Дерек Слейгер, співзасновник і співгенеральний директор Amperity – Серія інтерв’ю

Дерек Слейгер є співзасновником і співгенеральним директором Amperity, де він очолює трансформацію компанії в напрямку штучного інтелекту як у продукті, так і в способі її роботи. Він співзаснував Amperity, щоб надати маркетологам і аналітикам дані про клієнтів, яким вони могли б довіряти, і створив патентовану систему вирішення ідентифікації та архітектуру профілів в режимі реального часу за допомогою довірених даних клієнтів Amperity. Раніше він входив до складу засновників Appature і обіймав керівні посади в великомасштабних розподілених системах і безпеці.

Amperity – це хмарна платформа даних клієнтів, що працює за допомогою штучного інтелекту, призначена для того, щоб допомогти підприємствам об’єднати фрагментовані дані клієнтів з онлайн- і офлайн-джерел в точні дані клієнтів в режимі реального часу. Її платформа поєднує в собі ідентифікацію особи на основі машинного навчання, управління даними, аналіз, прогнозне моделювання та інструменти активації, що дозволяє маркетинговим і аналітичним командам краще зрозуміти поведінку клієнтів, персоналізувати досвід, виміряти вплив на доходи та координувати дії в різних каналах. Заснована в 2016 році, Amperity обслуговує понад 400 брендів по всьому світу, включаючи Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts і DICK’S Sporting Goods (DKS ).

Ви працювали в галузі передових аналітики, клієнтських інсайтів, управління продуктом, ML/MLOps та стратегії штучного інтелекту, допомагаючи будувати фундаментальні продукти до Amperity. Як цей шлях сформував ваше бачення відносин між якістю даних клієнтів і продуктивністю штучного інтелекту?

Моя робота в галузі фактично центрувалася на одному проблемі: як змусити штучний інтелект правильно мислити про людей, коли дані, що описують цих людей, завжди неповні, несумісні та змінюються? На початку своєї кар’єри в галузі аналітики та управління продуктом я спостерігав, як команди будували все більш складні моделі на основі даних клієнтів, які були фундаментально ненадійними: дублікатні записи, неузгоджені ідентифікатори, застарілі атрибути. Жодна кількість складності моделей не могла виправити це; це просто приховувало проблему більш ефективно.

Цей інстинкт призвів нас до створення Amperity: вирішення ідентифікації особи не є додатковим шаром на верхівці штучного інтелекту, а це фундамент, на якому все інше побудовано. Коли я дивлюся на корпоративний штучний інтелект сьогодні, я бачу той самий шаблон, який повторюється в набагато більших масштабах. Команди вкладають ресурси в вибір моделей і інженерію запитів, одночасно вважаючи дані клієнтів, які живлять ці моделі, даними, які можна вважати прийнятними. Це не так. Якщо шар ідентифікації особи неправильний, кожна система штучного інтелекту, яка використовує ці дані, успадковує цю помилку та посилює її.

Часто ми чуємо дискусії про корпоративний штучний інтелект, зосереджені на виборі моделей, але ви стверджуєте, що довірені дані клієнтів стають майже такими ж важливими. Чому розмова зміщується від “Яка модель найкраща?” до “Які дані штучний інтелект може фактично довіряти?”

За перші кілька років хвилі генерації штучного інтелекту можливості моделей були справжнім вузьким місцем, оскільки інструменти просто не були достатньо хорошими на той час. Тепер це змінилося. Ведучі моделі сьогодні надзвичайно здатні, а розрив між ними звузився для більшості бізнес-використань. Що не встигло за цим – це дані, які живлять ці моделі всередині підприємства.

Ви можете поставити найрозробленішу модель перед агентом служби клієнтів або рушієм персоналізації, але якщо вона працює над трьома дублікатними профілями однієї та тієї ж особи, застарілою електронною адресою та історією покупок, яка не містить половини каналів, в яких ця людина здійснює покупки, результат буде обов’язково неправильним. Розмова зміщується, оскільки лідери відчувають цей розрив безпосередньо. Вони прийняли чудову модель і все ще не бачать очікуваного повернення інвестицій. Наступна справжня перевага не прийде від кращої моделі. Це буде залежати від того, чи зможе організація надати своїм системам штучного інтелекту щось довірене, над чим вони можуть розсудливо працювати спочатку.

Які найпоширеніші способи, nhờ яких неточні або фрагментовані дані клієнтів можуть підірвати результати штучного інтелекту, навіть якщо сама модель технічна?

Деякі шаблони постійно повторюються. Найбазовіший із них – дублікування. Та сама клієнт існує як п’ять або шість різних записів по різних каналах, кожен із яких має часткове бачення цієї людини, тому система штучного інтелекту може надіслати пропозицію про повернення клієнта комусь, чиє підписання активно під іншим записом. Потім є застарілість. Дані, які були точними рік тому, але не були оновлені, тому модель оптимізується на основі того, ким клієнт був раніше, а не тим, ким він є зараз. Є також надмірне злиття, яке є більш тонким: системи ідентифікації особи, які надто агресивно поєднують дані, можуть об’єднати двох різних людей в один профіль, і тепер агент штучного інтелекту впевнено приймає рішення від імені людини, яка не існує насправді. І, нарешті, є просто прогалини. Дані про лояльність в одній системі, дані про історію підтримки в іншій, дані про поведінку під час перегляду в третій, без жодної системи, яка володіє повним баченням. Індивідуально кожен із них виглядає як проблема гігієни даних. У контексті штучного інтелекту вони погіршуються, оскільки модель не знає, чого вона не знає. Вона просто видає відповідь з повною впевненістю.

Як генеративний штучний інтелект стає новим входом для відкриття продукту, що змінюється для брендів, коли споживачі все більше покладаються на системи штучного інтелекту для порівняння варіантів, оцінки лояльності та прийняття рішень про покупку?

Зазвичай бренди контролювали вхід. Ви створювали сайт, оптимізували його для пошуку, уточнювали свій потік і клієнти приходили до вас безпосередньо або через результати, які ви могли впливати. Тепер цей вхід – це розмова з інструментом штучного інтелекту, який бренд не контролює і не може повністю бачити всередині.

Хтось просить інструмент штучного інтелекту порівняти програми лояльності або порекомендувати готель, і зараз робота бренду полягає в тому, щоб бути đủ чітким і довіреним в цей момент, щоб бути відповіддю, яку дає штучний інтелект. Це справжній зсув у тому, за що маркетинг повинен оптимізуватися. Це означає, що якість, структура та точність власних даних і контенту бренду стають важливішими, оскільки системи штучного інтелекту синтезують будь-який сигнал, який вони можуть знайти.

Дослідження Amperity показує, що лише меншість споживачів зараз прямують безпосередньо до знайомих брендів без розгляду рекомендацій штучного інтелекту. Що це означає для лояльності бренду, персоналізації та традиційного клієнтського шляху?

Ми провели опитування серед 1000 клієнтів у США на початку цього року, і одна цифра виділяється для мене: менше чверті сказали, що вони прямують безпосередньо до бренду, який вони вже знають, не розглянувши раніше рекомендацію штучного інтелекту, а 60% сказали, що штучний інтелект вже привів їх до бренду, який вони раніше не розглядали. Це підкреслює перевагу, яку раніше мали встановлені бренди. Лояльність не зникла, але труба над цим рішенням змінилася. Бренди оцінюються та коротко перераховуються системами, які вони не контролюють, на основі будь-яких даних, доступних про них.

Ідентифікація особи існувала як проблема даних протягом років. Що робить її більш терміновою зараз, коли агенти штучного інтелекту, копілоти та інтерфейси генерації штучного інтелекту стають частиною щоденної роботи підприємства?

Ідентифікація особи завжди мала значення для таких речей, як запобігання дублікатним листам або забезпечення того, щоб член лояльної програми отримував належну винагороду за покупку. Це реальні проблеми, але відносно прощаючі, де людина зазвичай помічає помилку. Агенти усувають цю безпеку.

Коли інструмент штучного інтелекту має можливість фактично приймати дії, чи то видача компенсації, застосування знижки, рекомендація наступної найкращої пропозиції чи оновлення переваги. Він робить це на основі ідентифікації особи, яку йому було надано, зі швидкістю машини та часто без людини в циклі. Помилитися в ідентифікації особи – це означає, що агент не просто помиляється один раз. Він може помилятися систематично та негайно, у масштабах, до того, як хто-небудь це помітить. Це робить цей момент більш терміновим, ніж раніше.

Як компанії повинні думати про ідентифікацію клієнтів як частину своєї ширшої стратегії управління штучним інтелектом, поряд з конфіденційністю, безпекою, моніторингом моделей та відповідністю?

Я поставив би ідентифікацію клієнтів поруч із цими іншими основами, а не під ними. Більшість розмов про управління штучним інтелектом зосереджується на моделі: чи є вона упередженою, безпечною, відповідною та моніториться за дрейфом? Це необхідні речі, але вони припускають, що вхідні дані, над якими розсудливо працює модель, є звучними. Якщо шар ідентифікації особи неправильний, ви можете мати ідеально керовану модель, яка приймає рішення про неправильну людину, або модель, яка здається упередженою, коли справжня проблема полягає в тому, що її дані були фрагментовані способами, які недолікали певні сегменти клієнтів.

Багато організацій вкладають великі кошти в пілотні проекти штучного інтелекту, але їхні дані клієнтів залишаються розділеними по маркетингу, комерції, підтримці, лояльності та офлайн-системах. Які практичні кроки повинні зробити лідери до того, як розгорнути штучний інтелект у процесі оперативного прийняття рішень?

Шаблон, який я бачу найчастіше, полягає в тому, що організація проводить кілька перспективних пілотних проектів штучного інтелекту – чат-бот тут, експеримент з персоналізацією там – кожен з них підключений до тих даних, які просто доступні для цієї команди. Це працює досить добре, щоб бути профінансованим, потім зустрічає стіну, коли хтось намагається розгорнути його в реальне оперативне рішення, оскільки дані пілоту ніколи не відображали повного клієнта.

Перший практичний крок – це чесна інвентаризація: знати, де кожне джерело істини клієнта живе (маркетинг, комерція, підтримка, лояльність, офлайн). Наскільки вони перекриваються? Де не перекриваються? Другий крок – інвестувати в ідентифікацію особи до того, як інвестувати в більше пілотних проектів. Це те, що дозволяє кожній майбутній ініціативі штучного інтелекту повторно використовувати той самий довірений фундамент, а не кожна команда перебудовує частковий. Третій крок – створити невелику кількість власників, які працюють над єдиними даними клієнтів, а не залишати володіння тією командою, якій це потрібно для їхнього поточного пілотного проекту. Організації, які роблять цю послідовність у зворотному порядку, закінчують портфелем пілотних проектів штучного інтелекту, які ніколи не виходять за межі етапу пілотного проекту, оскільки жоден з них не може бути довіреним з реальним рішенням.

Де ви проводите межу між персоналізацією, яка здається корисною, та персоналізацією, яка здається нав’язливою, особливо коли системи штучного інтелекту можуть витягувати більше інформації з об’єднаних профілів клієнтів?

Межа менше залежить від того, скільки бренд знає, а більше від того, чи те, що вони роблять з цими знаннями, здається заробленим і актуальним в цей момент. Рекомендація, заснована на фактичній історії покупок клієнта, здається корисною. Рекомендація, яка розкриває висновок, який клієнт ніколи явно не поділився, здається нав’язливою, навіть якщо вона точна, оскільки вона розкриває, скільки інформації було поділено.

Наш звіт показав, що велика більшість клієнтів каже, що вони більш охоче взаємодіятимуть з персоналізацією, коли вони довіряють тому, як використовуються їхні дані, а більшість каже, що персоналізація, яка здається нав’язливою, робить їх менш схильними вибирати бренд зовсім. Моя орієнтир для команд, які будують на основі висновків штучного інтелекту, проста: якщо ви не хотіли б пояснити, у простих словах, чому система знає те, що знає, не діятиме на основі цього ще. Персоналізація повинна здаватися визнанням, а не спостереженням.

Оглядаючись вперед, що відокремить підприємства, які отримують справжню цінність від штучного інтелекту, від тих, які залишаються в режимі експериментування: кращі моделі, краща інфраструктура даних, сильніше управління або зовсім нова операційна модель?

Якасть моделі ніколи не буде тривалою відмінністю. Вона розвивається занадто швидко, і більшість підприємств мають доступ до приблизно тих самих моделей. Управління має значення, але це обмеження, а не джерело цінності сам по собі. Дві речі, які, на мою думку, фактично відокремлюють підприємства, які вийшли вперед, – це інфраструктура даних та операційна модель, які пов’язані між собою.

Компанії, які отримують справжню цінність від штучного інтелекту, – це ті, які вже інвестували в те, щоб мати єдине, довірене та постійно оновлюване бачення клієнта, так що будь-яка нова здатність штучного інтелекту могла бути спрямована на цей фундамент замість того, щоб шити свій власний. Але це працює лише в тому випадку, якщо операційна модель також змінюється: якщо ініціативи штучного інтелекту все ще належать команді за командою, з кожною групою, яка визначає свою версію клієнта, ви продовжуватимете вводити ті самі проблеми якості даних. Організації, які виходить з режиму експериментування, – це ті, які вважають довірені дані клієнтів спільною інфраструктурою та будують свою операційну модель штучного інтелекту навколо цього припущення з самого початку.

Дякуємо Дереку за цікаве інтерв’ю. Читачі можуть дізнатися більше про Amperity і ознайомитися з останніми ідеями Дерека Слейгера на його сторінці автора Unite.AI.