ASAPP’da Bilim İnsanı Ryan McDonald – Röportaj Serisi

Ryan McDonald, ASAPP’da Bilim İnsanı olarak görev yapıyor. Araştırma ve veri bilim gruplarının yönünü belirlemekle sorumludur, böylece ASAPP, AI’nin ilerlemesiyle insan faaliyetini olumlu şekilde güçlendirmeyi hedefliyor. Grup, şu anda gerçek dünya durumlarında müşteri hizmetleri gibi görev odaklı diyalog alanını ilerletmeye odaklanıyor. Bu dinamik ortamlarda birçok etkileşen parça vardır: müşteri ve ajan arasındaki konuşma; ajanın kullandığı ortam ve araçlar; başarı ölçütleri; müşteri ihtiyaçları ve durumlarının geniş bir yelpazesi. Müşteriler, ajanslar ve şirketler için kaliteli sonuçlar elde etmek amacıyla bu ortamı optimize etmek, geri çağırma, dil oluşturma, kısıtlanmış optimizasyon, öğrenme ve özellikle değerlendirme konularında önemli araştırma yatırımları gerektirir.

Ryan, dil anlaşılması ve makine öğrenimi üzerine 20 yıldan fazla bir süredir çalışıyor. Pennsylvania Üniversitesi’ndeki doktora çalışması, NLP’de yapısal prediction için yeni makine öğrenimi yöntemleri üzerine odaklandı, özellikle bilgi çıkarma ve sentaktik analiz. Penn’de yaptığı araştırma, bağımlılık analizi ve domaine adaptasyon alanlarının NLP topluluğunda büyümesinde etkili oldu. Doktora sonrası, Ryan Google’ (GOOGL ) ın Araştırma grubuna katıldı. Orada, tüketici incelemeleri için sentiment analizi ve özetleme modelleri üzerine araştırmalar yaptı, bu da milyonlarca kullanıcı tarafından her gün tüketilen büyük ölçekli bir tüketici özetleme sistemine yol açtı.

Ryan’ın araştırması daha sonra kitlesel çok dilli dil anlayışına yöneldi. İlk olarak, makine çevirisi iyileşmesine odaklandı, ancak bilgi geri çağırma ve dijital asistanlarda çok dilliliğin artan önemi, araştırmasını bu teknolojilerin uluslararasılaştırmasına yöneltti. Ryan’ın ekibi, Google Asistan’ın küresel bir teknoloji olarak geliştirilmesinde etkili oldu. Bu süre zarfında, ayrıca büyük bir akademik işbirliği ile Evrensel Bağımlılıklar konsorsiyumunu başlattı. Bu, sentaktik dil kaynaklarına yönelik en büyük çok dilli veri konsorsiyumu. Tüketici ürünlerinde on yıldan fazla çalıştıktan sonra, Ryan, girişimlere yöneldi ve Google’ın Bulut hizmetlerini iyileştirmek için birçok NLP ve ML projesini yönetti, bunlar arasında temel NLP API, Call Center AI ve bilimsel literatürden bilgi keşfi çözümleri yer aldı. Ryan’ın girişim NLP ve ML araştırmaları ASAPP’da devam ediyor.

Ryan, en iyi makale ödülleri kazandığı premier uluslararası konferanslarda (EMNLP, NAACL) çok dilli sentaktik analiz üzerine 100’den fazla araştırma makalesi yayınladı. Bağımlılık Analizi kitabının, sentaktik analizi için bir decade boyunca ana pedagojik kaynaklardan biri olarak hizmet ettiği görüldü. Ayrıca, neredeyse her birincil NLP ve ML konferansında alan başkanı olarak görev yaptı ve alanın en iyi iki dergisinin (Transactions of the Association for Computational Linguistics ve Computational Linguistics) editörü olarak görev yaptı. Çok sayıda doktora öğrencisi ve stajyeri danışmanlık yaptı ve dünya çapındaki premier konferanslar, atölyeler ve üniversitelerde davetli konuşmalar yaptı.

Sizce, makine öğrenimi ve özellikle doğal dil işleme ile ilk olarak ne ilgilenmeye başladınız?

Bilgisayar bilimi ve felsefe alanında çift ana dalda eğitim aldım. AI felsefesi ve AI’nin nasıl çalıştığına ilişkin daha pratik yönleri ile özellikle ilgileniyordum. Toronto Üniversitesi’ndeki Gerald Penn ile birlikte bir araştırma projesi yapmak için şanslıydım, bu proje cep telefonları için haber özeti üzerine odaklanıyordu. Bu, 20 yıl önceydi ve o zamanın standartlarına göre çok ilkel yöntemler kullanıyordu. Gerald, bir mentor olarak bana dilin formal modelleri (sentaks ve anlambilim) ile ilgilenmeyi öğretti. Dilin karmaşıklığı ve insanların her gün doğal olarak parçaladığı olguları açıklamak için matematiksel çerçeveler ile ilgileniyordum. O zamanlar, arama motorları her yerdeydi ve NLP ve ML için gelecekteki büyük avantajı görebiliyordum.

100’den fazla makale yayınladınız ve bunlar binlerce kez alıntılandı. Sizin görüşünüze göre, en etkili araştırma makalesi hangisiydi?

Bu, cevabı zor bir soru. Ve zaman geçtikçe, cevabım değişiyor. Birkaç yıl önce sorsaydınız, NLP’de yapısal prediction için grafik algoritmaları kullanımına ilişkin çalışmam olurdu. Bu makale, Joakim Nivre’ın çalışmasıyla birlikte, sentaktik bağımlılık analizi üzerine on yılı aşkın bir sürenin hızlı bir şekilde araştırılmasına yol açtı, bu da NLP’nin teknoloji şirketlerinde, özellikle de Google’da Arama, Çeviri, Asistan vb. için büyük bir etkiye sahip oldu.

Ancak, sinir ağlarının hızlı bir şekilde benimsenmesiyle, dilin ayrık sentaktik représentasyonlarının kullanımı azaldı. Şimdi, NLP ve ML alanındaki domain adaptation üzerine yaptığım çalışma, özellikle John Blitzer ve Fernando Pereira ile birlikte yaptığım domain adaptation üzerine çalışma, en etkili makale olarak görüyorum. Bu makaledeki yöntemler bugün çok ilgili değil, ancak o makale (ve Hal Daume’un çağdaş çalışması) problemin çerçevesini ve önemini sağlamlaştırdı. Şimdi, tamamen girişimlerde çalışıyorum ve o zamanlardan bu yana ortaya çıkan sorunların hala çok daha fazlasını çözmemiz gerektiğini fark ediyorum.

Google’da state-of-the-art NLP ve ML teknolojilerini geliştirmeniz ve bunları üretime almaya çalışmanız sırasında, bazı ana çıkarımlarınız nelerdi?

Ana çıkarımım, NLP ve ML modelleri oluştururken, her zaman things’in yanlış gideceğini öngöremeyeceğinizdir. Veri, hata analizi, metriklere vb. tüm süreç boyunca takıntılı olmalısınız. Pain noktalarını tahmin etmeye çalışmak genellikle boştur ve genellikle uçtan uca modelleri mümkün olduğunca nhanh bir şekilde oluşturup adapte etmek daha verimlidir.

NLP/ML araştırmacıları olarak, modelin nerede kırılacağı ve hangi modelleme varsayımlarının gerçek dünyada tutmayacağı konusunda odaklanıyoruz. Ancak souvent, başarılı NLP/ML ürünlerinin anahtarı, veri işleme veya UX’dir. Bu sağlam olduğunda, gerçekten model kalitesini optimize edebiliriz.

2021’in başlarında, ASAPP’da baş bilim insanı olarak katıldınız, müşteri hizmetleri ajanslarını güçlendirmek için AI araçları sunan bir şirket. Bu pozisyona sizi neler çekti?

Daha kapsamlı bir cevap için blog yazıma bakabilirsiniz. Ancak özetlemek gerekirse, ana nedenler şunlardır:

• Sorunlar zordur. Müşteri hizmetleri ajansları ile zor müşteri etkileşimlerine katılan ajanslar, müşterilerin sorunlarını çözmek için çok fazla bilgi ve deneyime ihtiyaç duyarlar. Büyük miktarda domaine özgü bilginin üzerine değer katan modeller oluşturmak, özellikle sinyaller zayıf olduğunda zordur. Örneğin, müşteri memnuniyet skoru düşükse, ajansın bir şey yanlış mı yaptığını yoksa müşterinin genel olarak mı üzgün olduğunu anlamak zor olabilir.
• Çalışma alanındaki şirketler ve ajanslar, müşteri deneyimini iyileştirmeye yardımcı olacak AI’yi heyecanla karşılıyorlar. İlerlemelere karşı savaşmıyorlar, gerçek sorunlarını çözmek için kritik araçlar olarak görüyorlar. Böyle bir işbirliği ortağına sahip olmak harika.
• Son olarak, tüketici teknolojilerinin aksine, bir girişimdeki alanlar ve sorunlar çok heterojen olduğu için, adaptasyon (2. soruya verdiğim cevaba bakınız) çözülmesi gereken problemdir. Sadece bir şirkete veya endüstriye hizmet sunmak yerine, hepsine hizmet sunmalıız. Bu, günümüz AI’sinin bir stres testi.
• ASAPP, bu problema odaklanıyor.

ASAPP’ın insan faaliyetini olumlu şekilde güçlendirmek için AI’yi ilerletme vizyonunu tartışabilir misiniz?

ASAPP’daki temel hipotezimiz, AI’nin insanları değiştirmemesi, sondern onları olumlu ve üretken şekillerde güçlendirmesi gerektiğidir. Bu vizyon geniş ve tüm ilgili insan faaliyetlerine uygulanmasını hedefliyoruz. Ancak, bu geniş bir görev olduğu için, ilk olarak müşteri deneyimi alanına odaklandık.

Müşteri deneyimi alanı, insan faaliyetini güçlendirmekle ilgili tüm zorlukları ve ödülleri içerir. Ajanslar, iş akışlarını takip etmeleri, müşteri ve bilgi tabanlarından ilgili bilgileri alması ve nüanslı durumlara adapte olmaları gereken karmaşık problem çözme görevlerine katılırlar. Bu, AI’nin süreci iyileştirmek için çok sayıda fırsatlar sunar. Ancak, bunu olumlu bir şekilde yapmak istiyoruz, yani:

• Powerlendirme, ajansın işinin doğal ve akıcı noktalarında gerçekleşir. Bu kritiktir. AI, uygunsuz anlarda veya kötü gecikmeyle müdahale ederse, bu, ajansın deneyimini olumsuz şekilde etkileyecektir, çünkü AI’yi bilinçli olarak ignor etmek zorunda kalacaklardır.
• Daha kritik olarak, tüm insanların (müşteri, ajan ve şirket) olumlu sonuçlar elde etmesini istiyoruz. Müşteriler, sorunlarının verimli ve etkili bir şekilde çözülmesini istiyorlar. Ajanslar, müşterilere yardım etmek istiyorlar. Ajanslar, zor ve memnun olmayan müşterilerle başa çıkmak gibi zor bir işi yapıyorlar. AI, ajansların iş yükünü ve bilişsel yükünü dengelemelerine yardımcı olmalıdır, böylece yorgunluk ve tükenmişlik azalır ve iş memnuniyeti artar. Son olarak, şirketler için olumlu iş sonuçları istiyoruz. Bu, müşteri memnuniyeti, bir günde çözülebilecek sorunların sayısı veya hatta satış olabilir.

Çağrı merkezleri için, genellikle müşteri, ajan ve şirket arasında olumlu sonuçların çatıştığına inanılır. Ancak iyi AI, tüm üçünü için optimize edecektir.

Şu anda çağrı merkezlerinin AI anatomisini tartışabilir misiniz?

Bugün,几乎 her çağrı merkezindeki her aşamada, sorunu ele almak için AI’nin bir şekli vardır.

İlk adım, etkileşimli sesli yanıt (IVR) veya sohbet botudur. Bu, tamamen otomatik ve ana amacı, müşterinin neden aradığını anlamak ve uygun şekilde yönlendirmektir. Potansiyel olarak, bu sistemler, ajana gönderilmeden önce müşteriden mümkün olduğunca fazla bilgi toplamak için tasarlanmıştır, böylece ajan sorunu nhanh bir şekilde çözebilir. Modern botlar, müşterinin sorununu doğrudan çözmeye çalışabilir, yani “içerme” – çağrıya insan müdahalesi gerekmez. Bunu, sıkça sorulan soruları önererek veya müşterinin basit bir görevini gerçekleştirebilir.

Ajana geçtikten sonra, AI’nin ana rolü, ajana rehberlik etmek ve önerilerde bulunmaktır. Ajansın ne söylemesi gerekir? Hangi akışı takip etmeli? Hangi bilgi tabanları, sorunu çözmeye yardımcı olabilir? Bu modeller, genellikle histórik verilerle eğitilir ve bazı ana performans göstergeleri için optimize edilir, bunlar, işleme süresi (sorunun ne kadar nhanh çözüldüğü) veya müşteri memnuniyet skoru (müşteri deneyimiyle mutlu muydu?) olabilir.

Çağrı veya sohbet bittikten sonra, AI hala çalışıyor. Çağrı merkezlerinde, ajanslar genellikle çağrı hakkında yapılandırılmış bilgiler ve notlar bırakırlar. Bu, analitik amaçlıdır, ancak aynı zamanda sorunu çözülmemişse sonraki ajana da yardımcı olur. AI, tüm bu adımlarda yardımcı olur.

Son olarak, çağrı merkezinde, ajansların becerilerini geliştirmelerine yardımcı olmak için süpervizörler vardır. AI, burada kritiktir. Yüzlerce ajansın binlerce çağrıyla başa çıktığı bir çağrı merkezinde, süpervizörler hangi sorunlara müdahale etmeleri gerektiğini nasıl belirleyebilir? Süpervizörler, gün içinde neler olduğunu nasıl anlayabilir? Ajansların becerilerini geliştirmek için hangi alanları nasıl bulabilirler?

ASAPP, çağrı merkezi çalışanlarının devir oranını nasıl azaltmaya yardımcı oluyor?

Büyük şirketler, müşteri hizmetleri için milyarlarca dolar harcıyor ve bu maliyetin %80-90’ı işgücü maliyetidir. Bu, büyük bir sorun ve ajans devir oranı %40-100 veya daha fazla olabilir.

Çoğu zaman, ajansların müşterilerin sorunlarına ilgisiz olduğu ve işini doing olduğu şeklinde bir kafa tasavvuru vardır. Ancak, bu gerçeklerden uzak değildir. Ajanslar, müşterilerin sorunlarını çözmekten memnuniyet duyarlar. Nasıl gününü geçirmek isterdiniz? Müşterilere teşekkür mü duyarsınız yoksa bağırarak mı cevap verirsiniz? Bir nghiênmemizde, ajansların %90’ı, müşterilerle yapılan çağrıların günlerini yaptığı sonucuna vardı ve çoğunlukla işlerinden memnundular. Ancak, ajanslar, müşterileri mutlu etmek için gerekli araç ve eğitimleri istiyorlar. Mutsuz müşteriler, ajansları frustrate, yorgun ve stresli hale getirir. Bu, devir oranının ana sürücüsü.

AI, ajansları çağrı sırasında güçlendirmek (önceden bahsedildiği gibi) zaten yardımcı oluyor. Ajansın, müşterinin sorununu hızlı ve etkili bir şekilde çözebileceği araç ve rehberlik varsa, müşteri memnuniyeti daha yüksek olabilir, bu da ajansın iş memnuniyetini artırabilir.

ASAPP, buradan başlıyor. Gerçek zamanlı dinamik rehberlik kritiktir, ancak daha yapılandırılmış eğitim, koçluk ve geri bildirim de önemlidir. Çok ajans, yeni konular veya prosedürler üzerinde “canlı” eğitim görür. Yani, prosedürün bir açıklamasını alırlar, ancak sadece gerçek bir müşteri ile çağrı aldıklarında uygulamaya koyarlar. Bir pilotun, uçağın kılavuzunu verip sonra 300 yolcuyu Denver’a uçurmaya çalışmasını hayal edin? Ajansların, prosedürleri ve zor durumları ele almak için AI ile inşa edilmiş araçlar kullanarak pratik yapmalarına odaklanıyoruz. Bir süpervizör veya otomatik olarak hedefli geri bildirim ile birleştirildiğinde, bu, ajansın daha az stresli bir ortamda becerilerini geliştirmesine yardımcı olacaktır.

ASAPP, ajansları odak noktası olarak görür ve nihai hedef, devir oranını azaltmaktır.

Çağrı merkezinde AI’yi entegre etmenin örnek sonuçları nelerdir?

Önceki gibi paylaştım, AI, verimliliği artırmada dönüştürücü bir teknoloji olabilir. Bir ABD havayolu şirketimizle çalışırken, ajans verimliliğinde %86’lık bir artış ve organizasyonel verimlilikte (tüm müşteri hizmetleri kanallarındaki etkileşimlerin toplamı, işgücü harcamalarına bölünmüş) %127’lik bir artış gördük. Bir global network operatörü için ASAPP hizmetlerini kullandığımızda, net promoter skoru (müşterilerin bir şirketin ürün veya hizmetlerini başkalarına önerme istekliliğini ölçen bir ölçüm) %45 arttı. Bir kablolu yayın şirketinde ASAPP kullandığımızda, etkileşim maliyeti %52 azaldı. Bu örnekler, AI’nin verimliliği artırabileceğini, müşteri hizmetlerini iyileştirebileceğini ve işletme maliyetlerini azaltabileceğini gösteriyor.

İşyerindeki AI’nin geleceği için kişisel vizyonunuz nedir?

AI, işyerinde zaten oldukça yaygındır. Yazarken, yazım ve dilbilgisi denetimi ve metin otomatik tamamlama gibi araçlar bana yardımcı oluyor. E-posta ve mesajlaşma araçlarımda AI destekli spam filtreleri ve mesaj sınıflandırma araçları var. AI destekli arama kullanarak ilgili bilgileri buluyorum. Bu, AI özelliklerinin ve kalitelerinin artmasıyla birlikte daha da artacak.

Fakat, bunu “atomik” güçlendirme olarak adlandırıyorum. Yardımcı oluyor, ancak çok spesifik anlarda yüksek doğrulukla tahminler yapıyor. Elbette, bu soruları cevaplamak için AI’ye başvuramıyorum – henüz 🙂

Ciddi olarak, vizyonum, işyerinde uçtan uca AI’nin benimsenmesini görmektir. Makine öğrenimi modelleme anlamında uçtan uca değil, AI’nin büyük ve karmaşık görevleri optimize etmek için güçlendirmesini kastediyorum. ASAPP, çağrı merkezlerinde bunu zaten yapıyor. Örneğin, ajansın ne söyleyeceğini, ajansın konuşmanın neresinde olduğu ve nihai hedefi gibi bir dizi faktöre bağlı olarak optimize ediyoruz. Ancak, bir bilim insanının önemli bir konuda sistematik bir inceleme yazması, bir yazılımcının bir platform oluşturması veya karmaşık sistemleri entegre etmesi gibi profesyonel görevlerde AI’nin nasıl kullanılacağını hayal edin. Gelecekte, her bir profesyonelin, görevlerini daha hızlı ve etkili bir şekilde gerçekleştirmek ve istenen sonuçları optimize etmek için AI’ye güveneceğini düşünüyorum.

ASAPP hakkında paylaşmak istediğiniz başka bir şey var mı?

ASAPP’daki araştırma ekibimiz, gerçek dünya sorunlarına yönelik AI’yi geliştirmeye odaklanıyor. Araştırmacılar, NLP ve ML biliminin temel olarak ilerlemesine çalışıyorlar ve bu ilerlemeleri domain spesifik, gerçek dünya AI çözümlerine uygulamaya çalışıyorlar. Ürünlerimiz tarafından üretilen büyük miktarda veriyi ve AI özelliklerini gerçek dünya kullanımına dağıtmaya olan yeteneğimizi kullanıyorlar, böylece yeni yollarla temel araştırma sorularını sormaya ve ele almaya çalışıyorlar.

En son yayınlarımızı https://www.asapp.com/ai-research/ adresinden keşfedin.

Detaylı cevaplarınız için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular ASAPP‘i ziyaret edebilir.