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

Раян Макдональд є головним науковим співробітником Якнайшвидше. Він відповідає за визначення напрямків дослідницьких груп і наукових груп з метою реалізації бачення ASAPP щодо позитивного збільшення людської діяльності через розвиток ШІ. Наразі група зосереджена на розвитку сфери орієнтованого на завдання діалогу в реальних ситуаціях, як-от обслуговування клієнтів. У такому динамічному середовищі є багато взаємодіючих частин: розмова між клієнтом і агентом; середовище та інструменти, які використовує агент; різні показники успіху; широкий спектр потреб і ситуацій клієнтів. Оптимізація цього середовища з метою отримання якісних результатів для клієнтів, агентів і компаній вимагає значних інвестицій у дослідження пошуку, створення мови, оптимізації з обмеженнями, навчання та, що важливо, оцінювання.

Райан працює над розумінням мови та машинним навчанням понад 20 років. Його докторська робота в Університеті Пенсільванії була зосереджена на нових методах машинного навчання для структурованого прогнозування в НЛП, особливо витяг інформації та синтаксичний аналіз. У Penn його дослідження відіграли важливу роль у розвитку сфер розбору залежностей і адаптації домену в НЛП-спільноті. Після отримання докторської освіти Раян приєднався до дослідницької групи Google. Там він досліджував моделі аналізу настроїв і узагальнення відгуків споживачів, результатом чого стала одна з перших великомасштабних систем узагальнення споживачів, якою щодня користуються мільйони користувачів.

Потім дослідження Райана звернулися до масового багатомовного розуміння мови. Спочатку його дослідження були зосереджені на вдосконаленні машинного перекладу, але зростаюча важливість багатомовності в пошуку інформації та цифрових помічниках спонукала його дослідження до інтернаціоналізації цих важливих технологій. Команда Райана відіграла важливу роль у розвитку Google Assistant як глобальної технології. Протягом цього часу він також очолював консорціум Universal Dependencies з великою групою академічних співробітників. Це, безперечно, найбільший багатомовний консорціум даних, спрямований на синтаксичні мовні ресурси. Після більш ніж десяти років роботи над споживчими продуктами Раян перейшов у бік корпоративного бізнесу та керував численними проектами NLP і ML для вдосконалення хмарних сервісів Google, зокрема основного NLP API, рішень для кол-центру AI та пошуку знань із наукової літератури. Дослідження Раяна щодо корпоративного NLP і ML продовжуються в ASAPP.

Райан опублікував понад 100 наукових статей у провідних журналах і на конференціях, які цитувалися тисячі разів. Він отримав нагороди за кращу роботу на провідних міжнародних конференціях (EMNLP, NAACL) за свою роботу з багатомовного синтаксичного аналізу. Його книга «Аналіз залежностей» служила одним із головних педагогічних ресурсів із синтаксичного аналізу протягом більше десяти років. Крім того, що він працював головою майже на кожній конференції NLP і ML першого рівня, він був редактором двох найкращих журналів у цій галузі — Transactions of Association for Computational Linguistics і Computational Linguistics. Він консультував численних аспірантів і стажерів і виступав із запрошеними доповідями на провідних конференціях, семінарах і в провідних університетах по всьому світу.

Що спочатку зацікавило вас машинним навчанням і, точніше, обробкою природної мови?

Я був студентом з подвійною спеціальністю інформатика та філософія. Мене особливо цікавила філософія штучного інтелекту, а також більш практичні аспекти роботи ШІ. Мені пощастило взяти участь у дослідницькому проекті Джеральд Пенн в Університеті Торонто, який зосереджувався на зведення новин для мобільних телефонів. Це було понад 20 років тому і використовувалися дуже примітивні методи за нинішніми стандартами. Джеральд був чудовим наставником і зацікавив мене формальними моделями структури мови (синтаксису та семантики). Я був зачарований складністю мови та математичними рамками для пояснення явищ, які люди щодня аналізують природним шляхом. Приблизно в цей час пошукові системи були всюдисущими, і я бачив величезні переваги для НЛП і МЛ у майбутньому.

Ви опублікували понад 100 наукових статей у провідних журналах і на конференціях, які цитувалися тисячі разів. На вашу думку, яка з них була найвпливовішою?

На це запитання завжди важко відповісти. І з часом я думаю, що моя відповідь зміниться. Якби ви запитали мене кілька років тому, я б працював над використанням алгоритми графів для аналізу залежностей. Ця стаття, разом із роботою Йоакіма Нівра, породила більш ніж десятиріччя бурхливих досліджень розбору синтаксичних залежностей, які мали великий вплив на впровадження НЛП у технологічних компаніях, у тому числі величезну кількість колег по роботі та мене в Google для пошуку , Перекладач, Помічник тощо.

Однак із швидким впровадженням нейронних мереж використання дискретних синтаксичних представлень мови відійшло. Зараз я б сказав, що це основоположна робота, яку я виконав з Джоном Бліцером і Фернандо Перейрою адаптація домену. Методи, які ми використовували в тій статті, не надто актуальні сьогодні, однак я думаю, що ця стаття (разом із сучасною роботою Хала Дауме) укріпила структуру проблеми та її важливість для галузі. Тепер, коли я працюю виключно на підприємстві, я добре знаю проблеми, які ми порушили тоді, і те, що нам ще багато чого потрібно вирішити.

Ви присвятили більшу частину своєї кар’єри в Google, допомагаючи створювати найсучасніші технології NLP і ML і просувати їх у виробництво. Які основні висновки ви зробили з цього досвіду?

Мій ключовий висновок полягає в тому, що, будуючи моделі НЛП і МЛ, ви ніколи не можете передбачити, коли щось піде не так. Потрібно бути одержимим даними, аналізом помилок, показниками тощо на всіх етапах процесу. Спроба вгадати больові точки часто марна, і зазвичай ефективніше побудувати наскрізні моделі якомога швидше та адаптуватися.

Як дослідники НЛП/МЛ, ми зосереджуємося на тому, де може зламатися модель і які припущення моделювання не витримають, коли гума зустрінеться з дорогою. Але часто саме обробка даних або UX є ключем до створення успішних продуктів NLP/ML. Лише коли вони надійні, ми можемо справді повторювати якість, щоб вичавити всю цінність моделей.

На початку 2021 року ви приєдналися до ASAPP як головний науковий співробітник компанії, яка пропонує інструменти штучного інтелекту для розширення можливостей агентів із обслуговування клієнтів. Що привабило вас на цій посаді?

Для більш повної відповіді прочитайте мій блог на цю тему. Але для синтезу основні причини:

• Проблеми важкі. Агенти, які займаються складною взаємодією з обслуговуванням клієнтів, повинні мати багато інформації та досвіду, щоб використовувати їх у розмовах для вирішення проблем клієнтів. Складно побудувати моделі, які додають цінність величезній кількості знань предметної області, особливо коли сигнали слабкі. Наприклад, чи була оцінка задоволеності клієнта низькою через те, що агент зробив щось не так, чи клієнт просто був засмучений?
• Компанії та агенти, які працюють у цьому просторі, надзвичайно захоплені ШІ, який допоможе їм покращити взаємодію з клієнтами. Вони не борються з досягненнями, але бачать у них критичні інструменти для вирішення реальних проблем, які вони мають. Мати такого зарученого партнера – це дивно.
• Нарешті, на відміну від споживчих технологій, набір областей і проблем у корпоративному середовищі настільки неоднорідний, що адаптація (див. мою відповідь на запитання 2) є проблемою, яку потрібно вирішити. Ми можемо створювати послуги не лише для однієї компанії чи однієї галузі, а й для всіх. Це такий чудовий стрес-тест для сьогоднішнього стану ШІ.
• ASAPP зосереджена виключно на цій проблемі.

Чи могли б ви обговорити бачення ASAPP щодо позитивного збільшення людської діяльності через розвиток ШІ?

Наша головна гіпотеза в ASAPP полягає в тому, що штучний інтелект не повинен замінювати людей, а покращувати їх у позитивний і продуктивний спосіб. Це бачення є широким, і ми маємо амбіції застосувати його до всієї відповідної людської діяльності. Однак, оскільки це широкий мандат, першою сферою, на якій ми вирішили зосередитися, є взаємодія з клієнтами.

Домен клієнтського досвіду втілює всі виклики та винагороди, пов’язані з розширенням людської діяльності. Агенти беруть участь у складних завданнях вирішення проблем, які вимагають від них стежити за робочими потоками, отримувати відповідну інформацію з клієнтів і баз знань, а також адаптуватися до нюансів ситуацій, у яких може опинитися клієнт. Це створює величезну кількість можливостей для ШІ покращити цей процес. Однак ми вважаємо, що важливо робити це в позитивному ключі, під яким ми маємо на увазі:

• Збільшення відбувається в точках, які є природними та змінними під час роботи агента. Це критично. Якщо штучний інтелект втручається або втручається в незручні моменти або з низькою затримкою, це справді матиме негативний вплив на досвід агента, оскільки йому доведеться свідомо ігнорувати ШІ.
• Що ще важливіше, ми хочемо, щоб штучний інтелект досягав позитивних результатів для всіх залучених людей. У цьому випадку це замовник, агент і організація. Клієнти хочуть, щоб їхні проблеми вирішувалися ефективно та результативно. Агенти хочуть зробити це для клієнтів. Крім того, агенти виконують важку роботу, часто мають справу зі складними незадоволеними клієнтами. ШІ має допомогти їм збалансувати роботу та когнітивне навантаження, щоб зменшити втому та виснаження та підвищити задоволеність роботою. Зрештою, агенти в кол-центрах мають один із найгірших показників скорочення (у деяких кол-центрах досягає 100% на рік) серед усіх вакансій в Америці. Нарешті, ми хочемо позитивних бізнес-результатів для компанії, яка керує кол-центром. Це може бути задоволеність клієнтів, кількість проблем, які можна вирішити за день, або навіть обсяг продажів.

Що стосується кол-центрів, ми часто думаємо про позитивні результати між клієнтом, агентом і компанією як про конфлікт один з одним. Але хороший AI допоможе оптимізувати для всіх трьох.

Чи могли б ви обговорити поточну анатомію ШІ кол-центру?

Сьогодні майже кожен етап вашого контакту з кол-центром має певну форму штучного інтелекту, керуючого чи інформуючого про те, як вирішується проблема.

Цей перший крок — інтерактивна голосова відповідь (IVR) або чат-бот. Це повністю автоматично, і його основна мета — зрозуміти, чому клієнт дзвонить, і спрямувати його відповідно. Потенційно ці системи намагатимуться зібрати якомога більше інформації, перш ніж відправляти клієнта до агента, щоб максимізувати ймовірність того, що агент зможе швидко вирішити проблему. Багато сучасних ботів також можуть безпосередньо вирішувати проблеми користувачів, не потребуючи агента, що називається «стримуванням», оскільки виклик ніколи не потребує втручання людини. Цього можна досягти, порекомендувавши поширені запитання або просто виконавши якесь просте завдання для клієнта.

Після цього дзвінок переходить до агента. Потрапивши до агента, основна роль ШІ полягає в тому, щоб направляти агента та вносити йому пропозиції. Що вони мають сказати далі? Яким потоком їм слідувати? Які статті бази знань допоможуть вирішити проблему? Ці моделі зазвичай навчаються на історичних даних і оптимізуються для певного ключового показника ефективності, яким може бути час обробки (як швидко проблема була вирішена) або оцінка задоволеності клієнта (чи був клієнт задоволений досвідом).

Після завершення дзвінка або чату ШІ продовжує працювати. У більшості колл-центрів агент залишає структуровану інформацію та нотатки про те, що сталося під час розмови. Це для аналітичних цілей, а також для будь-якого наступного агента, який виявить проблему, якщо її не було вирішено. AI допомагає з усіма цими кроками.

Нарешті, у кол-центрі є керівники, які допомагають агентам і розвивають їхні навички. ШІ тут може мати вирішальне значення. У колл-центрі з сотнями агентів, які обслуговують тисячі дзвінків на день. Як керівники можуть визначити проблеми, які потребують їхнього втручання? Як вони можуть зрозуміти, що сталося протягом дня? Як вони можуть знайти сфери вдосконалення для агентів, щоб розширити свій набір навичок?

Як ASAPP допомагає зменшити плинність кадрів кол-центру?

Великі компанії, що пропонують споживчі товари та послуги, витрачають мільйони, а іноді й мільярди доларів щороку на контакт-центри, які обслуговують їхніх клієнтів, при цьому вартість робочої сили становить 80-90% від загальних витрат. Це велика проблема, коли оборот агентів становить 40%, а іноді 100% або більше, щороку.

Часто карикатурно кажуть, що агенти байдужі до ваших проблем і йдуть напролом. У гіршому випадку навіть перешкоджає вашій здатності вирішити проблему. Ніщо не може бути дальшим від істини. Агенти, як і всі люди, отримують задоволення від допомоги клієнтам у вирішенні їхніх проблем. Як би ви віддали перевагу провести свій день, слухаючи щирі слова подяки чи крики клієнтів? в нещодавнє дослідження, яке ми провели, ми виявили, що 90% агентів повідомили, що розмови з клієнтами покращили їхній день, і більшість каже, що вони задоволені своєю роботою. Але агентам потрібні інструменти та навчання, щоб зробити клієнтів щасливими. Нещасні клієнти призводять до розчарованих, втомлених і напружених агентів. Це основний фактор обороту.

Штучний інтелект для посилення роботи агентів під час дзвінка (як описано раніше) вже допомагає. Якщо агент має інструменти та вказівки щодо того, як ефективно та швидко вирішити проблему клієнта, то ймовірність того, що клієнт буде задоволений, може бути лише вищою, що, у свою чергу, має призвести до більшого задоволення від роботи.

Однак ASAPP починається не з цього. Хоча динамічне керівництво в режимі реального часу має вирішальне значення, більш структуроване навчання, коучинг і зворотний зв’язок також важливі. Багато агентів навчаються новим питанням або процедурам «наживо». Тобто вони отримують опис процедури, але потім бачать це на практиці лише тоді, коли приймають дзвінок із реальним клієнтом. Уявіть, що ми дали пілотам інструкцію з експлуатації літака, а потім сказали їм доправити 300 пасажирів до Денвера? Через це ми зосереджуємося на використанні штучного інтелекту, щоб допомогти агентам створити інструменти для відпрацювання процедур і вирішення складних ситуацій, перш ніж мати справу з реальними клієнтами. Коли це поєднується з цілеспрямованим зворотним зв’язком (або від керівника, або автоматично), це дозволить агенту розвивати свої навички в менш стресовому середовищі.

Кращий штучний інтелект для підвищення задоволеності клієнтів у динамічних ситуаціях, а також штучний інтелект для обґрунтованого навчання — саме так ASAPP зосереджується на агенті з кінцевою метою зменшення плинності кадрів.

Які приклади типів результатів, яких можна досягти, включивши ШІ в кол-центр?

Як було зазначено вище, ШІ може стати трансформаційною технологією для підвищення продуктивності. Для американської авіакомпанії, з якою ми працюємо, продуктивність агента зросла на 86%, а пропускна здатність організації (загальна кількість взаємодій по всіх каналах обслуговування клієнтів, поділена на роботу, витрачену на задоволення цих потреб) на 127%. Для глобального мережевого оператора, який використовує послуги ASAPP, показник чистих промоутерів (готовність клієнтів рекомендувати продукти чи послуги компанії іншим) зріс на 45%. Для 3 найкращих кабельних компаній, які використовують ASAPP, вартість взаємодії знизилася на 52%. Ці приклади показують, як ШІ може підвищити продуктивність, покращити якість обслуговування клієнтів і зменшити витрати бізнесу.

Яке ваше особисте бачення майбутнього ШІ на робочому місці?

ШІ вже досить поширений на робочому місці. Під час написання цієї статті мені допомагають засоби перевірки орфографії та граматики, а також автозаповнення тексту. У моїх інструментах електронної пошти/повідомлень є фільтри спаму та класифікатори повідомлень. Я використовую пошук на основі штучного інтелекту, щоб знайти відповідну інформацію, яку мені потрібно виконати. Це буде зростати, а також моє впровадження, оскільки кількість функцій на базі штучного інтелекту та їх якість зростатиме.

Однак я б назвав такий вид розширення ШІ атомарним. Це, безумовно, допомагає мені, але в дуже точні моменти, які дозволяють високоточні прогнози. Я, звичайно, не можу попросити ШІ відповісти на ці запитання, наприклад, — поки що 🙂

Якщо серйозніше, моє бачення полягає в тому, щоб побачити впровадження наскрізного штучного інтелекту в усьому робочому просторі. Я не маю на увазі наскрізне в сенсі моделювання машинного навчання. Я маю на увазі те, що штучний інтелект забезпечуватиме цілісно великі та складні завдання, оптимізовані для загальної мети, а не лише для атомарних точок у процесі. ASAPP вже застосовує це в кол-центрах. Наприклад, ми оптимізуємо те, що агент скаже далі, на основі цілісного набору факторів про те, де агент знаходиться в розмові та яка кінцева мета. Але крім цього, уявіть вченого, який намагається написати систематичний огляд на важливу тему, інженера-програміста, який розробляє платформу або інтегрує складні системи, юриста, який пише юридичне резюме, тощо. У майбутньому кожен із цих професіоналів покладатиметься на ШІ. щоб швидко підвищити свою ефективність у цих завданнях і оптимізувати бажані результати, звільнивши їх для більш критичних завдань.

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

Наша дослідницька група в ASAPP чітко сфокусована: ми вдосконалюємо штучний інтелект, щоб посилити людську діяльність для вирішення реальних проблем підприємств. Дослідники з ASAPP працюють над фундаментальним просуванням науки про НЛП і машинне навчання для досягнення нашої мети розгортання реальних рішень штучного інтелекту для конкретної області та застосування цих досягнень у наших продуктах. Вони використовують величезні обсяги даних, створені нашими продуктами, і нашу здатність розгортати функції штучного інтелекту в реальному житті, щоб ставити та вирішувати фундаментальні дослідницькі питання новими способами.

Відкрийте для себе наші останні статті на https://www.asapp.com/ai-research/.

Дякую за детальні відповіді, читачі, які хочуть дізнатися більше, повинні відвідати Якнайшвидше.