Gautam Kanumuru, VD och medgrundare av Yogi – Intervju-serie

Du arbetade tidigare med NLP och Cortana på Microsoft, och sedan hjälpte du till att leda Clarke.AI genom ett förvärv. Vad motiverade dig att starta Yogi, och hur har din bakgrund format företagets uppdrag?

Det som fick mig att starta Yogi var den potential som finns i naturlig språkbehandling. På Microsoft och Clarke.AI såg jag själv hur en relativt liten förbättring av NLP – säg en 5-10% ökning av prestanda – kunde låsa upp hundratals nedströmsanvändningsfall. Men jag märkte också en lucka mellan vad som såg imponerande ut i en demo och vad som faktiskt levererade verkligt värde till kunder. Med Yogi satte vi oss att stänga den luckan. Vi ville bygga något som kunde göra en påtaglig, synlig inverkan, som förändringar i en produkt på en butikshylla som du kan spåra tillbaka till insikter genererade av vår plattform.

I Yegis tidiga dagar, vad var den största utmaningen för att få konsumentvarumärken att lita på AI för något så nyanserat som kundattityd?

Skepsis kom från två håll: en var teknologin i sig, och den andra var att vi var ett litet företag som talade med stora företag. Vi lärde oss snabbt att det inte räcker att prata om vad din produkt kan göra, du måste visa det. Det innebar att erbjuda att analysera prover innan de blev begärda, svara på riktiga affärsfrågor på plats och alltid leverera värde från dag ett. Och vi gjorde också klart att vi skulle arbeta igenom eventuella problem efter införandet. Den sortens tillförlitlighet var viktig.

Yogi använder AI och NLP för att extrahera attityd från produktrecensioner. Kan du gå igenom hur er plattform översätter råa köparens återkoppling till granulära, agerbara insikter?

Vi tänker på det i tre faser: aggregera, organisera och analysera. Först aggregerar vi kundåterkoppling från flera kanaler: recensioner, enkäter, supportärenden och ser till att den är korrekt knuten till rätt produkt, SKU och återförsäljare. Det är svårare än det låter. Till exempel kan samma produkt ha något olika listningar över flera webbplatser.

Sedan organiserar vi data. Här är där vår andra lager av AI läser återkopplingen som en människa skulle. Den identifierar vilka ämnen som diskuteras, hur de beskrivs och med vilken attityd utan att förlita sig enbart på nyckelord.

Till slut analyserar vi. Det är här vi presenterar insikter för våra användare genom ett högt interaktivt gränssnitt. Våra senaste verktyg låter till och med användare skriva komplexa frågor som “Hur har jag presterat mot mina tre konkurrenter under det senaste året?” och få ett svar inom några sekunder.

Vad skiljer Yegis AI-modeller från generiska sentimentanalysverktyg? Finns det specifika tekniker som hjälper er att fånga nyanser i konsumentåterkoppling?

Yogi är som en doktorsavhandling inom kundåterkoppling. Generiska modeller, även avancerade som ChatGPT, är som riktigt smarta studenter: de vet en del om allt. Vi har finjusterat våra modeller specifikt för det här området, med vår egen dataset och omfattande förbearbetning. Eftersom vi lägger till lager av struktur, som attityd, ämnen och produktmappning, ger vi rik kontext kring varje text som modellen utvärderar.

Många AI-plattformar kämpar med kontext eller sarkasm i kundrecensioner. Hur hanterar Yogi utmaningarna med ostrukturerad, emotionellt komplex data?

Vi hanterar det genom kontinuerlig utbildning och användarinput. Vår modell förbättras genom att kontinuerligt mata in exempel på sarkasm, tvetydighet eller utvecklande slang. Vi låter också användare markera problematiska tolkningar, som vi sedan kan mata tillbaka in i vår utbildningsprocess. Den här finjusteringen kräver inte miljontals exempel, bara ett fåtal riktade exempel kan förbättra prestandan avsevärt.

Hur hjälper Yogi företag att upptäcka produktrelaterade problem, spåra attitydförändringar och reagera i realtid? Kan du dela en framgångshistoria?

Absolut. I allmänhet ser vi många användningsfall, men tre vanliga kategorier. Först, produktinnovation: företag använder oss för att utforska nya kategorier och identifiera outredda behov innan de lanserar en ny produkt. Vi har haft kunder som började använda Yogi två år innan en produkt släpptes för att forma allt från formel till förpackning.

Andra, produktkvalitet: om ett team ändrar en komponent – säg en del i en kaffemaskin – kan de spåra post-release-attityd för att se om klagomål ökar. Detta gäller över sektorer, inklusive skönhet, mat och elektronik.

Tredje, strategisk analys: vi har sett varumärken använda Yogi för att utvärdera potentiella förvärv genom att analysera konsumentåterkoppling om målprodukter. Det är en nivå av due diligence som de inte hade tillgång till tidigare.

Yogi används nu för att optimera PDP, anpassa marknadsföringsmeddelanden och till och med spåra leveransproblem. Hur har produkten utvecklats för att stödja så många arbetsflöden?

Det är helt kunddrivet. Vi tror att kundåterkoppling är relevant för varje team i ett företag, från produkt till försäljning till support. Så när vi ser att våra användare drar insikter för ett nytt syfte, frågar vi: kan Yogi anpassa sig för att stödja det användningsfallet på naturlig väg? Det är så vi har vuxit. Vi byggde inte ursprungligen för marknadsföring eller leveranskedja, men de teamen såg värdet och bad om funktioner. Vi lyssnade.

Hur hjälper ni företag att övervaka konkurrenter och upptäcka disruptorer innan de blir hot?

Vi utnyttjar offentliga källor som recensioner och betyg för att spåra konkurrerande produkter i realtid. Vår plattform använder aviseringar och en “insiktsflöde” för att flagga när något ovanligt händer, som en ökning av positiv attityd för en konkurrents produkt. Våra kunder behöver inte övervaka allt manuellt. Yogi scannar kontinuerligt och kommer att presentera allt anmärkningsvärt utan att behöva uppmanas.

Vart ser du att framtiden för AI-drivna kundinsikter är på väg under de kommande 3 till 5 åren, och vilken roll kommer Yogi att spela i det landskapet?

Två viktiga förändringar är på väg. Först är automatisering. Uppgifter som tidigare tog veckor, som att sammanställa en jämförelse, reduceras till timmar eller till och med minuter. Snart kan en användare fråga Yogi en fråga och få tillbaka en fullständigt formaterad rapport eller presentationsbilder.

Andra är uppkomsten av nya typer av analys. AI kommer att möjliggöra snabba, iterativa undersökningar som tidigare var för dyra eller tidskrävande, som ad-hoc fokusgruppsliknande insikter från offentliga data. Vi tror att Yogi är väl positionerat för att leda på båda fronterna: att påskynda forskning och möjliggöra helt nya arbetsflöden.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Yogi.