Коли «Чатбот» — брудне слово: 3 помилкові уявлення бізнес-лідерів про розмовний AI

Поширення великих мовних моделей, таких як ChatGPT від OpenAI, Llama від Meta та Claude від Anthropic, призвело до створення чатбота для кожної нагоди. Є чатботи для кар’єрної поради, чатботи, які дозволяють вам говорити зі своїм майбутнім «я», і навіть чатбот-куриця, який дає поради щодо приготування їжі.

Але ці чатботи не такі, як ті, які були десять років тому – тоді вони були обмежені вузькими, жорсткими «розмовами», часто заснованими на великому потоці з множинним вибором або еквівалентними відповідями. По суті, вони були лише трохи більш складними, ніж телефонні меню до інтернету.

Сучасні «чатботи», з іншого боку, частіше називаються розмовним AI, інструментом з набагато ширшими можливостями та випадками використання. І оскільки ми зараз перебуваємо в середині гіп-циклу генерації AI, всі три цих терміни використовуються взаємозамінно. На жаль, внаслідок цього існує багато непорозумінь щодо ризиків, випадків використання та ROI інвестицій у розмовний AI серед бізнес-лідерів, особливо в високо регульованих галузях, таких як фінанси.

Тому я хотів би виправити деякі поширені непорозуміння щодо «чатботів», коли ми насправді говоримо про розмовний AI.

Міф 1: Клієнти ненавидять чатботи

Споживачів протягом останнього десятиліття запитували, чи вони віддають перевагу людським агентам чи чатботам – це подібно до того, щоб запитати людину, чи вона хоче професійний масаж чи сидіти в масажному кріслі торгового центру.

Але дебют ChatGPT у 2022 році (разом з усіма інструментами, які з нього виникли) повністю змінив нашу думку про можливості чатбота. Як згадувалося вище, старі чатботи працювали на основі сценаріїв, тому будь-яке відхилення від їхніх передбачених шляхів часто призводило до плутанини та неефективних відповідей. Нездатність зрозуміти контекст та наміри користувача призводила до того, що відповіді були часто загальними та недоречними, а також мали обмежену здатність зібрати, зберегти та надати інформацію.

Натомість розмовний AI вступає у природні розмови, які віддзеркалюють людську мову, що дозволяє здійснювати більш плавний та інтуїтивний обмін. Він демонструє видатну гнучкість та адаптивність до несподіваних результатів. Він здатний зрозуміти контекст, оточення намірів користувача, виявити емоції та відповісти співчутливо.

Цей глибший рівень розуміння дозволяє сучасному AI ефективно направляти користувачів до логічних шляхів до їхніх цілей. Це включає в себе швидке передавання клієнтів людині-асистенту, коли це необхідно. Крім того, розмовний AI використовує просунуті інформаційні фільтри, механізми отримання та здатність зберігати актуальну інформацію, суттєво підвищуючи їхню здатність вирішувати проблеми, що робить користувацький досвід кращим.

Тому не те, що клієнти сліпо ненавидять чатботи, а те, що вони ненавидять погану службу, якої попередні версії чатботів були безумовно винні. Сучасні агенти розмовного AI настільки більш складні, що більше чверті споживачів не впевнені у своїй здатності відрізнити людину від агента AI, а деякі навіть сприймають чатботи AI як кращих у виконанні деяких завдань порівняно з людьми.

У наших пілотних проєктах ми бачили, як агенти AI потроїли кількість конверсій лідів, що є досить потужним свідченням того, що це не залежить від того, чи це чатбот, а від якості виконаної роботи.

Міф 2: Чатботи надто ризиковані

Під час обговорення питань AI з бізнес-лідерами часто виникають питання щодо галюцинацій, захисту даних та упередженості, які можуть призвести до порушення правил. Хоча ці ризики є легітимними, їх можна пом’якшити за допомогою різних підходів: тонкої настройки, генерації з підтримкою отримання (RAG) та інженерії промптів.

Хоча тонка настройка не доступна для всіх великих мовних моделей, вона може спеціалізувати попередньо навчену модель для конкретної задачі або галузі, внаслідок чого AI стає краще пристосованим до конкретних потреб. Наприклад, компанія з охорони здоров’я могла б налаштувати модель для кращого розуміння та відповіді на медичні запитання.

RAG підвищує точність чатбота шляхом динамічного інтегрування зовнішніх знань. Це дозволяє чатботу отримувати актуальну інформацію з зовнішніх баз даних. Наприклад, чатбот фінансових послуг міг би використовувати RAG для надання реальних відповідей про ціни акцій.

Нарешті, інженерія промптів оптимізує великі мовні моделі шляхом створення промптів, які спрямовують чатбот на генерацію більш точних або контекстно-чутливих відповідей. Наприклад, платформа електронної комерції могла б використовувати промпти для надання персоналізованих рекомендацій продуктів на основі вподобань клієнтів та історії пошуку.

Крім використання одного або кількох цих підходів, ви також можете контролювати «температуру» творчості розмовного AI, щоб допомогти запобігти галюцинаціям. Встановлення нижчої температури в API-званих функціях обмежує AI більш детермінованими та послідовними відповідями, особливо коли це поєднується з базою знань, яка забезпечує отримання даних з надійних джерел. Щоб ще більше пом’якшити ризики, уникайте розгортання AI у ролях прийняття рішень, де упередженість або дезінформація можуть призвести до юридичних проблем.

Що стосується захисту даних, переконайтеся, що зовнішні постачальники AI відповідають вимогам правил, або розгорніть відкриті моделі на своїй інфраструктурі, щоб зберегти повний контроль над своїми даними, що є важливим для дотримання вимог GDPR.

Нарешті, завжди мудро інвестувати в професійне страхування відповідальності, яке може надати додатковий захист, покриваючи підприємства в малоймовірних сценаріях, таких як спроби судових позовів. За допомогою цих заходів підприємства можуть впевнено використовувати AI, зберігаючи безпеку бренду та клієнтів.

Міф 3: Чатботи не готові до складних завдань

Після того, як великі технологічні компанії мають проблеми з розгортанням інструментів AI, може здатися наївним думати, що мале підприємство матиме легше. Але AI зараз знаходиться на стадії, коли фраза «джек-оф-олл-тредс-енд-мастер-оф-нейт» не є зовсім неточною. Це в основному тому, що ці інструменти запитуються виконати занадто багато різних завдань у середовищах, які ще не спроектовані для ефективного розгортання AI. Інакше кажучи, це не те, що вони не здатні, а те, що їх запитують кататися на льоду, який ще не утворився.

Наприклад, організації, які мають розрізнені чи неорганізовані дані, будуть більш схильні до того, що AI видаватиме застарілі, неточні чи суперечливі відомості. Іронічно, це є наслідком їхньої складності! Коли старі чатботи просто повторювали базову інформацію лінійним способом, розмовний AI може аналізувати потужні набори даних, розглядаючи кілька впливових факторів одночасно, щоб прокласти найбільш підходящий шлях вперед.

Отже, успіх з розмовним AI залежить від суворих параметрів та дуже чітких меж щодо джерел даних та завдань. З правильними навчальними даними та експертно спроектованими промптами функціональність розмовного AI може розширити свій діапазон дії далеко за межі простого чатбота. Наприклад, він може зібрати та відфільтрувати дані з розмов клієнтів та використовувати їх для автоматичного оновлення CRM. Це не тільки спрощує адміністративні завдання, але й забезпечує, що інформація про клієнтів завжди точна та актуальна. Автоматизуючи такі завдання, підприємства можуть зосередитися на стратегічних заходах, а не на адміністративних навантаженнях.

Якщо ми продовжимо використовувати термін «чатбот», то важливо відрізняти платформи, які інтегрують передові розмовні AI, та ті, які ще пропонують обмежені інструменти минулого. Так само, як сьогодні слово «телефон» частіше викликає образ сенсорного смартфона, ніж телефону з спіральною роз’ємом, я вважаю, що ми не далеко від того, щоб «чатбот» був замінений ідеєю передових агентів AI, а не незграбними аватарами з множинним вибором.