Gautam Kanumuru, CEO & Co-Founder của Yogi – Loạt Phỏng Vấn

Bạn đã từng làm việc về NLP và Cortana tại Microsoft, sau đó giúp dẫn dắt Clarke.AI thông qua việc mua lại. Điều gì đã thúc đẩy bạn bắt đầu Yogi, và làm thế nào nền tảng của bạn đã định hình sứ mệnh của công ty?

Điều thu hút tôi bắt đầu Yogi thực sự là tiềm năng của xử lý ngôn ngữ tự nhiên. Tại Microsoft và Clarke.AI, tôi đã chứng kiến trực tiếp cách một cải tiến nhỏ về NLP – chẳng hạn như tăng 5-10% hiệu suất – có thể mở khóa hàng trăm trường hợp sử dụng hạ nguồn. Nhưng tôi cũng nhận thấy một khoảng trống giữa những gì trông ấn tượng trong một bản demo và những gì thực sự mang lại giá trị thực sự cho khách hàng. Với Yogi, chúng tôi đã đặt ra mục tiêu lấp đầy khoảng trống đó. Chúng tôi muốn xây dựng một thứ gì đó có thể tạo ra tác động cụ thể, có thể nhìn thấy, như thay đổi sản phẩm trên kệ hàng mà bạn có thể truy ngược lại các thông tin được tạo ra bởi nền tảng của chúng tôi.

Vào những ngày đầu của Yogi, khó khăn lớn nhất trong việc thuyết phục các thương hiệu tiêu dùng tin tưởng vào Trí tuệ Nhân tạo cho một điều gì đó tinh vi như quan điểm của khách hàng là gì?

Sự hoài nghi đến từ hai nơi: một là công nghệ bản thân, và hai là chúng tôi là một công ty nhỏ nói với các doanh nghiệp lớn. Chúng tôi đã học nhanh chóng rằng không đủ để nói về những gì sản phẩm của bạn có thể làm, bạn phải thể hiện nó. Điều đó có nghĩa là cung cấp phân tích mẫu trước khi được yêu cầu, trả lời các câu hỏi kinh doanh thực sự tại chỗ, và luôn cung cấp giá trị từ ngày đầu tiên. Và chúng tôi cũng làm rõ rằng chúng tôi sẽ làm việc thông qua bất kỳ vấn đề nào sau khi áp dụng. Loại độ tin cậy đó quan trọng.

Yogi sử dụng Trí tuệ Nhân tạo và NLP để trích xuất quan điểm từ đánh giá sản phẩm. Bạn có thể hướng dẫn chúng tôi qua cách nền tảng của bạn dịch phản hồi thô của người mua thành thông tin chi tiết, có thể hành động?

Chúng tôi nghĩ về nó trong ba giai đoạn: tổng hợp, tổ chức và phân tích. Đầu tiên, chúng tôi tổng hợp phản hồi của khách hàng từ nhiều kênh: đánh giá, khảo sát, vé hỗ trợ, và đảm bảo nó được gắn chính xác với sản phẩm, SKU và nhà bán lẻ đúng. Điều đó khó hơn nó có vẻ. Ví dụ, cùng một sản phẩm có thể có danh sách hơi khác nhau trên nhiều trang web.

Sau đó chúng tôi tổ chức dữ liệu. Đây là nơi lớp AI thứ hai của chúng tôi đọc phản hồi theo cách một con người sẽ. Nó xác định chủ đề đang được thảo luận, cách chúng được mô tả, và với quan điểm gì mà không chỉ dựa vào từ khóa.

Cuối cùng, chúng tôi phân tích. Đây là nơi chúng tôi trình bày thông tin chi tiết cho người dùng của chúng tôi thông qua một giao diện tương tác cao. Các công cụ mới nhất của chúng tôi thậm chí cho phép người dùng nhập câu hỏi phức tạp như “Tôi đã hoạt động như thế nào so với ba đối thủ cạnh tranh của mình trong năm qua?” và nhận được câu trả lời trong vài giây.

Điều gì phân biệt mô hình Trí tuệ Nhân tạo của Yogi với các công cụ phân tích quan điểm chung? Có kỹ thuật cụ thể nào giúp bạn nắm bắt sự tinh vi trong phản hồi của người tiêu dùng?

Yogi giống như một sinh viên tốt nghiệp cấp tiến sĩ về phản hồi của người tiêu dùng. Các mô hình chung, thậm chí cả những mô hình tiên tiến như ChatGPT, giống như những sinh viên đại học thông minh: chúng biết một chút về mọi thứ. Chúng tôi đã tinh chỉnh mô hình của mình cụ thể cho không gian này, sử dụng tập dữ liệu của riêng chúng tôi và tiền xử lý rộng rãi. Bởi vì chúng tôi thêm các lớp cấu trúc, như quan điểm, chủ đề và ánh xạ sản phẩm, chúng tôi cung cấp bối cảnh phong phú xung quanh mỗi mảnh văn bản mà mô hình đánh giá.

Nhiều nền tảng Trí tuệ Nhân tạo gặp khó khăn với bối cảnh hoặc sự miệt thị trong đánh giá của khách hàng. Yogi giải quyết thách thức của dữ liệu không cấu trúc, phức tạp về mặt cảm xúc như thế nào?

Chúng tôi giải quyết nó thông qua đào tạo liên tục và đầu vào của người dùng. Mô hình của chúng tôi được cải thiện bằng cách liên tục tiêu thụ các ví dụ về sự miệt thị, mơ hồ hoặc tiếng lóng đang phát triển. Chúng tôi cũng cho phép người dùng đánh dấu các giải thích có vấn đề, mà chúng tôi có thể đưa trở lại vào quá trình đào tạo của mình. Việc tinh chỉnh này không yêu cầu hàng triệu ví dụ, chỉ cần một số lượng nhỏ các ví dụ được nhắm mục tiêu có thể cải thiện đáng kể hiệu suất.

Làm thế nào Yogi giúp các công ty phát hiện vấn đề ở cấp độ sản phẩm, theo dõi sự thay đổi quan điểm và phản ứng theo thời gian thực? Bạn có thể chia sẻ một câu chuyện thành công?

Tuyệt đối. Nhìn chung, chúng tôi thấy nhiều trường hợp sử dụng nhưng ba loại phổ biến. Đầu tiên, đổi mới sản phẩm: các công ty sử dụng chúng tôi để khám phá các danh mục mới và xác định nhu cầu chưa được đáp ứng trước khi ra mắt sản phẩm mới. Chúng tôi đã có khách hàng bắt đầu sử dụng Yogi hai năm trước khi ra mắt sản phẩm để định hình mọi thứ từ công thức đến bao bì.

Thứ hai, chất lượng sản phẩm: nếu một đội thay đổi một thành phần – chẳng hạn như một phần trong máy pha cà phê – họ có thể theo dõi quan điểm sau khi phát hành để xem liệu khiếu nại có tăng vọt hay không. Điều này áp dụng trên các ngành, bao gồm cả mỹ phẩm, thực phẩm và điện tử.

Thứ ba, phân tích chiến lược: chúng tôi đã thấy các thương hiệu sử dụng Yogi để đánh giá các vụ mua lại tiềm năng bằng cách phân tích phản hồi của người tiêu dùng về sản phẩm mục tiêu. Đó là một lớp thẩm định mà họ không có quyền truy cập trước đây.

Yogi hiện đang được sử dụng để tối ưu hóa PDP, sắp xếp thông điệp tiếp thị, và thậm chí theo dõi vấn đề vận chuyển. Làm thế nào sản phẩm đã phát triển để hỗ trợ nhiều quy trình làm việc như vậy?

Điều đó hoàn toàn do khách hàng thúc đẩy. Chúng tôi tin rằng phản hồi của người tiêu dùng có liên quan đến mọi đội trong một công ty, từ sản phẩm đến bán hàng đến hỗ trợ. Vì vậy, khi chúng tôi thấy người dùng của mình kéo thông tin chi tiết cho một mục đích mới, chúng tôi hỏi: Liệu Yogi có thể thích nghi để hỗ trợ trường hợp sử dụng đó một cách bản địa không? Đó là cách chúng tôi đã phát triển. Chúng tôi không xây dựng cho tiếp thị hoặc chuỗi cung ứng ban đầu, nhưng các đội đó đã thấy giá trị và yêu cầu tính năng. Chúng tôi đã lắng nghe.

Làm thế nào bạn giúp các công ty theo dõi đối thủ cạnh tranh và phát hiện những kẻ phá vỡ trước khi họ trở thành mối đe dọa?

Chúng tôi tận dụng các nguồn công khai như đánh giá và xếp hạng để theo dõi sản phẩm cạnh tranh theo thời gian thực. Nền tảng của chúng tôi sử dụng cảnh báo và “luồng thông tin chi tiết” để đánh dấu khi có điều gì đó bất thường xảy ra, như sự tăng vọt về quan điểm tích cực cho sản phẩm của đối thủ. Khách hàng của chúng tôi không cần phải theo dõi mọi thứ thủ công. Yogi liên tục quét và sẽ nổi bật bất cứ điều gì đáng chú ý mà không cần được nhắc.

Bạn nhìn thấy tương lai của thông tin chi tiết về người tiêu dùng dựa trên Trí tuệ Nhân tạo đang đi tới đâu trong 3 đến 5 năm tới, và Yogi sẽ đóng vai trò gì trong cảnh quan đó?

Hai chuyển biến chính đang đến. Đầu tiên là tự động hóa. Các nhiệm vụ từng mất vài tuần, như biên soạn một bảng so sánh cạnh tranh, đang được giảm xuống còn vài giờ hoặc thậm chí vài phút. Sắp tới, một người dùng có thể hỏi Yogi một câu hỏi và nhận lại một báo cáo hoặc trang trình bày đã được định dạng đầy đủ.

Thứ hai là sự xuất hiện của các loại phân tích mới. Trí tuệ Nhân tạo sẽ cho phép các cuộc điều tra nhanh, lặp đi lặp lại mà trước đây quá tốn kém hoặc mất thời gian, như thông tin phong cách nhóm tập trung từ dữ liệu công khai. Chúng tôi tin rằng Yogi được định vị tốt để dẫn đầu cả hai mặt trận: tăng tốc nghiên cứu và cho phép các quy trình làm việc hoàn toàn mới.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Yogi.