Nikola Mrksic, medgrundare och VD för PolyAI – Intervjuserie

Nikola Mrksic är medgrundare och VD för PolyAI, en ledande leverantör av företagsklara röstassistenter för automatiserad kundservice.

Vad var det som initialt drog dig till AI?

Jag har varit intresserad av matematik och datavetenskap sedan en mycket tidig ålder. Under mina studier vid Cambridge fick jag möjlighet att arbeta med flera ledande maskinläringsforskare, inklusive Steve Young och Zoubin Ghahramani. Steve övertalade mig att gå med i hans startup, VocalIQ, för att arbeta med att bygga talade dialogsystem. Senare gjorde jag en doktorsexamen med Steve som handledare, och arbetade med att bygga data-drivna språkförståelsemodeller som fungerar över olika användningsfall och språk. Konversations-AI är ett mycket svårt och komplext område, med många vetenskapliga och tekniska genombrott som fortfarande ligger framför oss, och det har hållit mig sysselsatt sedan dess.

2017 lanserade du PolyAI, ett konversations-AI-företag. Kan du diskutera ursprunget till PolyAI?

Mina medgrundare, Shawn Wen, Eddy Su och jag gjorde våra doktorsexamen vid Cambridge samtidigt. Vi hade arbetat med dialogsystem i flera år, men vi insåg snart att de slags avancerade system vi var vana att arbeta med hade mycket få kommersiella tillämpningar. Så vi kom samman för att skapa en konversations-AI-lösning som skulle vara till nytta i den verkliga världen. Vi såg en möjlighet för riktigt konversationsbaserade, multi-turn, transaktionsbaserade dialogsystem som kunde interagera med riktiga människor i vardagslivet.

Vi fokuserade på kundservice eftersom vi tyckte att den aktuella tekniska kapaciteten och kundernas krav var väl matchade.

Kan du diskutera några av de maskinlärnings- och naturligt-språkbehandlings-teknologier som används?

Vår huvudsakliga hemlighet är vår uppsättning olika proprietära encoder-modeller. Vi har förtränat dem på miljarder naturliga samtal, så de kan extrahera avsikt även när indata-talet använder slang eller idiom till exempel. Detta är otroligt viktigt för kommunikation över telefon. Kunder talar inte i nyckelord; de berättar historier, avbryter, ställer frågor och vill i allmänhet ta kontroll över samtalet.

Vi har nyligen tillkännagett vår ConVEx-modell, en extremt data-effektiv entitets-extraherare, som tillåter oss att exakt extrahera värden från samtal.

Vår ASR-koordineringsprocess innefattar att använda finjusterings-taligenkänning-plattformar för att neutralisera bruset som orsakas av olika accenter, samt finjustering för olika sammanhang.

Vi har också utvecklat en ganska robust dialogpolicy-bibliotek med fördesignade användningsfall som inkluderar alla vanliga kundservice-transaktioner, så vi kan starta en ny röstassistent för kunder extremt snabbt.

I din åsikt, vad skiljer ett bra konversations-AI-produkt från ett dåligt?

Ett bra produkt kommer konsekvent att förstå vad användare menar och kommer aldrig att göra att användare upprepar sig. Samtal sker ofta i bullriga miljöer, så produkter måste vara robusta mot smutsiga indata. När varumärken når ut till stora marknader, måste produkter förstå en mängd olika accenter och sätt att uttrycka avsikter. Båda dessa kräver att produkter garanterar robust taligenkänning, robust avsikt-klassificering och entitets-extrahering.

Ett fantastiskt produkt kommer att vara aktivt engagerande för användare. Det kommer att följa användarens tankar, och kunna hantera komplexa, vardagliga fall där användare kan dela flera avsikter och informationsbitar samtidigt, och de kan hoppa mellan olika sammanhang. Det kräver robust multi-etikett-klassificering och sammanhangshantering.

Ett engagerande produkt kommer att visa mänskliga egenskaper utan att vara onaturligt eller för robotiskt. Det innebär snabba interaktioner, äkta röster, kontinuerlig återkoppling och en viss grad av slumpmässighet och ofullkomlighet.

Slutligen, ett fantastiskt konversations-AI-produkt kommer att engagera sig med användare var de än är och erbjuda en sömlös, plattformsspecifik upplevelse, som kan omfatta röst, SMS, chatt eller social meddelande-plattformar. Interaktionsparadigmet bör omfamna varje kommunikationsplattforms specifika egenskaper.

Vilka är några av fördelarna med att företag använder konversations-AI istället för att försöka kanalisera förfrågningar till chatbotar?

Kundupplevelsen är kritisk och har blivit en nyckeldriver för kundbehållning. Den främsta prioriteringen bör vara att göra det lätt för kunder att göra vad de behöver göra.

Telefonen är fortfarande kundernas föredragna kanal för att kontakta ett företag. Upp till 65% av alla kundinteraktioner sker fortfarande över telefon. Under COVID-19-pandemin har kontaktcenter pressats till extremt med fler kunder än någonsin som ringer för support.

Det är naturligtvis en bra upplevelse som tillåter kunder att kommunicera hur de vill, så för alla som föredrar asynkron kommunikation, gör vi det enkelt för varumärken att erbjuda samma nivå av upplevelse över textbaserade kanaler.

Hur stor utmaning är det att upptäcka avsikten med vad en kund försöker säga?

Det finns flera utmaningar med att förstå kunder via röstkanaler. Att exakt och konsekvent förstå användarnas mening kräver att många komponenter fungerar bra tillsammans.

Först är taligenkänning svårt, särskilt när människor ringer från bullriga miljöer som när de är på högtalartelefon, eller när de kör genom trafik eller tunnlar. Taligenkänning kan också vara svårt i regioner med olika accenter och dialekter. Vi har utvecklat ett effektivt sätt att biasera taligenkänningmodeller för den givna kontexten för att optimera taligenkänning.

Eftersom vår ConveRT-modell har tränats på så mycket konversationsdata, kan den upptäcka avsikt på svaga signaler, precis som vi människor vanligtvis kan förstå vad någon säger, även om vi missar ett eller två ord.

En annan övervägning är att förstå när användare vill utföra flera åtgärder på en gång. Till exempel kan någon säga, “Jag har förlorat min kreditkort. Kan du låta mig veta om det har använts och blockera det?”. I detta fall måste modellen känna igen två avsikter och agera på dem i en ordning som har mening.

Modellen måste också kunna extrahera och förstå de entiteter som kunderna frivilligt tillhandahåller. Till exempel, “Har du ett bord ledigt för lunch på lördag för mig, min fru och våra 2 barn?”. Ytanivå-avsikten här är att kontrollera tillgänglighet för ett bord, men modellen måste plocka ut datumet (lördag) och antalet personer (4) och eventuell annan relevant information som kan vara relevant (till exempel att barn bara är tillåtna i restaurangområdet och inte kan sitta vid baren).

Slutligen är konversationen inte alltid linjär. Kunder kan avbryta med frågor som inte är relaterade till röstassistentens prompt, så assistenten måste kunna “lyssna ut” för en typ av indata, samtidigt som den är öppen för olika utlösare som till exempel vanliga frågor eller ändringar av information som tidigare tillhandahållits av användaren.

Vad är processen och tidsramen som krävs för ett företag som vill lansera en konversations-AI-bot med PolyAI?

Vi är här för att tillhandahålla röstassistenter som har en mätbar affärspåverkan. Så vi börjar varje engagemang med en upptäckt där vi hjälper kunder att identifiera och artikulera sina CX-mål, nyckel-metrar och supportprocesser. Detta är där vi definierar de resor som röstassistenten behöver guida kunder genom. Detta, plus vår förtränade ConveRT-modell, innebär att vi inte behöver stora mängder konversationsdata från kunder.

Från där kan vi utveckla en röstassistent med mycket liten inmatning behövd från kunden, så det är inte alls krävande för företagets IT-team.

Beroende på komplexitet kan vi starta en bevis på värde på så lite som 2 veckor, och en fullt utvecklad distribution på 2 månader.

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