Раян Макдональд, головний науковий співробітник ASAPP – Серія інтерв’ю

Раян Макдональд – головний науковий співробітник ASAPP. Він відповідає за визначення напрямку дослідницької та наукової діяльності групи з метою досягнення бачення ASAPP щодо позитивного впливу на людську діяльність шляхом розвитку штучного інтелекту. Група зараз зосереджена на розвитку галузі завдань-орієнтованого діалогу в реальних ситуаціях, таких як обслуговування клієнтів. У таких динамічних середовищах існує багато взаємодіючих частин: розмова між клієнтом і агентом; середовище та інструменти, які використовує агент; різні міри успіху; широкий спектр потреб і ситуацій клієнтів. Оптимізація цього середовища для досягнення якісних результатів для клієнтів, агентів і компаній вимагає значних дослідницьких інвестицій у галузі пошуку, генерації мови, обмеженої оптимізації, навчання та, критично, оцінки.

Раян понад 20 років працює над розумінням мови та машинним навчанням. Його робота над докторською дисертацією в Університеті Пенсільванії була зосереджена на нових методах машинного навчання для структурованого прогнозування в обробці природної мови, зокрема інформаційний аналіз та синтаксичний аналіз. У Пенсільванському університеті його дослідження сприяли зростанню галузі залежного розбору та адаптації домену в спільноті обробки природної мови. Після закінчення докторантури Раян приєднався до дослідницької групи Google (GOOGL ). Там він досліджував аналіз настрою та моделі підсумовування для відгуків споживачів, що призвело до однієї з перших великомасштабних систем підсумовування для споживачів, яку використовували мільйони користувачів щодня.

Дослідження Раяна потім перейшло до масово багатомовного розуміння мови. Спочатку його дослідження були зосереджені на поліпшенні машинного перекладу, але зростаюча важливість багатомовності в інформаційному пошуку та цифрових помічниках призвела його дослідження до міжнародних технологій. Команда Раяна була інструментальною у розробці Google Assistant як глобальної технології. Під час цього періоду він також очолив консорціум Universal Dependencies з великою кількістю академічних співробітників. Це найбільше багатомовне консорціум даних, спрямоване на синтаксичні мовні ресурси. Після понад десяти років роботи над споживчими продуктами Раян змінив напрямок своєї діяльності на корпоративну сферу та очолив численні проекти з обробки природної мови та машинного навчання для поліпшення сервісів Google Cloud, включаючи основний API обробки природної мови, рішення для Call Center AI та відкриття знань з наукової літератури. Дослідження Раяна з корпоративної обробки природної мови та машинного навчання продовжуються в ASAPP.

Раян опублікував понад 100 дослідницьких робіт у топових журналах та конференціях, які були процитовані тисячі разів. Він виграв нагороди за найкращі роботи на прем’єр-конференціях (EMNLP, NAACL) за свою роботу з багатомовним синтаксичним аналізом. Його книга «Залежний розбір» служила однією з основних навчальних ресурсів у синтаксичному розборі понад десять років. Окрім того, що він був головою секції на майже кожній конференції з обробки природної мови та машинного навчання, він був редактором двох найкращих журналів у галузі – Transactions of the Association for Computational Linguistics та Computational Linguistics. Він консультував численних аспірантів та стажерів і давав запрошені доповіді на топових конференціях, семінарах та університетах по всьому світу.

Що спочатку зацікавило вас у машинному навчанні та, зокрема, у обробці природної мови?

Я був студентом з подвійним спеціальністю з комп’ютерних наук та філософії. Я був особливо зацікавлений у філософії штучного інтелекту, а також у більш практичних аспектах його роботи. Я був досить удачливим, щоб отримати дослідницький проект з Джеральдом Пенном у Торонтському університеті, який був зосереджений на підсумовуванні новин для мобільних телефонів. Це було понад 20 років тому і використовувало дуже примітивні методи за сучасними стандартами. Джеральд був чудовим наставником і зацікавив мене у формальних моделях структури мови (синтаксисі та семантиці). Я був зачарований складністю мови та математичними рамками для пояснення явищ, які люди природно розбирають щодня. У той час пошукові системи були універсальними, і я міг бачити величезний потенціал для обробки природної мови та машинного навчання у майбутньому.

Ви опублікували понад 100 дослідницьких робіт у топових журналах та конференціях, які були процитовані тисячі разів. Яка з цих робіт, на вашу думку, була найбільш впливовою?

Це завжди складне питання для відповіді. І з часом мій відповідь змінюється. Якщо ви запитали б мене кілька років тому, я сказав би, що це робота, яку я зробив над використанням графових алгоритмів для залежного розбору. Ця робота, разом з роботою Йоакима Нівре, сприяла понад десятиріччю швидких досліджень у галузі залежного розбору, яке мало великий вплив на прийняття обробки природної мови у технологічних компаніях, включаючи величезну кількість роботи, яку колеги та я зробили у Google для пошуку, перекладу, помічника тощо.

Однак із швидким прийняттям нейронних мереж використання дискретних синтаксичних представлень мови відійшло у тінь. Тепер я сказав би, що це семінальна робота, яку я зробив з Джоном Блітцером та Фернандо Перейрою над адаптацією домену. Методи, які ми використали у цій роботі, не надто актуальні сьогодні, однак я думаю, що ця робота (разом з сучасною роботою Хала Доме) закріпила формулювання проблеми та її важливість для галузі. Тепер, коли я працюю виключно у сфері підприємства, я дуже усвідомлюю проблеми, які ми підняли раніше, і які нам ще потрібно розв’язати.

Ви провели більшу частину своєї кар’єри у Google, допомагаючи створювати передові технології обробки природної мови та машинного навчання та впроваджуючи їх у виробництво. Які були деякі з ваших ключових висновків з цього досвіду?

Мій ключовий висновок полягає в тому, що при створенні моделей обробки природної мови та машинного навчання ніколи не можна передбачити, коли щось піде не так. Необхідно бути одержимим даними, аналізом помилок, метриками тощо на всіх етапах процесу. Спроби передбачити болючі місця часто марні, і часто більш ефективно побудувати повні моделі якомога швидше та адаптуватися.

Як дослідники обробки природної мови та машинного навчання, ми зосереджуємося на тому, де модель може зламатися, і які моделювальні припущення не будуть дотримуватися, коли справа доходить до реалізації. Однак часто саме обробка даних або UX є ключем до створення успішних продуктів обробки природної мови та машинного навчання. Лише коли ці аспекти є твердими, ми можемо realmente ітеруватися над якістю, щоб витиснути весь потенціал моделей.

На початку 2021 року ви приєдналися до ASAPP як головний науковий співробітник, компанії, яка пропонує інструменти штучного інтелекту для підтримки агентів обслуговування клієнтів, що спонукало вас до цього кроку?

Для більш повної відповіді прочитайте мій блог-пост на цю тему. Але щоб підсумувати, основні причини полягають у тому, що:

• Проблеми складні. Агенти, які займаються складними взаємодіями з клієнтами, повинні мати велику кількість інформації та досвіду, щоб вирішити проблеми клієнтів. Будування моделей, які додають цінність над величезною кількістю знань домену, особливо коли сигнали слабкі, складно. Наприклад, був низьким бал клієнта через те, що агент зробив щось неправильно, або клієнт просто був загалом розчарований?
• Компанії та агенти, які працюють у цій сфері, надзвичайно зацікавлені у штучному інтелекті, який допоможе їм покращити досвід клієнтів. Вони не борються з прогресом, а бачать його як критичні інструменти для вирішення реальних проблем, з якими вони стикаються. Мати такого зацікавленого партнера – це чудово.
• Нарешті, на відміну від споживчих технологій, набір доменів та проблем у корпоративному середовищі настільки гетерогенний, що адаптація (див. мою відповідь на питання 2) є проблемою, яку потрібно розв’язати. Ми не можемо просто будувати сервіси для однієї компанії чи однієї галузі, а для всіх них. Це такий великий тест для стану штучного інтелекту сьогодні.
• ASAPP зосереджена виключно на цій проблемі.

Чи можете ви обговорити бачення ASAPP щодо позитивного впливу на людську діяльність шляхом розвитку штучного інтелекту?

Наша центральна гіпотеза в ASAPP полягає в тому, що штучний інтелект не повинен замінювати людей, а доповнювати їх позитивним та продуктивним чином. Це бачення широке, і у нас є амбіції застосувати його до всіх відповідних видів людської діяльності. Однак, оскільки це широке завдання, перша область, на яку ми вирішили зосередитися, – це область досвіду клієнтів.

Область досвіду клієнтів втілює всі виклики та нагороди, пов’язані з доповненням людської діяльності. Агенти займаються складними завданнями з вирішення проблем, які вимагають від них слідувати робочим потокам, витягувати відповідну інформацію з клієнтів та баз знань, і адаптуватися до нюансів ситуацій, у яких клієнти можуть опинитися. Це дає величезну кількість можливостей для штучного інтелекту покращити цей процес. Однак ми вважаємо, що це потрібно робити позитивним чином, тобто:

• Доповнення відбувається в моменти, які є природними та плавними під час виконання роботи агентом. Це критично. Якщо штучний інтелект втручається в незручні моменти або з поганою затримкою, це справді матиме негативний вплив на досвід агента, оскільки їм потрібно буде свідомо ігнорувати штучний інтелект.
• Більш критично, ми хочемо, щоб штучний інтелект досягав позитивних результатів для всіх людей, залучених до цього процесу. У цьому випадку це клієнт, агент та організація. Клієнти хочуть, щоб їхні питання були вирішені ефективно та швидко. Агенти хочуть зробити це для клієнтів. Крім того, агенти виконують складну роботу, часто займаючись незадоволеними клієнтами. Штучний інтелект повинен допомогти їм балансувати роботу та когнітивне навантаження, щоб зменшити втому та вигорання та підвищити задоволеність роботою. Врешті-решт, ми хочемо позитивних бізнес-результатів для компанії, яка керує центром обслуговування. Це може бути бал клієнта, кількість питань, які можна вирішити за день, або навіть кількість продажів.

Для центрів обслуговування ми часто вважаємо, що позитивні результати між клієнтом, агентом та компанією знаходяться у конфлікті один з одним. Але добрий штучний інтелект допоможе оптимізувати всі три.

Чи можете ви обговорити поточну анатомію штучного інтелекту у центрі обслуговування?

Сьогодні майже кожен етап взаємодії з центром обслуговування має певну форму штучного інтелекту, який керує або інформує, як питання вирішується.

Перший крок – це інтерактивна система голосової відповіді (IVR) або чат-бот. Це повністю автоматично, і його основною метою є розуміння причини, по якій клієнт дзвонить, та направлення його відповідно. Потенційно ці системи спробують зібрати якомога більше інформації, перш ніж направити клієнта до агента, щоб максимізувати шанси того, що агент зможе швидко вирішити проблему. Багато сучасних ботів також можуть безпосередньо вирішити проблему клієнта без участі агента – це називається “контейнером”, оскільки дзвінок ніколи не потребує людського втручання. Це можна досягти, рекомендуючи часто задавані питання або просто виконуючи просте завдання для клієнта.

Після цього дзвінок переходить до агента. Як тільки дзвінок переходить до агента, основною роллю штучного інтелекту є надання агенту рекомендацій та пропозицій. Що агент повинен сказати далі? Який потік слід агенту слідувати? Які статті бази знань допоможуть вирішити проблему? Ці моделі зазвичай тренуються на історичних даних та оптимізуються для деякого ключового показника продуктивності, який може бути часом обробки (як швидко проблема була вирішена) або балом клієнта (чи був клієнт задоволений досвідом).

Як тільки дзвінок або чат закінчується, штучний інтелект все ще працює. У більшості центрів обслуговування агент залишить структуровану інформацію та нотатки про те, що відбулося під час дзвінка. Це для аналітичних цілей, а також для будь-якого наступного агента, який підхопить питання, якщо воно не було вирішено. Штучний інтелект допомагає на всіх цих етапах.

Нарешті, у центрі обслуговування є супервізори, які допомагають агентам та розвивають їхні навички. Штучний інтелект може бути критично важливим тут. У центрі обслуговування з сотнями агентів, які обробляють тисячі дзвінків щодня, як супервізори можуть визначити питання, які потребують їхнього втручання? Як вони можуть зрозуміти, що відбулося протягом дня? Як вони можуть знайти області для покращення агентів, щоб розвинути їхні навички?

Як ASAPP допомагає зменшити кількість звільнень працівників центрів обслуговування?

Великі компанії, які пропонують споживчі товари та послуги, витрачають мільйони, а іноді мільярди доларів щороку на центри обслуговування, які обслуговують їхніх клієнтів, причому витрати на працюють становлять 80-90% від загальних витрат. Це велика проблема, яка спонукає агентів до звільнення – 40% і іноді 100% або більше щороку.

Є карикатура на те, що агенти байдужі до ваших проблем і просто виконують свої обов’язки. Ніщо не може бути далі від істини. Агенти, як і всі люди, отримують задоволення від того, що допомагають клієнтам вирішити їхні проблеми. Як би ви хочіли провести свій день, слухаючи щирі “дякую” чи кричачих клієнтів? У недавньому дослідженні ми виявили, що 90% агентів повідомили, що дзвінки з клієнтами робили їхній день, і більшість кажуть, що вони задоволені своєю роботою. Однак агенти хочуть інструменти та навчання, необхідні для того, щоб зробити клієнтів щасливими. Нещасливі клієнти ведуть до розчарованих, втомлених та стресованих агентів. Це основна причина звільнень.

Штучний інтелект, який доповнює агентів під час дзвінка (як описано раніше), вже допомагає. Якщо агент має інструменти та керівництво щодо того, як ефективно та швидко вирішити проблему клієнта, то шанси того, що клієнт буде щасливим, можуть бути тільки вищими, що, в свою чергу, повинно привести до вищої задоволеності роботою.

Однак ASAPP починає свою роботу не з цього. Хоча динамічна підтримка в режимі реального часу критично важлива, також важливе більш структуроване навчання, тренування та відгуки. Багато агентів тренуються на нових питаннях або процедурах “в живому”. Що означає, що їм дають опис процедури, але потім вони бачать її лише на практиці, коли беруть дзвінок з реальним клієнтом. Припустимо, ми дали пілотам посібник з літака, а потім сказали їм летіти з 300 пасажирами до Денвера? Через це ми зосереджуємося на використанні штучного інтелекту для створення інструментів, які допоможуть агентам практикувати процедури та вирішувати складні ситуації до того, як вони почнуть працювати з реальними клієнтами. Коли це поєднується з цільовими відгуками (або від супервізора, або автоматично), це дозволить агенту розвинути свої навички в менш стресовому середовищі.

Кращий штучний інтелект для покращення задоволеності клієнтів у динамічних ситуаціях, а також штучний інтелект для тренування – це те, як ASAPP зосереджується на агенті з кінцевою метою зменшення кількості звільнень.

Які приклади результатів, які можна досягти шляхом впровадження штучного інтелекту у центр обслуговування?

Як вже згадувалося, штучний інтелект може бути трансформаційною технологією для підвищення продуктивності. Для однієї з авіакомпаній США, з якою ми працюємо, ми побачили збільшення продуктивності агентів на 86% та зростання організаційної продуктивності (загальної кількості взаємодій по всіх каналах обслуговування, поділеної на витрачені трудові ресурси для задоволення цих потреб) на 127%. Для глобального оператора мережі, який використовує сервіси ASAPP, бал лояльності клієнтів (їхня готовність рекомендувати товари чи послуги компанії іншим) збільшився на 45%. Для одного з найбільших кабельних компаній, який використовує сервіси ASAPP, вартість взаємодії з клієнтом зменшилася на 52%. Ці приклади показують, як штучний інтелект може підвищити продуктивність, покращити якість обслуговування клієнтів та зменшити витрати бізнесу.

Яка ваша особиста бачення майбутнього штучного інтелекту на робочому місці?

Штучний інтелект вже досить поширений на робочому місці. Коли я пишу це, перевірка орфографії та граматики, а також автозаповнення тексту допомагають мені. У мене є фільтри спаму та класифікатори повідомлень на моїх інструментах електронної пошти/месенджерів. Я використовую штучний інтелект для пошуку відповідної інформації, яку мені потрібно для виконання своєї роботи. Це зростатиме, а також моє прийняття, оскільки кількість функцій штучного інтелекту та їхньої якості збільшується.

Однак я б назвав цей тип штучного інтелекту “атомним”. Він точно допомагає мені, але в дуже точних моментах, які дозволяють зробити високоточні передбачення. Я певен, що не можу попросити штучний інтелект відповісти на ці питання, наприклад 🙂

Серйозно, моя бачення полягає в тому, щоб побачити прийняття штучного інтелекту на робочому місці в цілому. Я не маю на увазі “кінець-кінцевий” у сенсі моделей машинного навчання. Що я маю на увазі, так це те, що штучний інтелект буде потужно впливати на великі та складні завдання, оптимізовані для загальної мети, а не лише атомні моменти під час процесу. ASAPP вже впроваджує це у центри обслуговування. Наприклад, ми оптимізуємо, що агент скаже далі, на основі сукупності факторів про те, де агент знаходиться у розмові та якої кінцевої мети. Але далі, уявіть собі науковця, який пише систематичний огляд важливої теми, програміста, який будує платформу або інтегрує складні системи, юриста, який пише юридичну довідку тощо. У майбутньому кожен із цих фахівців буде покладатися на штучний інтелект, щоб швидко підвищити свою ефективність у цих завданнях та оптимізувати бажані результати, звільняючи їх для більш критичних завдань.

Чи є щось ще, що ви хотіли б поділитися про ASAPP?

Наша дослідницька команда в ASAPP має чітке завдання: ми просунуємо штучний інтелект, щоб доповнити людську діяльність та вирішити реальні проблеми підприємств. Дослідники в ASAPP працюють над фундаментальним просуванням науки обробки природної мови та машинного навчання до наших цілей щодо впровадження спеціальних рішень штучного інтелекту у реальному світі, а також застосовують ці досягнення до наших продуктів. Вони використовують величезну кількість даних, генерованих нашими продуктами, та нашу можливість впровадження функцій штучного інтелекту у реальному світі, щоб поставити та вирішити фундаментальні дослідницькі питання новими способами.

Відкрийте наші останні роботи на https://www.asapp.com/ai-research/.

Дякуємо за детальні відповіді. Читачам, які хочуть дізнатися більше, рекомендуємо відвідати ASAPP.