Ryan McDonald, ASAPP’da Chief Scientist – Röportaj Serisi

Ryan McDonald, ASAPP’da Chief Scientist’tir. Araştırma ve veri bilim gruplarının yönünü, ASAPP’ın AI’nin gelişmesiyle insan faaliyetini olumlu yönde güçlendirmeye yönelik vizyonunu gerçekleştirmek için belirlemektedir. Grup, şu anda müşteri hizmetleri gibi gerçek dünya durumlarında görev odaklı diyalog alanını ilerletmeye odaklanmıştır. Bu dinamik ortamlarda, müşteri ve ajan arasındaki konuşma, ajanın kullandığı ortam ve araçlar, başarı ölçütleri, müşteri ihtiyaçları ve durumları gibi birçok etkileşen parça vardır. Müşteri, ajan ve şirketler için kaliteli sonuçlara ulaşmak amacıyla bu ortamı optimize etmek, geri çağırma, dil oluşturma, kısıtlanmış optimizasyon, öğrenme ve özellikle değerlendirme konularında önemli araştırma yatırımı gerektirir.

Ryan, 20 yılı aşkın bir süredir dil anlaşması ve makine öğrenimi üzerine çalışmaktadır. Pennsylvania Üniversitesi’ndeki doktora çalışması, NLP’de yapısal tahmin için yeni makine öğrenimi yöntemleri üzerine odaklanmıştır. Penn’de yaptığı araştırma, NLP topluluğunda bağımlılık analizi ve alan uyarlama alanlarının büyümesinde önemli bir rol oynamıştır. Doktora sonrası, Ryan, Google’ın Araştırma grubuna katıldı. Orada, tüketici yorumları için duygu analizi ve özetleme modelleri üzerine araştırmalar yaptı ve milyonlarca kullanıcı tarafından her gün kullanılan ilk büyük ölçekli tüketici özetleme sistemlerinden birini geliştirdi.

Ryan’ın araştırması daha sonra kitlesel olarak çok dilli dil anlayışına yöneldi. İlk olarak, makine çevirisi geliştirmeye odaklandı, ancak bilgi geri çağırma ve dijital asistanlarda çok dilliliğin artan önemi, araştırmasını bu önemli teknolojilerin uluslararasılaştırmasına yöneltti. Ryan’ın ekibi, Google Asistan’ın bir global teknoloji olarak geliştirilmesinde önemli bir rol oynadı. Bu süre zarfında, ayrıca büyük bir akademik işbirliği ile Evrensel Bağımlılık konsorsiyumunu yönetti. Bu, dilbilimsel dil kaynaklarına yönelik en büyük çok dilli veri konsorsiyumudur. Tüketici ürünlerinde on yıldan fazla çalıştıktan sonra, Ryan, girişime yöneldi ve Google’ın Bulut hizmetlerini iyileştirmek için birçok NLP ve ML projesini yönetti. Ryan’ın girişimdeki NLP ve ML araştırmaları ASAPP’da devam etmektedir.

Ryan, en iyi-tier dergi ve konferanslarda 100’den fazla araştırma makalesi yayınlamıştır ve bu makaleler binlerce kez alıntılanmıştır. EMNLP ve NAACL gibi uluslararası konferanslarda, çok dilli sözdizimi analizi üzerine yaptığı çalışmalarla en iyi makale ödülleri kazanmıştır. ‘Bağımlılık Çözümü’ kitabı, on yıldan fazla bir süredir sözdizimi çözümlemede temel pedagojik kaynak olarak hizmet vermektedir. Ayrıca,几乎 her bir Tier-1 NLP ve ML konferansında alan başkanı olarak görev yapmış ve alanın en iyi iki dergisinin – Bilgisayarlı Dilbilim Derneği İşlemleri ve Bilgisayarlı Dilbilim – editörü olarak görev yapmıştır. Çok sayıda doktora öğrencisi ve stajyeri danışmanlığı yapmış ve dünya çapındaki en iyi konferans, atölye ve üniversitelerde davetli konuşmalar yapmıştır.

Sizce, makine öğrenimi ve özellikle doğal dil işleme ile ilgilenmenize neler sebep oldu?

Ben, bilgisayar bilimi ve felsefe çift ana dalında lisans eğitimim gördüm. AI’nin felsefesi ve AI’nin nasıl çalıştığıyla ilgili daha pratik yönleri özellikle ilgimi çekiyordu. Toronto Üniversitesi’ndeki Gerald Penn ile bir araştırma projesi yapmak için şanslıydım ve bu, cep telefonları için haber özeti üzerine odaklanmıştı. Bu, 20 yılı aşkın bir süre önceydi ve o zamanın standartlarına göre çok ilkel yöntemler kullanıyordu. Gerald harika bir mentordu ve beni dilin formal modelleri (sözdizimi ve anlambilim) ile ilgilenmeye yöneltti. Dilin karmaşıklığı ve insanların her gün doğal olarak parçaladığı olguları açıklamak için matematiksel çerçeveler beni büyülemişti. O zamanlar, arama motorları her yerdeydi ve NLP ve ML için gelecekteki büyük avantajları görebiliyordum.

En etkili araştırma makaleniz hangisiydi?

Bu, her zaman cevap vermek zor bir sorudur. Ve zaman geçtikçe, cevabım değişiyor. Birkaç yıl önce sorsaydınız, bağımlılık çözümleme için grafik algoritmaları üzerine yaptığım çalışma olurdu. Bu makale, Joakim Nivre’ın çalışmasıyla birlikte, NLP’de hızlı bir şekilde benimsenen sözdizimi bağımlılık çözümleme alanında büyük bir etkiye sahip oldu. Bu, teknoloji şirketlerinde, özellikle de Google’da, Arama, Çeviri, Asistan gibi hizmetler için yaptığımız çok sayıda çalışma ile NLP’nin benimsenmesini önemli ölçüde etkiledi.

Ancak, sinir ağlarının hızlı benimsenmesiyle, dilin ayrıktı sözdizimsel temsilinin kullanımı geriledi. Şimdi, alan uyarlama üzerine yaptığım çalışma, özellikle John Blitzer ve Fernando Pereira ile birlikte yaptığım çalışma, en etkili araştırma makalem olarak görüyorum. O makaledeki yöntemler bugün çok relevant olmayabilir, ancak o çalışma, problemi çerçeveleme ve önemini vurgulama açısından alandaki önemli bir katkı olarak görüyorum. Şimdi, tamamen girişimlerde çalışıyorum ve o zamanlar ortaya attığımız sorunların hala çok daha fazla çözülmesi gerektiğini görüyorum.

Google’da state-of-the-art NLP ve ML teknolojilerini geliştirmenizin ve bunları üretime almanızın size kazandırdığı ana çıkarımlar nelerdir?

Ana çıkarımım, NLP ve ML modelleri inşa ederken, ne zaman şeyler yanlış gideceğini asla kestiremeyeceğinizdir. Veri, hata analizi, metriklere vb. tüm süreç boyunca takıntılı olmanız gerekir. Ağrı noktalarını tahmin etmeye çalışmak genellikle boşuna olur ve genellikle en verimli yaklaşım, uçtan uca modelleri mümkün olduğunca hızlı bir şekilde oluşturup adapte etmektir.

NLP/ML araştırmacıları olarak, modelin nerede kırılacağı ve hangi modelleme varsayımlarının gerçek dünya uygulamalarında tutmayacağı konusunda odaklanıyoruz. Ancak, genellikle veri işleme veya UX, başarılı NLP/ML ürünlerinin anahtarıdır. Bu sağlamlaştığında, kaliteyi artırmak ve modellerin tüm değerini çıkarmak için gerçekten迭代 yapabiliriz.

2021’in başlarında, ASAPP’a chief scientist olarak katıldınız. Bu pozisyona sizi neler çekti?

Tam bir cevap için blog yazımı okuyabilirsiniz. Ancak özetlemek gerekirse, ana nedenler şunlardır:

• Sorunlar zordur. Müşteri hizmetleri gibi zor müşteri etkileşimlerine katılan ajanlar, müşterilerin sorunlarını çözmek için çok fazla bilgi ve deneyim getirmelidir. Büyük miktarlarda alan bilgisine değer katan modeller inşa etmek, özellikle sinyaller zayıf olduğunda zorlu bir iştir. Örneğin, müşteri memnuniyet puanı düşükse, bu ajanın bir şey yanlış yaptığı için mi, yoksa müşterinin genel olarak sinirli olduğu için miydi?
• Bu alanda çalışan şirketler ve ajanlar, müşteri deneyimini iyileştirecek AI’ye büyük ilgi gösteriyorlar. AI’nin gelişmelerine karşı değil, gerçek sorunlarını çözmek için kritik araçlar olarak görüyorlar. Böyle bir işbirliği, muhteşem bir şey.
• Son olarak, tüketici teknolojilerinin aksine, bir girişimdeki alanlar ve sorunlar o kadar heterojendir ki, adaptasyon (2. soruya verdiğim cevaba bakınız) çözülmesi gereken problemdir. Sadece bir şirkete veya sektöre hizmet sunamaz, hepsine hizmet sunmalıız. Bu, AI’nin günümüzdeki durumuna karşı büyük bir stres testi.
• ASAPP, bu problema odaklanmıştır.

ASAPP’ın AI’nin gelişmesiyle insan faaliyetini olumlu yönde güçlendirmeye yönelik vizyonunu tartışabilir misiniz?

ASAPP’daki temel hipotezimiz, AI’nin insanları değiştirmemesi, sondern onları olumlu ve üretken şekillerde güçlendirmesidir. Bu vizyon geniş kapsamlıdır ve tüm ilgili insan faaliyetlerine uygulamayı amaçlıyoruz. Ancak, bu geniş bir görev olduğu için, ilk olarak odaklandığımız alan müşteri deneyimi alanıdır.

Müşteri deneyimi alanı, insan faaliyetini güçlendirmenin tüm zorluklarını ve ödüllerini içerir. Ajanlar, iş akışlarını takip etmek, müşteri ve bilgi tabanlarından ilgili bilgileri almak ve müşterilerin bulunabileceği nüanslı durumlara uyum sağlamak için karmaşık sorun çözme görevlerine katılırlar. Bu, AI’nin bu süreci iyileştirmesi için büyük fırsatlar sunar. Ancak, bunu olumlu bir şekilde yapmamız önemlidir, yani:

• AI, ajanın işinin doğal ve akıcı noktalarında gerçekleşmelidir. Bu, kritiktir. AI, ajana yanlış anlar veya kötü gecikmeyle müdahale ederse, bu, ajanın deneyimini olumsuz etkileyecektir.
• Daha kritik olarak, AI’nin tüm ilgili taraflar için olumlu sonuçlar elde etmesini istiyoruz. Bu durumda, müşteri, ajan ve organizasyon. Müşteriler, sorunlarının verimli ve etkili bir şekilde çözülmesini ister. Ajanlar, müşterilerin sorunlarını çözmek ister. Ayrıca, ajanlar zor bir işi yapmaktadır, genellikle memnun olmayan müşterilerle başa çıkmaktadır. AI, ajana işini dengelerken ve bilişsel yükü azaltırken yardımcı olmalıdır, böylece yorgunluk ve tükenmişlik azalır ve iş memnuniyeti artar. Nitekim, çağrı merkezlerindeki ajanların, Amerika’da herhangi bir işin en yüksek terk oranlarından birine (bazı çağrı merkezlerinde yıllık %100’e kadar) sahiptir. Son olarak, şirket için de olumlu iş sonuçları istiyoruz. Bu, müşteri memnuniyeti, bir günde çözülebilen sorunların sayısı veya satış miktarı olabilir.

Çağrı merkezleri için, müşteri, ajan ve şirket arasındaki olumlu sonuçların genellikle birbirleriyle çatıştığı düşünülür. Ancak iyi AI, hepsini optimize edecektir.

Şu anda çağrı merkezlerinin AI anatomisini tartışabilir misiniz?

Bugün, neredeyse çağrı merkezleriyle olan tüm etkileşimlerin her aşaması, AI tarafından yönlendirilmekte veya bilgilendirilmektedir.

İlk adım, etkileşimli sesli yanıt (IVR) veya sohbet botudur. Bu, tamamen otomatik olup, müşterinin neden aradığını anlamak ve uygun şekilde yönlendirmek için tasarlanmıştır. Bu sistemler, müşteriye ajanı görmeden önce mümkün olduğunca fazla bilgi toplamak ve ajana hızlı bir şekilde sorunu çözmek için gereken bilgileri sağlamak için tasarlanmıştır. Modern botlar, müşterinin sorununu doğrudan çözmeye çalışabilir, yani “içerme” – çağrıya insan müdahalesi gerekmez. Bu, basit bir görevi müşterinin lehine gerçekleştirmek veya sadece FAQ önermek olabilir.

Bundan sonra, çağrı ajana gider. Ajanda, AI’nin ana rolü, ajana rehberlik etmek ve önerilerde bulunmaktır. Ajana ne söylemesi gerekir? Hangi akışı takip etmeli? Hangi bilgi tabanları sorununu çözmeye yardımcı olabilir? Bu modeller, genellikle historical verilerle eğitilir ve bazı ana performans göstergeleri için optimize edilir, bunlar, işleme süresi (sorunun ne kadar nhanh çözüldüğü) veya müşteri memnuniyeti puanı (müşterinin deneyimiyle mutlu olup olmadığı) olabilir.

Çağrı veya sohbet bittikten sonra, AI hala çalışmaktadır. Çoğu çağrı merkezinde, ajan, çağrı sırasında neler olduğu hakkında yapılandırılmış bilgi ve notlar bırakacaktır. Bu, analitik amaçlıdır, ancak ayrıca herhangi bir sonraki ajana, sorun çözülmemişse, vấnayı devralmasına yardımcı olur. AI, bu adımların tümünde yardımcı olur.

Son olarak, çağrı merkezlerinde, ajana yardım etmek ve becerilerini geliştirmek için denetçiler vardır. AI, burada da kritiktir. Yüzlerce ajandan oluşan bir çağrı merkezinde, binlerce çağrı alırken, denetçiler, ajana müdahale etmesi gereken sorunları nasıl belirleyebilir? Denetçiler, gün içinde neler olduğu hakkında nasıl anlayabilir? Denetçiler, ajanın becerilerini geliştirmek için hangi alanlara odaklanmalıdır?

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

Büyük şirketler, tüketicilere mal ve hizmet sunan çağrı merkezleri için her yıl milyonlarca, bazen de milyarlarca dolar harcıyor ve bu maliyetin %80-90’ı işgücü maliyetini oluşturuyor. Bu, büyük bir sorun ve ajandan terk oranı %40, bazen %100 veya daha fazla olabilir.

Ajaların müşterilerin sorunlarına ilgisiz olduğu veya işlerini doing doing olduğu şeklindeki bir kabus var. Ancak, gerçek tam tersi. Ajanlar, müşterilerin sorunlarını çözmekten memnuniyet duyarlar. Nasıl gününüzü geçirmek isterdiniz, teşekkür eden müşterilerle mi, bağırarak müşteri sorunlarıyla mı? Birkaç ay önce yaptığımız bir çalışmada, ajaların %90’ı, müşterilerle olan aramaların günlerini yaptığı ve çoğunluğunun işlerinden memnun olduğunu söyledi. Ancak, ajanlar, müşterileri memnun etmek için gereken araçları ve eğitimini istemektedir. Memnun olmayan müşteriler, ajanda hayal kırıklığı, yorgunluk ve stresi artırır. Bu, terk oranının ana nedenidir.

AI, ajana çağrı sırasında yardımcı olur (önceden bahsedildiği gibi) ve bu, ajana yardımcı olur. Ajana, müşterinin sorununu hızlı ve etkili bir şekilde çözmek için gereken araçlar ve rehberlik verilirse, müşteri memnuniyeti daha yüksek olabilecektir, bu da ajanın iş memnuniyetini artırır.

Ancak, ASAPP, buradan başlamaz. Gerçek zamanlı dinamik rehberlik kritiktir, ancak daha yapılandırılmış eğitim, koçluk ve geri bildirim de önemlidir. Ajanlar, yeni konuları veya prosedürleri “canlı” olarak, yani gerçek müşterilerle eğitim alırlar. Bir pilotun, uçağın kılavuzunu okuyup sonra 300 yolcuyu Denver’a uçurmasını hayal edin? Buna benzer bir şekilde, ajana, prosedürleri ve zor durumları, canlı müşterilerle karşılaşmadan önce, ASAPP, AI kullanarak, ajana, bu becerileri geliştirmelerine yardımcı olacak araçlar sunmaya odaklanmaktadır. Bu, ajana, daha az stresli bir ortamda, becerilerini geliştirmelerine yardımcı olacaktır.

Ajana, gerçek zamanlı dinamik rehberlik ve ajana, temel eğitim ve koçluk için AI – bu, ASAPP’ın, ajana odaklanmasının ve nihayetinde terk oranını azaltmasının anahtarıdır.

Çağrı merkezinde AI’yi entegre etmenin sağlayabileceği sonuçlar nelerdir?

Önceki gibi paylaştığım gibi, AI, verimliliği artırarak dönüştürücü bir teknoloji olabilir. Bir ABD havayolu şirketinde, ajaların verimliliğinde %86’lık bir artış ve organizasyonel verimlilikte (toplam müşteri etkileşimleri / işgücü harcaması) %127’lik bir artış gördük. Bir global ağ operatöründe, ASAPP hizmetlerini kullanan bir şirket, müşteri tavsiye puanlarında (müşterilerin şirketin ürün veya hizmetlerini başkalarına önerme istekliliği) %45’lik bir artış gördü. Bir kablolu yayın şirketinde, müşteri etkileşim maliyeti %52 azaltıldı. Bu örnekler, AI’nin, verimliliği artırma, müşteri hizmetini iyileştirme ve işletme maliyetlerini azaltma konularında nasıl yardımcı olabileceğini göstermektedir.

İşyerindeki AI’nin geleceği ile ilgili kişisel vizyonunuz nedir?

AI, zaten işyerinde khá yaygındır. Şimdiki durum itibariyle, yazım sırasında, yazım denetleyicileri ve metin otomatik tamamlama gibi araçlar bana yardımcı oluyor. E-posta / mesajlaşma araçlarımda spam filtreleri ve mesaj sınıflandırıcıları var. AI destekli arama, bana gerekli bilgileri bulmada yardımcı oluyor. Bu, daha da artacak, benim de benimsediğim medida AI özelliklerinin sayısı ve kalitesi arttıkça.

Ancak, bunu “atomik” AI olarak adlandırıyorum. Gerçekten bana yardımcı oluyor, ancak çok spesifik anlarda, yüksek doğrulukla tahminler yaparak. Şu anda, bu soruları yanıtlamak için AI’ye güvenemem 🙂

Ciddi olarak, vizyonum, işyerinde uçtan uca AI’nin benimsenmesini görmek. Makine öğrenimi modelleme anlamında uçtan uca değil, AI’nin, büyük ve karmaşık görevleri optimize ederek, genel hedefe ulaşılmasına yardımcı olmasını kastediyorum. ASAPP, çağrı merkezlerinde bunu zaten yapıyor. Örneğin, ajana, müşteriyle olan konuşmanın akışına ve nihai hedefe bağlı olarak ne söylemesi gerektiğini optimize ediyoruz. Ancak, bunun ötesinde, bir bilim insanının, bir konunun sistematik bir incelemesini yazmasını, bir yazılımcının, bir platformu inşa etmesini veya karmaşık sistemleri entegre etmesini hayal edin. Gelecekte, bu profesyoneller, görevlerini hızlı bir şekilde gerçekleştirmelerine ve istenen sonuçları optimize etmelerine yardımcı olmak için AI’ye güveneceklerdir. Bu, daha kritik zorluklar için özgür kalacaklardır.

ASAPP hakkında paylaşmak istediğiniz başka bir şey var mı?

ASAPP’daki araştırma ekibimiz, net bir odaklanma sahiptir: AI’yi, gerçek dünya sorunlarını çözmek için girişimlerde insan faaliyetini güçlendirmek amacıyla geliştiriyoruz. ASAPP’daki araştırmacılar, NLP ve ML biliminin temel olarak ilerlemesine çalışırlar ve bunları, domaine özgü, gerçek dünya AI çözümlerine uygulamaya çalışırlar. Ürünlerimizden gelen büyük miktarda veriyi kullanır ve AI özelliklerini gerçek dünya kullanımına dağıtmamızın avantajını, yeni ve yenilikçi yollarda temel araştırma sorularını sormak ve yanıtlamak için değerlendirirler.

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

Detaylı cevaplarınız için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular ASAPP adresini ziyaret edebilir.