются ли жалобы. Это применяется во всех секторах, включая красоту, еду и электронику.

Третья – стратегический анализ: мы видели, как бренды используют Yogi, чтобы оценить потенциальные приобретения, анализируя отзывы потребителей о целевых продуктах. Это слой проверки, которого у них не было раньше.

Yogi теперь используется для оптимизации PDP, согласования маркетинговых сообщений и даже отслеживания проблем с доставкой. Как продукт эволюционировал, чтобы поддержать так много рабочих процессов?

Все это обусловлено потребностями клиентов. Мы считаем, что отзывы потребителей имеют отношение к каждой команде в компании, от продукта до продаж до поддержки. Итак, когда мы видим, что наши пользователи извлекают данные для новой цели, мы спрашиваем: может ли Yogi адаптироваться, чтобы поддержать этот вариант использования по умолчанию? Таким образом мы выросли. Мы не строили для маркетинга или цепочки поставок изначально, но эти команды увидели ценность и попросили функции. Мы слушали.

Как вы помогаете компаниям отслеживать конкурентов и обнаруживать нарушителей до того, как они станут угрозой?

Мы используем публичные источники, такие как отзывы и рейтинги, чтобы отслеживать конкурирующие продукты в реальном времени. Наша платформа использует оповещения и “поток данных”, чтобы пометить, когда происходит что-то необычное, например, всплеск положительного настроения для продукта конкурента. Наши клиенты не должны отслеживать все вручную. Yogi постоянно сканирует и выделяет все заметное без подсказки.

Куда вы видите будущее анализа потребительских данных, основанного на искусственном интеллекте, в течение следующих 3-5 лет, и какую роль будет играть Yogi в этом ландшафте?

Два ключевых сдвига приближаются. Первый – автоматизация. Задачи, которые ранее занимали недели, такие как компиляция сравнения конкурентов, сокращаются до часов или даже минут. Вскоре пользователь может задать Yogi вопрос и получить полностью отформатированный отчет или слайд-презентацию.

Второй – возникновение новых типов анализа. Искусственный интеллект позволит проводить быстрые, итеративные расследования, которые ранее были слишком дорогими или трудоемкими, такие как данные, полученные в стиле фокус-групп из публичных данных. Мы считаем, что Yogi хорошо позиционирован, чтобы лидировать на обоих фронтах: ускорение исследований и обеспечение полностью новых рабочих процессов.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Yogi.