Райан Макдональд, главный ученый в ASAPP – Интервью

Райан Макдональд является главным ученым в ASAPP. Он отвечает за определение направления исследований и групп данных, чтобы достичь видения ASAPP по положительному влиянию на человеческую деятельность через развитие ИИ. В настоящее время группа сосредоточена на продвижении области задачи-ориентированного диалога в реальных ситуациях, таких как обслуживание клиентов. В таких динамических средах существует множество взаимодействующих частей: разговор между клиентом и агентом; окружающая среда и инструменты, которые использует агент; различные меры успеха; широкий спектр потребностей и ситуаций клиентов. Оптимизация этой среды для достижения качественных результатов для клиентов, агентов и компаний требует значительных исследований в области извлечения, генерации языка, ограниченной оптимизации, обучения и, критически, оценки.

Райан работает над пониманием языка и машинным обучением более 20 лет. Его докторская диссертация в Университете Пенсильвании была посвящена новым методам машинного обучения для структурированного прогнозирования в НЛП, наиболее заметно информационному извлечению и синтаксическому анализу. В Пенсильванском университете его исследования были инструментальными в развитии областей зависимости синтаксического анализа и адаптации домена в сообществе НЛП. После защиты диссертации Райан присоединился к исследовательской группе Google (GOOGL ). Там он исследовал анализ настроений и модели суммаризации для обзоров потребителей, что привело к одному из первых крупномасштабных систем суммаризации потребителей, используемых миллионами пользователей каждый день.

Затем исследования Райана перешли к массово-мультилингвальному пониманию языка. Сначала его исследования были сосредоточены на улучшении машинного перевода, но растущая важность мультилингвальности в информационном поиске и цифровых помощниках привела его исследования к internacionalизации этих важных технологий. Команда Райана сыграла решающую роль в разработке Google Assistant как глобальной технологии. В это время он также возглавил консорциум Universal Dependencies с большой группой академических сотрудников. Это, безусловно, является крупнейшим мультилингвальным консорциумом, направленным на синтаксические языковые ресурсы. После более чем десяти лет работы над потребительскими продуктами Райан сменил направление на корпоративный сектор и возглавил многочисленные проекты НЛП и МО для улучшения облачных сервисов Google, включая основной API НЛП, решения для Call Center AI и открытие знаний из научной литературы. Исследования Райана по НЛП и МО в корпоративном секторе продолжаются в ASAPP.

Райан опубликовал более 100 исследовательских работ в лучших журналах и конференциях, которые были процитированы тысячи раз. Он получил премии за лучшие работы на премьерных международных конференциях (EMNLP, NAACL) за свою работу по мультилингвальному синтаксическому анализу. Его книга «Анализ зависимостей» служит одним из основных педагогических ресурсов в синтаксическом анализе более десяти лет. Помимо участия в качестве председателя почти на каждой конференции НЛП и МО первого уровня, он был редактором двух лучших журналов в области – Transactions of the Association for Computational Linguistics и Computational Linguistics. Он консультировал многочисленных аспирантов и стажеров и прочитал приглашенные лекции на лучших конференциях, семинарах и университетах мира.

Что изначально привлекло вас к машинному обучению и, более конкретно, к обработке естественного языка?

Я был студентом с двойной специальностью в области компьютерных наук и философии. Меня особенно интересовала философия ИИ, а также более практические аспекты того, как работает ИИ. Мне повезло получить исследовательский проект с Джеральдом Пенном в Университете Торонто, который был сосредоточен на суммаризации новостей для мобильных телефонов. Это было более 20 лет назад и использовало очень примитивные методы по сравнению с современными стандартами. Джеральд был отличным наставником и увлек меня формальными моделями структуры языка (синтаксиса и семантики). Меня увлекла сложность языка и математические рамки для объяснения явлений, которые люди естественно парсят каждый день. В то время поисковые системы были повсеместными, и я мог видеть огромный потенциал НЛП и МО в будущем.

Вы опубликовали более 100 исследовательских работ в лучших журналах и конференциях, которые были процитированы тысячи раз. Какая из этих работ, по вашему мнению, была наиболее влиятельной?

Это всегда трудный вопрос, ответить на который. И по мере того, как время проходит, я думаю, мой ответ меняется. Если бы вы спросили меня несколько лет назад, я бы сказал, что это работа, которую я сделал по использованию алгоритмов графов для анализа зависимостей. Эта работа, вместе с работой Джоакима Нивре, породила более десяти лет быстрых исследований по синтаксическому анализу зависимостей, что оказало значительное влияние на внедрение НЛП в технологических компаниях, включая огромное количество работы, которую мои коллеги и я сделали в Google для Поиска, Перевода, Помощника и т. д.

Однако с быстрым внедрением нейронных сетей использование дискретных синтаксических представлений языка отошло на второй план. Теперь я бы сказал, что это семинальная работа, которую я сделал с Джоном Блитцером и Фернандо Перейрой по адаптации домена. Методы, которые мы использовали в этой работе, не являются супер актуальными сегодня, однако я думаю, что эта работа (вместе с современной работой Хала Доме) укрепила формулировку проблемы и ее важность для области. Теперь, когда я исключительно работаю в корпоративном секторе, я очень осознаю проблемы, которые мы подняли в то время, и которые мы все еще должны решить.

Вы провели большую часть своей карьеры в Google, помогая создавать передовые технологии НЛП и МО и выводить их в производство. Какие были некоторые из ваших ключевых выводов из этого опыта?

Мой ключевой вывод будет заключаться в том, что при построении моделей НЛП и МО невозможно предсказать, когда что-то пойдет не так. Необходимо быть одержимым данными, анализом ошибок, метриками и т. д. на всех этапах процесса. Попытка угадать болевые точки часто бывает бесполезной, и часто более эффективно строить модели «от начала до конца» как можно быстрее и адаптироваться.

Как исследователи НЛП и МО, мы фокусируемся на том, где модель может сломаться и какие предположения модели не будут действительны, когда «резина встречается с дорогой». Но часто именно обработка данных или пользовательский опыт является ключом к созданию успешных продуктов НЛП и МО. Только когда эти аспекты являются прочными, мы можем действительно итерировать качество, чтобы выжать из моделей всю возможную ценность.

В начале 2021 года вы присоединились к ASAPP в качестве главного ученого, компании, которая предлагает инструменты ИИ для эмансипации агентов обслуживания клиентов. Что привлекло вас к этой позиции?

Для более полного ответа прочитайте мою блог-пост на эту тему. Но чтобы суммировать, основные причины являются:

• Проблемы сложны. Агенты, которые участвуют в трудных взаимодействиях с клиентами, должны иметь много информации и опыта, чтобы решить проблемы клиентов. Построение моделей, которые добавляют ценность над огромным количеством знаний домена, особенно когда сигналы слабы, является трудной задачей. Например, был ли низкий балл удовлетворенности клиента из-за того, что агент сделал что-то неправильно, или клиент был просто вообще расстроен?
• Компании и агенты, которые работают в этой области, супер-взволнованы ИИ, который поможет им улучшить опыт клиентов. Они не борются с прогрессом, а видят его как критически важный инструмент для решения реальных проблем, с которыми они сталкиваются. Иметь такого заинтересованного партнера является удивительным.
• Наконец, в отличие от потребительских технологий, набор доменов и проблем в корпоративной среде так разнообразен, что адаптация (см. мой ответ на вопрос 2) является проблемой, которую необходимо решить. Мы не можем просто построить сервисы для одной компании или одной отрасли, а для всех. Это такой отличный тест для текущего состояния ИИ.
• ASAPP исключительно фокусируется на этой проблеме.

Можете ли вы обсудить видение ASAPP по увеличению человеческой активности через развитие ИИ?

Наша центральная гипотеза в ASAPP заключается в том, что ИИ не должен заменять людей, а дополнять их положительным и продуктивным образом. Это видение широкое, и у нас есть амбиции применить его ко всем соответствующим человеческим активностям. Однако, поскольку это широкий мандат, первая область, на которую мы выбрали сосредоточиться, является доменом опыта клиентов.

Домен опыта клиентов воплощает все проблемы и вознаграждения, которые возникают при дополнении человеческой активности. Агенты участвуют в сложных задачах решения проблем, которые требуют от них следовать рабочим потокам, извлекать релевантную информацию из баз данных клиентов и знаний, и адаптироваться к нюансированным ситуациям, в которые клиент может оказаться. Это дает начало огромному количеству возможностей для ИИ улучшить этот процесс. Однако мы считаем, что важно делать это положительным образом, то есть:

• Дополнение происходит в моменты, которые являются естественными и плавными в ходе работы агента. Это критически важно. Если ИИ мешает или вмешивается в неудачные моменты или с плохой задержкой, это фактически будет иметь негативное влияние на опыт агента, поскольку им придется сознательно игнорировать ИИ.
• Более критически, мы хотим, чтобы ИИ достигал положительных результатов для всех вовлеченных людей. В данном случае это клиент, агент и организация. Клиенты хотят, чтобы их проблемы были решены эффективно и эффективно. Агенты хотят сделать это для клиентов. Кроме того, агенты выполняют трудную работу, часто имея дело с трудными недовольными клиентами. ИИ должен помочь им сбалансировать работу и когнитивную нагрузку, чтобы уменьшить усталость и выгорание и увеличить удовлетворенность работой. Ведь агенты в колл-центрах имеют один из худших показателей текучести кадров (до 100% в год в некоторых колл-центрах) среди любой работы в Америке. Наконец, мы хотим положительных бизнес-результатов для компании, которая управляет колл-центром. Это может быть удовлетворенность клиентов, объем решаемых проблем в день или даже объем продаж.

Для колл-центров мы часто думаем, что положительные результаты между клиентом, агентом и компанией находятся в конфликте друг с другом. Но хороший ИИ поможет оптимизировать все три.

Можете ли вы обсудить текущую анатомию ИИ колл-центра?

Сегодня почти каждый этап вашего взаимодействия с колл-центром имеет некоторую форму ИИ, управляющую или информирующую, как решается проблема.

Первым шагом является интерактивный голосовой ответ (IVR) или чат-бот. Это полностью автоматизировано, и его основная цель – понять, почему клиент звонит, и направить его соответствующим образом. Потенциально эти системы будут пытаться собрать как можно больше информации, прежде чем отправить клиента к агенту, чтобы максимизировать шансы того, что агент сможет быстро решить проблему. Многие современные боты также могут直接 решить проблему пользователя без необходимости агента – так называемое «сдерживание», поскольку звонок никогда не требует человеческого вмешательства. Это может быть достигнуто путем рекомендации часто задаваемых вопросов или просто выполнения некоторой простой задачи для клиента.

После этого звонок переходит к агенту. Как только агент принимает звонок, основная роль ИИ заключается в том, чтобы направлять и предлагать агенту, что сказать дальше, какой поток следует выполнить, какие статьи базы знаний помогут решить проблему. Эти модели обычно обучаются на исторических данных и оптимизируются для некоторого ключевого показателя производительности, который может быть временем обработки (как быстро проблема была решена) или баллом удовлетворенности клиента (был ли клиент доволен опытом).

Как только звонок или чат завершается, ИИ все еще работает. В большинстве колл-центров агент оставит структурированную информацию и заметки о том, что произошло во время звонка. Это делается для аналитических целей, но также для любого последующего агента, который возьмет на себя решение проблемы, если она не была решена. ИИ помогает со всеми этими шагами.

Наконец, в колл-центре есть супервайзеры, которые помогают агентам и растят их навыки. ИИ может быть критически важным здесь. В колл-центре с сотнями агентов, обрабатывающих тысячи звонков в день, как супервайзеры могут определить проблемы, которые требуют их вмешательства? Как они могут понять, что произошло во время дня? Как они могут найти области для улучшения для агентов, чтобы вырастить их навыки? ИИ может помочь с этими шагами.

Как ASAPP помогает уменьшить текучесть кадров в колл-центрах?

Крупные компании, предлагающие потребительские товары и услуги, тратят миллионы, а иногда и миллиарды долларов каждый год на контакт-центры, обслуживающие их клиентов, при этом стоимость труда составляет 80-90% от общих затрат. Это большая проблема, которая приводит к текучести кадров агентов на 40% – и иногда 100% или более – каждый год.

Часто существует карикатура на то, что агенты безразличны к вашим проблемам и проходят через движения. Ничто не может быть дальше от истины. Агенты, как и все люди, получают удовлетворение от того, что помогают клиентам решить их проблемы. Как бы вы предпочли провести свой день, слыша крепкие «спасибо» или кричащих клиентов? В недавнем исследовании, которое мы провели, мы обнаружили, что 90% агентов сообщили, что звонки с клиентами сделали их день, и большинство сказали, что они довольны своей работой. Но агенты хотят инструментов и обучения, необходимых для того, чтобы сделать клиентов счастливыми. Несчастные клиенты приводят к разочарованным, уставшим и стрессовым агентам. Это основной фактор текучести кадров.

ИИ, который дополняет агентов во время звонка (как описано ранее), уже помогает. Если агент имеет инструменты и руководство о том, как эффективно и быстро решить проблему для клиента, то шансы того, что клиент будет доволен, могут быть только выше, что, в свою очередь, должно привести к более высокой удовлетворенности работой.

Однако ASAPP не начинается с этого. Хотя динамическое руководство в реальном времени является критически важным, более структурированное обучение, коучинг и обратная связь также важны. Многие агенты обучаются на новых проблемах или процедурах «вживую». То есть они получают описание процедуры, но затем видят ее только на практике, когда они принимают звонок с реальным клиентом. Представьте, что мы дали пилотам руководство по самолету, а затем сказали им лететь 300 пассажиров в Денвер? Из-за этого мы фокусируемся на использовании ИИ для помощи в построении инструментов для агентов, чтобы они могли практиковать процедуры и справляться с трудными ситуациями, прежде чем они будут иметь дело с реальными клиентами. Когда это сочетается с целевой обратной связью (либо от супервайзера, либо автоматически), это позволит агенту вырастить свои навыки в менее стрессовой среде.

Лучший ИИ для улучшения удовлетворенности клиентов в динамических ситуациях, а также ИИ для обоснованного обучения – это то, как ASAPP фокусируется на агенте с конечной целью уменьшения текучести кадров.

Какие примеры результатов, которые можно достичь путем включения ИИ в колл-центр?

Как упоминалось ранее, ИИ может быть трансформирующей технологией для повышения производительности. Для авиакомпании США, с которой мы работаем, мы увидели увеличение производительности агентов на 86% и рост организационной производительности (общее количество взаимодействий по всем каналам обслуживания клиентов, разделенное на труд, затраченный на удовлетворение этих потребностей) на 127%. Для глобального сетевого оператора, использующего услуги ASAPP, чистый балл рекомендаций (готовность клиентов рекомендовать продукты или услуги компании другим) увеличился на 45%. Для топ-3 кабельной компании, использующей услуги ASAPP, стоимость взаимодействия уменьшилась на 52%. Эти примеры показывают, как ИИ может увеличить производительность, улучшить качество обслуживания клиентов и уменьшить бизнес-расходы.

Каково ваше личное видение будущего ИИ на рабочем месте?

ИИ уже довольно распространен на рабочем месте. Когда я пишу это, проверка орфографии и грамматики, а также автозаполнение текста помогают мне. У меня есть фильтры спама и классификаторы сообщений на моем электронной почте/инструментах обмена сообщениями. Я использую ИИ-управляемый поиск, чтобы найти релевантную информацию, которую мне нужно, чтобы выполнить. Это будет расти, а также мое внедрение, когда количество функций ИИ и их качество увеличится.

Однако я бы назвал этот вид ИИ атомарным. Он, безусловно, помогает мне, но в очень точных моментах, которые позволяют делать высокоточные прогнозы. Я, конечно, не могу попросить ИИ ответить на эти вопросы, например 🙂

Более серьезно, мое видение заключается в том, чтобы увидеть внедрение ИИ «от начала до конца» на рабочем месте. Я не имею в виду «от начала до конца» в смысле моделирования машинного обучения. То, что я имею в виду, это то, что ИИ будет обеспечивать целостные крупные и сложные задачи, оптимизируемые для общей цели, а не только атомарных точек в процессе. ASAPP уже приносит это к колл-центрам. Например, мы оптимизируем, что агент скажет дальше, на основе целостного набора факторов о том, где агент находится в разговоре и какой является конечная цель. Но за пределами этого представьте, что ученый пытается написать систематический обзор важной темы, программист строит платформу или интегрирует сложные системы, юрист пишет юридический бриф. В будущем каждый из этих профессионалов будет полагаться на ИИ, чтобы быстро увеличить свою эффективность в этих задачах и оптимизировать желаемые результаты, освобождая их для более критических задач.

Есть ли что-то еще, что вы хотели бы поделиться об ASAPP?

Наша исследовательская команда в ASAPP имеет четкий фокус: мы продвигаем ИИ, чтобы дополнить человеческую активность и решить реальные проблемы для корпоративных клиентов. Исследователи в ASAPP работают над фундаментальным продвижением науки НЛП и МО к нашей цели развертывания решений ИИ, специфичных для домена, в реальном мире, и применять эти достижения к нашим продуктам. Они используют огромные объемы данных, генерируемые нашими продуктами, и нашу способность развертывать функции ИИ в реальное использование, чтобы задавать и решать фундаментальные исследовательские вопросы новыми способами.

Откройте наши недавние статьи на https://www.asapp.com/ai-research/.

Спасибо за подробные ответы, читатели, которые хотят узнать больше, должны посетить ASAPP.