ไรอัน แมคโดนัลด์ Chief Scientist ที่ ASAPP – สัมภาษณ์ซีรีส์

ไรอัน แมคโดนัลด์ เป็น Chief Scientist ที่ ASAPP เขารับผิดชอบในการกำหนดทิศทางของกลุ่มวิจัยและวิทยาศาสตร์ข้อมูลเพื่อให้บรรลุวิสัยทัศน์ของ ASAPP ในการเพิ่มประสิทธิภาพกิจกรรมของมนุษย์โดยใช้ AI กลุ่มนี้มุ่งเน้นไปที่การปรับปรุงสาขาของการโต้ตอบแบบมีหน้าที่ในสถานการณ์จริง เช่น การดูแลลูกค้า ในสภาพแวดล้อมที่มีหลายส่วนต่อประสานกัน มีหลายปัจจัยที่ต้องพิจารณา เช่น การสนทนาระหว่างลูกค้าและตัวแทน การใช้เครื่องมือและสภาพแวดล้อมของตัวแทน การวัดความสำเร็จที่หลากหลาย ความต้องการและสถานการณ์ของลูกค้าที่หลากหลาย การเพิ่มประสิทธิภาพสภาพแวดล้อมนี้เพื่อนำไปสู่ผลลัพธ์คุณภาพสำหรับลูกค้า ตัวแทน และบริษัทต้องการการลงทุนในการวิจัยที่สำคัญในด้านการค้นหา การสร้างภาษา การเพิ่มประสิทธิภาพที่ถูกจำกัด การเรียนรู้ และการประเมิน

ไรอันทำงานเกี่ยวกับการทำความเข้าใจภาษาและเครื่องมือการเรียนรู้ของเครื่องจักรเป็นเวลา hơn 20 ปี การทำงานดุษฎีนิพนธ์ของเขา tại University of Pennsylvania มุ่งเน้นไปที่วิธีการเรียนรู้ของเครื่องจักรใหม่ๆ สำหรับการทำนายโครงสร้างใน NLP โดยเฉพาะการถอดรหัสข้อมูลและวิเคราะห์เชิงวากยสัมพันธ์ ที่ Penn การวิจัยของเขาเป็นสิ่งสำคัญในการเติบโตของสาขาการวิเคราะห์เชิงวากยสัมพันธ์และการปรับเปลี่ยนโดเมนในุมชน NLP หลังจากการทำงานดุษฎีนิพนธ์ ไรอันเข้าร่วมกลุ่มวิจัยของ Google (GOOGL ) ที่นั่นเขาวิจัยเกี่ยวกับการวิเคราะห์ความรู้สึกและแบบจำลองการสรุปสำหรับการรีวิวของผู้บริโภค ซึ่งนำไปสู่ระบบสรุปขนาดใหญ่สำหรับผู้บริโภคที่ถูกใช้โดยล้านๆ คน每วัน

การวิจัยของไรอันเปลี่ยนไปสู่การทำความเข้าใจภาษาหลายภาษาในระดับมากๆ ในตอนแรก การวิจัยของเขาเน้นไปที่การปรับปรุงการแปลภาษา แต่ความสำคัญที่เพิ่มขึ้นของการทำความเข้าใจภาษาหลายภาษาในการค้นหาข้อมูลและผู้ช่วยดิจิตอลนำไปสู่การวิจัยเกี่ยวกับการนำเทคโนโลยีเหล่านี้ไปใช้ในระดับโลก การวิจัยของไรอันและทีมของเขาเป็นสิ่งสำคัญในการพัฒนา Google Assistant เป็นเทคโนโลยีระดับโลก ในช่วงเวลานี้ เขายังเป็นผู้นำในการพัฒนา Universal Dependencies consortium ร่วมกับกลุ่มผู้วิจัยจากมหาวิทยาลัยต่างๆ ซึ่งเป็นชุดข้อมูลหลายภาษาที่ใหญ่ที่สุดสำหรับทรัพยากรภาษาเชิงวากยสัมพันธ์ หลังจากทำงานในผลิตภัณฑ์สำหรับผู้บริโภคเป็นเวลาเกือบสิบปี ไรอันเปลี่ยนไปสู่การทำงานในระดับองค์กรและนำโครงการ NLP และ ML หลายๆ โครงการเพื่อปรับปรุงบริการ Cloud ของ Google รวมถึง NLP API หลัก และโซลูชันสำหรับ Call Center AI และการค้นพบความรู้จากวรรณกรรมทางวิทยาศาสตร์ การวิจัยของไรอันเกี่ยวกับ NLP และ ML ในระดับองค์กรยังคงดำเนินต่อไปที่ ASAPP

ไรอันเผยแพร่ผลงานวิจัยมากกว่า 100 ฉบับในสมุดบันทึกและงานประชุมระดับแนวหน้า ซึ่งถูกอ้างอิงหลายพันครั้ง เขาได้รับรางวัลบทความดีที่สุดในงานประชุมระหว่างประเทศชั้นนำ (EMNLP, NAACL) สำหรับการทำงานของเขาเกี่ยวกับการวิเคราะห์เชิงวากยสัมพันธ์หลายภาษา หนังสือของเขา ‘การวิเคราะห์เชิงวากยสัมพันธ์’ ได้กลายเป็นทรัพยากรหลักในการสอนการวิเคราะห์เชิงวากยสัมพันธ์มาเกือบสิบปี นอกจากการเป็นประธานพื้นที่ในงานประชุม NLP และ ML ระดับแนวหน้าเกือบทั้งหมดแล้ว เขายังเป็นบรรณาธิการสำหรับสมุดบันทึกสองเล่มที่ดีที่สุดในสนาม — Transactions of the Association for Computational Linguistics และ Computational Linguistics เขาได้ให้คำปรึกษานักศึกษาดุษฎีนิพนธ์และนักศึกษาฝึกงานหลายคน และได้รับเชิญให้พูดในงานประชุมและเวิร์กช็อปชั้นนำตลอดทั้งโลก

อะไรที่ทำให้คุณสนใจในการเรียนรู้ของเครื่องจักรและโดยเฉพาะการประมวลผลภาษา自然?

ฉันเคยเป็นนักศึกษาที่มีเส้นทางคู่ในด้านวิทยาศาสตร์คอมพิวเตอร์และปรัชญา ฉันสนใจอย่างมากในปรัชญาของ AI และด้านปฏิบัติของวิธีการทำงานของ AI ฉันโชคดีที่ได้รับโอกาสในการทำงานวิจัยกับ Gerald Penn ที่ University of Toronto ซึ่งมุ่งเน้นไปที่ การสรุปข่าวสำหรับมือถือ ซึ่งเกิดขึ้นมากกว่า 20 ปีที่แล้ว และใช้วิธีการที่เรียบง่ายตามมาตรฐานในปัจจุบัน เจอรัลด์เป็นคนดีและทำให้ฉันสนใจในแบบจำลองทางคณิตศาสตร์สำหรับโครงสร้างของภาษา (เชิงวากยสัมพันธ์และเชิงความหมาย) ฉันถูกดึงดูดโดยความซับซ้อนของภาษาและกรอบทางคณิตศาสตร์ที่อธิบายปรากฏการณ์ที่มนุษย์ทำความเข้าใจโดยธรรมชาติทุกวัน ในช่วงเวลานั้น เครื่องมือค้นหาข้อมูลเป็นสิ่งที่แพร่หลาย และฉันเห็นข้อได้เปรียบที่มากของ NLP และ ML ในอนาคต

คุณได้เผยแพร่ผลงานวิจัยมากกว่า 100 ฉบับในสมุดบันทึกและงานประชุมระดับแนวหน้า ซึ่งถูกอ้างอิงหลายพันครั้ง ในความคิดของคุณ ผลงานวิจัยใดที่มีอิทธิพลมากที่สุด?

นี่เป็นคำถามที่ยากที่จะตอบ และเมื่อเวลาผ่านไป ฉันคิดว่าคำตอบของฉันเปลี่ยนไป หากคุณถามฉันเมื่อไม่กี่ปีที่แล้ว ฉันจะบอกว่างานที่ฉันทำเกี่ยวกับการใช้ อัลกอริทึมกราฟสำหรับการวิเคราะห์เชิงวากยสัมพันธ์ บทความนี้ ร่วมกับงานของ Joakim Nivre ทำให้เกิดการวิจัยอย่างรวดเร็วเกี่ยวกับการวิเคราะห์เชิงวากยสัมพันธ์เป็นเวลาเกือบสิบปี ซึ่งมีผลกระทบอย่างมากต่อการนำ NLP ไปใช้ในบริษัทเทคโนโลยี รวมถึงงานที่เพื่อนร่วมงานและฉันทำที่ Google สำหรับการค้นหาข้อมูล การแปลภาษา ผู้ช่วย และอื่นๆ

อย่างไรก็ตาม ด้วยการนำเครือข่ายประสาทเข้ามาใช้อย่างรวดเร็ว การใช้การแสดงภาษาที่เป็นเชิงวากยสัมพันธ์แบบไม่ต่อเนื่องได้ลดลง ฉันจะบอกว่างานที่ฉันทำร่วมกับ John Blitzer และ Fernando Pereira เกี่ยวกับ การปรับเปลี่ยนโดเมน วิธีการที่เราใช้ในบทความนั้นไม่เกี่ยวข้องมากในปัจจุบัน แต่ฉันคิดว่าบทความนั้น (ร่วมกับงานร่วมสมัยของ Hal Daume) ได้สร้างกรอบของปัญหาและความสำคัญของมันให้กับสาขานี้ ตอนนี้ที่ฉันทำงานในระดับองค์กรอย่างเต็มเวลา ฉันรู้สึกถึงปัญหาที่เราเน้นย้ำในตอนนั้น และเรายังมีหลายสิ่งที่ต้องแก้ไข

คุณใช้เวลาส่วนใหญ่ในอาชีพการงานของคุณที่ Google ในการสร้างเทคโนโลยี NLP และ ML ที่มีคุณภาพสูงและนำไปสู่การผลิต คุณได้รับข้อคิดอะไรบ้างจากประสบการณ์นี้?

ข้อคิดหลักของฉันคือเมื่อสร้างแบบจำลอง NLP และ ML คุณไม่สามารถคาดเดาได้ว่าสิ่งไหนจะผิดพลาด คุณต้องมุ่งมั่นกับข้อมูล การวิเคราะห์ข้อผิดพลาด เมตริก และอื่นๆ ทั้งหมดในกระบวนการนี้ การพยายามเดาปัญหาเป็นเรื่องที่ไม่มีประโยชน์ และมักจะง่ายกว่าที่จะสร้างแบบจำลองที่สมบูรณ์แบบให้เร็วที่สุดและปรับเปลี่ยน

ในฐานะนักวิจัย NLP/ML เรามุ่งเน้นไปที่จุดที่แบบจำลองอาจล้มเหลวและสมมติฐานการสร้างแบบจำลองที่ไม่ถูกต้องเมื่อเผชิญกับสถานการณ์จริง แต่บ่อยครั้งที่เป็นกระบวนการประมวลผลข้อมูลหรือ UX ที่เป็นกุญแจสำคัญในการสร้างผลิตภัณฑ์ NLP/ML ที่ประสบความสำเร็จ เมื่อเหล่านี้มีความมั่นคงแล้ว เราก็สามารถปรับปรุงคุณภาพของแบบจำลองได้จริงๆ เพื่อเพิ่มคุณค่าให้กับแบบจำลอง

ในปี 2021 คุณเข้าร่วม ASAPP ในตำแหน่ง Chief Scientist บริษัทที่ให้บริการเครื่องมือ AI เพื่อเพิ่มประสิทธิภาพของตัวแทนการบริการลูกค้า สิ่งใดที่ดึงดูดคุณให้เข้าร่วมตำแหน่งนี้?

สำหรับคำตอบที่สมบูรณ์ยิ่งขึ้น อ่าน บล็อกโพสต์ ของฉันเกี่ยวกับหัวข้อนี้ แต่เพื่อสรุปสั้นๆ สาเหตุหลักๆ คือ:

• ปัญหาเป็นเรื่องที่ยาก ตัวแทนการบริการลูกค้าที่มีส่วนร่วมในการโต้ตอบที่ยากลำบากต้องการนำข้อมูลและประสบการณ์มากมายมาใช้ในการสนทนาเพื่อแก้ปัญหาให้กับลูกค้า การสร้างแบบจำลองที่เพิ่มคุณค่าเหนือความรู้ในโดเมนอย่างมากในสถานการณ์ที่สัญญาณอ่อนนั้นเป็นเรื่องที่ท้าทาย เช่น ลูกค้าให้คะแนนความพึงพอใจต่ำเพราะตัวแทนทำอะไรผิดหรือลูกค้าแค่ไม่พอใจโดยทั่วไป
• บริษัทและตัวแทนการบริการลูกค้าที่ทำงานในพื้นที่นี้ตื่นเต้นมากเกี่ยวกับ AI ที่จะช่วยให้พวกเขาปรับปรุงประสบการณ์ของลูกค้า พวกเขาไม่ต่อต้านความก้าวหน้า แต่เห็นว่ามันเป็นเครื่องมือสำคัญในการแก้ปัญหาเชิงปฏิบัติที่พวกเขาเผชิญ การมีคู่ค้าที่มีส่วนร่วมเช่นนี้เป็นเรื่องที่น่าเหลือเชื่อ
• สุดท้าย ไม่เหมือนกับเทคโนโลยีสำหรับผู้บริโภค ชุดโดเมนและปัญหาในพื้นที่องค์กรมีความหลากหลายมาก การปรับเปลี่ยน (ดูคำตอบของฉันสำหรับคำถามที่ 2) คือปัญหาที่ต้องแก้ไข เราไม่สามารถสร้างบริการสำหรับบริษัทหนึ่งหรืออุตสาหกรรมหนึ่งได้ แต่ต้องสร้างให้ครอบคลุมทั้งหมด นี่เป็นการทดสอบที่ดีสำหรับสถานะของ AI ในปัจจุบัน
• ASAPP มุ่งเน้นไปที่ปัญหานี้โดยเฉพาะ

คุณสามารถพูดถึงวิสัยทัศน์ของ ASAPP ในการเพิ่มประสิทธิภาพกิจกรรมของมนุษย์โดยใช้ AI ได้หรือไม่?

สมมติฐานหลักของเราที่ ASAPP คือ AI ไม่ควรแทนที่มนุษย์ แต่ควรเพิ่มประสิทธิภาพให้กับมนุษย์โดยวิธีการที่เป็นบวกและสร้างผลผลิต วิสัยทัศน์นี้กว้างขวางและเรามี抱负ที่จะนำไปใช้กับการดำเนินกิจกรรมของมนุษย์ทั้งหมด อย่างไรก็ตาม เนื่องจากเป็นคำสั่งซื้อที่กว้างขวาง เราจึงเลือกที่จะเน้นไปที่โดเมนของประสบการณ์ลูกค้าเป็นอันดับแรก

โดเมนของประสบการณ์ลูกค้าเป็นตัวแทนของทั้งความท้าทายและผลตอบแทนที่มาจากการเพิ่มประสิทธิภาพกิจกรรมของมนุษย์ ตัวแทนการบริการลูกค้ากำลังทำภารกิจที่ซับซ้อนซึ่งต้องปฏิบัติตามกระบวนการทำงาน การดึงข้อมูลที่เกี่ยวข้องจากฐานข้อมูลลูกค้าและฐานความรู้ และปรับตัวให้เข้ากับสถานการณ์ที่ซับซ้อนซึ่งลูกค้าอาจพบเห็น สิ่งนี้ทำให้เกิดโอกาสมากมายสำหรับ AI ในการปรับปรุงกระบวนการนี้ อย่างไรก็ตาม เราคิดว่ามันสำคัญที่จะทำสิ่งนี้ในลักษณะที่เป็นบวก โดยที่เราให้ความสำคัญกับ:

• การเพิ่มประสิทธิภาพเกิดขึ้นที่จุดที่เป็นธรรมชาติและเป็นกระบวนการระหว่างการทำงานของตัวแทน การแทรกแซงหรือการแทรกแซงในช่วงเวลาที่ไม่เหมาะสมหรือมีหน่วงเวลาที่ไม่ดีจะส่งผลเสียต่อประสบการณ์ของตัวแทน เนื่องจากตัวแทนจะต้องตระหนักและละเว้น AI อย่างตั้งใจ
• สิ่งสำคัญยิ่งกว่านั้น เราต้องการให้ AI บรรลุผลลัพธ์ที่เป็นบวกสำหรับทุกคนที่เกี่ยวข้อง ในกรณีนี้คือลูกค้า ตัวแทน และองค์กร ลูกค้าต้องการให้ปัญหาของตนถูกแก้ไขอย่างมีประสิทธิภาพและรวดเร็ว ตัวแทนการบริการลูกค้าต้องการทำเช่นนั้นสำหรับลูกค้า นอกจากนี้ ตัวแทนการบริการลูกค้ายังทำหน้าที่ที่ยาก โดยมีลูกค้าที่ไม่พอใจบ่อยๆ AI ควรช่วยให้ตัวแทนการบริการลูกค้าสามารถสมดุลระหว่างงานและภาระงานได้ เพื่อลดความเหนื่อยล้าและความเบื่อหน่าย และเพิ่มความพึงพอใจในการทำงาน ในท้ายที่สุด องค์กรต้องการผลลัพธ์ที่เป็นบวกทางธุรกิจ เช่น ความพึงพอใจของลูกค้า ปริมาณปัญหาที่สามารถจัดการได้ในหนึ่งวัน หรือแม้กระทั่งยอดขาย

สำหรับศูนย์บริการลูกค้า เรามักคิดว่าผลลัพธ์ที่เป็นบวกระหว่างลูกค้า ตัวแทน และบริษัทขัดแย้งกัน แต่ AI ที่ดีจะช่วยให้สามารถเพิ่มประสิทธิภาพสำหรับทั้งสามอย่างนี้

คุณสามารถอธิบายกายวิภาคของ AI ในศูนย์บริการลูกค้าในปัจจุบันได้หรือไม่?

ในปัจจุบันเกือบทุกขั้นตอนของการติดต่อศูนย์บริการลูกค้ามี AI ที่ขับเคลื่อนหรือแจ้งให้ทราบว่าจะแก้ไขปัญหาอย่างไร

ขั้นตอนแรกคือการตอบรับแบบอัตโนมัติ (IVR) หรือแชทบอท ซึ่งเป็นกระบวนการที่เป็นอัตโนมัติเต็มที่ จุดประสงค์หลักคือการทำความเข้าใจว่าทำไมลูกค้าจึงติดต่อและจัดการเส้นทางให้เหมาะสม ระบบเหล่านี้อาจพยายามรวบรวมข้อมูลให้มากที่สุดก่อนที่จะส่งลูกค้าไปยังตัวแทนการบริการลูกค้า เพื่อเพิ่มโอกาสที่ตัวแทนจะแก้ปัญหาได้อย่างรวดเร็ว ลูกค้าหลายคนอาจแก้ปัญหาได้โดยตรงโดยไม่ต้องมีการแทรกแซงจากมนุษย์ โดยการแนะนำ FAQ หรือการดำเนินการง่ายๆ สำหรับลูกค้า

หลังจากนั้น การโทรจะถูกส่งไปยังตัวแทนการบริการลูกค้า เมื่อลูกค้าถึงตัวแทนการบริการลูกค้า บทบาทหลักของ AI คือการชี้แนะและให้คำแนะนำแก่ตัวแทนการบริการลูกค้า สิ่งที่ตัวแทนควรพูดต่อไปคืออะไร? สิ่งใดที่ควรทำต่อไป? บทความใดในฐานความรู้จะช่วยแก้ปัญหา? แบบจำลองเหล่านี้ได้รับการฝึกอบรมจากข้อมูลในอดีตและได้รับการปรับให้เหมาะสมสำหรับอินเด็กซ์ประสิทธิภาพหลัก เช่น เวลาในการจัดการหรือคะแนนความพึงพอใจของลูกค้า

เมื่อการโทรหรือการแชทเสร็จสิ้น AI ยังคงทำงาน ตัวแทนการบริการลูกค้าจะทิ้งข้อมูลที่มีโครงสร้างและบันทึกเกี่ยวกับสิ่งที่เกิดขึ้นระหว่างการโทรสำหรับวัตถุประสงค์ในการวิเคราะห์และสำหรับตัวแทนการบริการลูกค้าใดๆ ที่อาจรับปัญหาในอนาคต AI ช่วยเหลือในขั้นตอนเหล่านี้

สุดท้าย ในศูนย์บริการลูกค้าจะมีผู้จัดการที่ช่วยเหลือตัวแทนการบริการลูกค้าและช่วยให้ตัวแทนการบริการลูกค้าเติบโต AI มีความสำคัญในเรื่องนี้ ในศูนย์บริการลูกค้าที่มีตัวแทนการบริการลูกค้าหลายร้อยคนและจัดการการโต้ตอบหลายพันครั้งต่อวัน ผู้จัดการจะระบุปัญหาได้อย่างไร? ผู้จัดการจะเข้าใจสิ่งที่เกิดขึ้นระหว่างวันได้อย่างไร? ผู้จัดการจะหาจุดอ่อนในการปรับปรุงทักษะของตัวแทนการบริการลูกค้าเพื่อเพิ่มทักษะของพวกเขา?

ASAPP ช่วยลดการลาออกของพนักงานศูนย์บริการลูกค้าได้อย่างไร?

บริษัทขนาดใหญ่ที่ให้บริการสินค้าและบริการแก่ผู้บริโภคใช้จ่ายหลายล้านและบางครั้งหลายพันล้านเหรียญสหรัฐฯ ทุกปีในการให้บริการศูนย์บริการลูกค้าที่ให้บริการลูกค้าของคุณ โดยมีค่าแรงเป็น 80-90% ของค่าใช้จ่ายทั้งหมด นี่เป็นปัญหาที่ใหญ่มากที่ทำให้การลาออกของพนักงานสูงถึง 40% และบางครั้งถึง 100% ในแต่ละปี

มักจะมีการคิดว่าตัวแทนการบริการลูกค้าไม่สนใจปัญหาและทำตามขั้นตอน ในกรณีที่เลวร้ายที่สุด พวกเขายังขัดขวางไม่ให้คุณแก้ปัญหาได้ สิ่งนี้ไม่เหมือนกับความจริง ตัวแทนการบริการลูกค้าเหมือนคนอื่นๆ ที่ได้รับความพึงพอใจจากการช่วยเหลือลูกค้าแก้ปัญหา คุณจะชอบใช้เวลาทำอะไรดี? ฟัง ‘ขอบคุณ’ ที่แข็งแกร่งหรือลูกค้าที่โกรธจัด? ในการศึกษาที่เราเพิ่งทำ เราพบว่า 90% ของตัวแทนการบริการลูกค้ารายงานว่าการโทรศัพท์กับลูกค้าทำให้วันของพวกเขาเป็นไปอย่างดี และส่วนใหญ่บอกว่าพวกเขาพอใจกับงานของตน แต่ตัวแทนการบริการลูกค้าต้องการเครื่องมือและฝึกอบรมที่จำเป็นในการทำให้ลูกค้าพึงพอใจ ลูกค้าที่ไม่พอใจนำไปสู่ตัวแทนการบริการลูกค้าที่หงุดหงิด ท้อแท้ และเครียด นี่คือต้นตอหลักของการลาออก

AI ที่ช่วยเหลือตัวแทนการบริการลูกค้าระหว่างการโทร (ตามที่อธิบายไว้ก่อนหน้านี้) ช่วยแล้ว หากตัวแทนการบริการลูกค้ามีเครื่องมือและคำแนะนำในการแก้ปัญหาให้กับลูกค้าอย่างรวดเร็วและได้ผล โอกาสที่ลูกค้าจะพึงพอใจก็จะสูงขึ้น ซึ่งจะนำไปสู่ความพึงพอใจในการทำงานที่สูงขึ้น

อย่างไรก็ตาม ASAPP ไม่ได้เริ่มต้นที่จุดนั้น ในขณะที่การชี้แนะแบบเรียลไทม์เป็นสิ่งสำคัญ การฝึกอบรมที่มีโครงสร้างและการให้คำปรึกษาก็มีความสำคัญเช่นกัน ตัวแทนการบริการลูกค้าหลายคนฝึกอบรม ‘สด’ ในประเด็นใหม่ๆ หรือกระบวนการใหม่ๆ ซึ่งหมายความว่าพวกเขาได้รับการอธิบายกระบวนการ แต่แล้วพวกเขาเห็นมันในทางปฏิบัติเมื่อพวกเขาได้รับการโทรศัพท์จากลูกค้าจริงๆ จินตนาการว่าเรามอบคู่มือการบินให้กับนักบินและบอกให้บินเครื่องบินไปที่เดนเวอร์โดยมีผู้โดยสาร 300 คน! เนื่องจากเราจึงมุ่งเน้นไปที่การใช้ AI ในการช่วยสร้างเครื่องมือสำหรับตัวแทนการบริการลูกค้าในการฝึกอบรมและจัดการสถานการณ์ที่ยากลำบากก่อนที่จะจัดการกับลูกค้าจริง เมื่อรวมกับการให้คำปรึกษาที่มุ่งเน้น (โดยผู้จัดการหรืออัตโนมัติ) สิ่งนี้จะช่วยให้ตัวแทนการบริการลูกค้าสามารถเติบโตทักษะของตนในสภาพแวดล้อมที่มีความเครียดน้อยลง

AI ที่ดีขึ้นในการปรับปรุงความพึงพอใจของลูกค้าในสถานการณ์แบบไดนามิก เช่นเดียวกับ AI สำหรับการฝึกอบรมที่มีฐานะ — นั่นคือวิธีที่ ASAPP มุ่งเน้นไปที่ตัวแทนการบริการลูกค้า โดยมีเป้าหมายสูงสุดในการลดการลาออก

ตัวอย่างใดที่สามารถบรรลุได้โดยการรวม AI เข้ากับศูนย์บริการลูกค้า?

ตามที่แบ่งปันไว้ข้างต้น AI สามารถเป็นเทคโนโลยีที่เปลี่ยนแปลงได้ในการเพิ่มประสิทธิภาพ สำหรับ航空ของสหรัฐฯ ที่เราทำงานด้วย เราเห็นการเพิ่มขึ้นของประสิทธิภาพตัวแทนการบริการลูกค้า 86% และการเพิ่มขึ้นของการผลิตองค์กร (จำนวนการโต้ตอบทั้งหมดทั่วทั้งช่องทางบริการลูกค้าหารด้วยแรงงานที่ใช้ในการตอบสนองความต้องการเหล่านั้น) 127% สำหรับผู้ให้บริการเครือข่ายระดับโลกที่ใช้บริการ ASAPP คะแนนผู้สนับสนุนสุทธิ (ความเต็มใจของลูกค้าในการแนะนำผลิตภัณฑ์หรือบริการของบริษัทให้กับผู้อื่น) เพิ่มขึ้น 45% สำหรับบริษัทเคเบิลชั้นนำที่ใช้บริการ ASAPP ค่าใช้จ่ายในการโต้ตอบลดลง 52% ตัวอย่างเหล่านี้แสดงให้เห็นว่า AI สามารถเพิ่มประสิทธิภาพ ลดต้นทุน และปรับปรุงคุณภาพการบริการลูกค้าได้

วิสัยทัศน์ส่วนบุคคลของคุณสำหรับอนาคตของ AI ในสถานที่ทำงานคืออะไร?

AI เป็นที่แพร่หลายในสถานที่ทำงานแล้ว ในขณะที่ฉันเขียนสิ่งนี้ เครื่องมือตรวจสอบการสะกดและไวยากรณ์以及การเติมข้อความอัตโนมัติช่วยให้ฉัน ฉันมีเครื่องมือกรองสแปมและเครื่องมือจำแนกข้อความในอีเมล/เครื่องมือส่งข้อความของฉัน ฉันใช้การค้นหาที่ขับเคลื่อนด้วย AI เพื่อค้นหาข้อมูลที่เกี่ยวข้องที่ฉันต้องการเพื่อทำงาน นี่จะเติบโตขึ้นเมื่อการนำไปใช้และคุณภาพของคุณลักษณะ AI ที่ขับเคลื่อนเพิ่มขึ้น

อย่างไรก็ตาม ฉันจะเรียก AI ประเภทนี้ว่า ‘อะตอมมิก’ มันช่วยเหลือฉัน แต่ในขณะเดียวกันก็ช่วยเหลือในจุดเฉพาะที่อนุญาตให้ทำการคาดเดาได้อย่างแม่นยำ ฉันไม่สามารถขอให้ AI ตอบคำถามเหล่านี้ได้ — ยัง — 🙂

จริงๆ แล้ว วิสัยทัศน์ของฉันคือการเห็น AI ที่ครอบคลุมทั้งสถานที่ทำงานทั้งหมด ไม่ใช่ในความหมายของการสร้างแบบจำลองการเรียนรู้ของเครื่องจักร แต่หมายถึง AI ที่ขับเคลื่อนงานที่ซับซ้อนและใหญ่ๆ ที่ได้รับการปรับให้เหมาะสมสำหรับเป้าหมายโดยรวม ไม่ใช่แค่จุดอะตอมมิกในกระบวนการ ASAPP ได้นำสิ่งนี้ไปใช้แล้วในศูนย์บริการลูกค้า ตัวอย่างเช่น เราเพิ่มประสิทธิภาพสิ่งที่ตัวแทนควรพูดต่อไปตามปัจจัยที่ครอบคลุมเกี่ยวกับตำแหน่งของตัวแทนในการสนทนาและเป้าหมายสุดท้าย แต่ไปไกลกว่านั้น จินตนาการว่านักวิทยาศาสตร์ที่พยายามเขียนบทวิจารณ์เชิงระบบของหัวข้อที่สำคัญ นักวิศวกรซอฟต์แวร์ที่สร้างแพลตฟอร์มหรือรวมระบบที่ซับซ้อน นักกฎหมายที่เขียนคำสั่งทางกฎหมาย และอื่นๆ ในอนาคต ผู้เชี่ยวชาญเหล่านี้จะพึ่งพา AI เพื่อเพิ่มประสิทธิภาพในการทำงานเหล่านี้และเพิ่มประสิทธิภาพผลลัพธ์ที่ต้องการ โดยปล่อยให้พวกเขามุ่งเน้นไปที่ความท้าทายที่สำคัญยิ่งขึ้น

มีอะไรอีกไหมที่คุณต้องการแบ่งปันเกี่ยวกับ ASAPP?

ทีมวิจัยของเราที่ ASAPP มุ่งเน้นไปที่การเพิ่มประสิทธิภาพ AI เพื่อเพิ่มประสิทธิภาพกิจกรรมของมนุษย์ในการแก้ปัญหาเชิงปฏิบัติสำหรับองค์กร นักวิจัยที่ ASAPP ทำงานเพื่อปรับปรุงพื้นฐานของ NLP และ ML เพื่อนำไปสู่การปรับใช้ AI ในระดับโดเมนเฉพาะและนำไปใช้กับผลิตภัณฑ์ของเรา พวกเขานำ ข้อมูลจำนวนมากที่ผลิตภัณฑ์ของเราผลิตออกมา และความสามารถในการปรับใช้ฟีเจอร์ AI ในการใช้งานจริงเพื่อถามและตอบคำถามการวิจัยขั้นพื้นฐานในลักษณะใหม่ๆ ค้นพบผลงานวิจัยล่าสุดของเราได้ที่ https://www.asapp.com/ai-research/

ขอขอบคุณสำหรับคำตอบที่มีรายละเอียด ผู้อ่านสามารถเยี่ยมชม ASAPP เพื่อเรียนรู้เพิ่มเติม