Ryan McDonald, Nhà khoa học trưởng tại ASAPP – Loạt phỏng vấn

Ryan McDonald là Nhà khoa học trưởng tại ASAPP. Ông chịu trách nhiệm thiết lập hướng nghiên cứu và nhóm khoa học dữ liệu để đạt được tầm nhìn của ASAPP trong việc tăng cường hoạt động của con người thông qua sự tiến bộ của Trí tuệ nhân tạo. Nhóm hiện đang tập trung vào việc phát triển lĩnh vực hội thoại định hướng nhiệm vụ trong các tình huống thực tế như chăm sóc khách hàng. Trong những môi trường động này, có nhiều bộ phận tương tác: cuộc trò chuyện giữa khách hàng và đại lý; môi trường và công cụ mà đại lý sử dụng; các biện pháp thành công khác nhau; một loạt các nhu cầu và tình huống của khách hàng. Việc tối ưu hóa môi trường này để dẫn đến kết quả chất lượng cao cho khách hàng, đại lý và công ty đòi hỏi phải đầu tư nghiên cứu đáng kể vào việc thu hồi, tạo ngôn ngữ, tối ưu hóa bị giới hạn, học tập và, quan trọng nhất, đánh giá.

Ryan đã làm việc về hiểu ngôn ngữ và học máy trong hơn 20 năm. Luận án tiến sĩ của ông tại Đại học Pennsylvania tập trung vào các phương pháp học máy mới cho dự đoán cấu trúc trong Xử lý ngôn ngữ tự nhiên, đáng chú ý nhất là trích xuất thông tin và phân tích cú pháp. Tại Penn, nghiên cứu của ông đã góp phần phát triển các lĩnh vực phân tích cú pháp phụ thuộc và thích nghi miền trong cộng đồng Xử lý ngôn ngữ tự nhiên. Sau khi hoàn thành luận án tiến sĩ, Ryan gia nhập Nhóm nghiên cứu của Google (GOOGL ). Tại đó, ông nghiên cứu phân tích cảm xúc và mô hình tóm tắt cho đánh giá của người tiêu dùng, dẫn đến một trong những hệ thống tóm tắt lớn đầu tiên được hàng triệu người dùng sử dụng mỗi ngày.

Sau đó, nghiên cứu của Ryan chuyển sang hiểu ngôn ngữ đa ngôn ngữ lớn. Ban đầu, nghiên cứu của ông tập trung vào việc cải thiện dịch máy, nhưng tầm quan trọng ngày càng tăng của tính đa ngôn ngữ trong tìm kiếm thông tin và trợ lý kỹ thuật số đã dẫn nghiên cứu của ông đến việc quốc tế hóa những công nghệ quan trọng này. Đội của Ryan đã đóng vai trò quan trọng trong việc phát triển Trợ lý Google như một công nghệ toàn cầu. Trong thời gian này, ông cũng đứng đầu liên minh Tính phụ thuộc toàn cầu với một tập hợp lớn các cộng tác viên học thuật. Đây là tập hợp dữ liệu đa ngôn ngữ lớn nhất nhằm vào các nguồn tài nguyên ngôn ngữ cú pháp. Sau hơn một thập kỷ làm việc trên các sản phẩm tiêu dùng, Ryan chuyển sang lĩnh vực doanh nghiệp và lãnh đạo nhiều dự án Xử lý ngôn ngữ tự nhiên và Học máy để cải thiện Dịch vụ Đám mây của Google, bao gồm cả API Xử lý ngôn ngữ tự nhiên cốt lõi, giải pháp cho Trí tuệ nhân tạo Trung tâm cuộc gọi và Khám phá kiến thức từ văn học khoa học. Nghiên cứu của Ryan về Xử lý ngôn ngữ tự nhiên và Học máy doanh nghiệp tiếp tục tại ASAPP.

Ryan đã xuất bản hơn 100 bài nghiên cứu trong các tạp chí và hội nghị hàng đầu, được trích dẫn hàng nghìn lần. Ông đã giành được giải thưởng bài báo hay nhất tại các hội nghị quốc tế hàng đầu (EMNLP, NAACL) cho công việc của mình về phân tích cú pháp đa ngôn ngữ. Cuốn sách ‘Phân tích cú pháp phụ thuộc’ của ông đã trở thành một trong những tài nguyên giảng dạy chính về phân tích cú pháp trong hơn một thập kỷ. Ngoài việc phục vụ sebagai chủ tịch khu vực tại hầu hết các hội nghị và tạp chí Xử lý ngôn ngữ tự nhiên và Học máy hàng đầu, ông đã là biên tập viên cho hai tạp chí hàng đầu trong lĩnh vực này – Giao dịch của Hiệp hội Xử lý ngôn ngữ tự nhiên và Xử lý ngôn ngữ tự nhiên. Ông đã tư vấn cho nhiều sinh viên tiến sĩ và thực tập sinh và đã trình bày các bài nói chuyện mời tại các hội nghị, hội thảo và trường đại học hàng đầu trên toàn thế giới.

Điều gì đã thu hút bạn đến với học máy và cụ thể là Xử lý ngôn ngữ tự nhiên?

Tôi là một sinh viên đại học với chuyên ngành kép về khoa học máy tính và triết học. Tôi đặc biệt quan tâm đến triết lý của Trí tuệ nhân tạo cũng như các khía cạnh thực tế về cách Trí tuệ nhân tạo hoạt động. Tôi may mắn có được một dự án nghiên cứu với Gerald Penn tại Đại học Toronto, tập trung vào tóm tắt tin tức cho điện thoại di động. Đó là hơn 20 năm trước và sử dụng các phương pháp rất nguyên thủy so với ngày nay. Gerald là một người cố vấn tuyệt vời và đã thu hút tôi đến với các mô hình chính thức về cấu trúc ngôn ngữ (cú pháp và ngữ nghĩa). Tôi bị thu hút bởi sự phức tạp của ngôn ngữ và các khuôn khổ toán học để giải thích các hiện tượng mà con người phân tích một cách tự nhiên mỗi ngày. Vào thời điểm đó, các công cụ tìm kiếm đã trở nên phổ biến, và tôi có thể thấy lợi thế lớn của Xử lý ngôn ngữ tự nhiên và Học máy trong tương lai.

Bạn đã xuất bản hơn 100 bài nghiên cứu trong các tạp chí và hội nghị hàng đầu, được trích dẫn hàng nghìn lần. Theo bạn, bài nghiên cứu nào có ảnh hưởng nhất?

Đây luôn là một câu hỏi khó để trả lời. Và theo thời gian, tôi nghĩ câu trả lời của tôi thay đổi. Nếu bạn hỏi tôi vài năm trước, đó sẽ là công việc tôi đã làm về việc sử dụng thuật toán đồ thị cho phân tích cú pháp phụ thuộc. Bài báo này, cùng với công việc của Joakim Nivre, đã tạo ra hơn một thập kỷ nghiên cứu nhanh chóng về phân tích cú pháp phụ thuộc, điều này đã có tác động lớn đến việc áp dụng Xử lý ngôn ngữ tự nhiên tại các công ty công nghệ, bao gồm cả một lượng lớn công việc mà đồng nghiệp và tôi đã làm tại Google cho Tìm kiếm, Dịch, Trợ lý, v.v.

Tuy nhiên, với sự áp dụng nhanh chóng của mạng nơ-ron, việc sử dụng các biểu diễn ngôn ngữ cú pháp rời rạc đã giảm đi. Tôi sẽ nói bây giờ rằng đó là công việc cơ bản mà tôi đã làm với John Blitzer và Fernando Pereira về thích nghi miền. Các phương pháp chúng tôi sử dụng trong bài báo đó không còn liên quan ngày nay, tuy nhiên, tôi nghĩ rằng bài báo đó (cùng với công việc đương thời của Hal Daume) đã củng cố khuôn khổ của vấn đề và tầm quan trọng của nó đối với lĩnh vực này. Bây giờ mà tôi chỉ làm việc trong doanh nghiệp, tôi rất nhận thức được những vấn đề mà chúng tôi đã đặt ra vào thời điểm đó và chúng tôi vẫn còn nhiều việc phải giải quyết.

Bạn đã dành phần lớn sự nghiệp của mình tại Google để xây dựng các công nghệ Xử lý ngôn ngữ tự nhiên và Học máy hàng đầu và đưa chúng vào sản xuất. Những kết luận chính nào bạn đã rút ra từ kinh nghiệm này?

Kết luận chính của tôi sẽ là khi xây dựng mô hình Xử lý ngôn ngữ tự nhiên và Học máy, bạn không bao giờ có thể dự đoán khi nào mọi thứ sẽ đi sai. Bạn cần phải bị ám ảnh bởi dữ liệu, phân tích lỗi, chỉ số, v.v. tại tất cả các điểm trong quá trình. Việc cố gắng đoán các điểm đau là thường徒劳 và thường hiệu quả hơn khi xây dựng các mô hình từ đầu đến cuối càng nhanh càng tốt và thích nghi.

Trong vai trò là nhà nghiên cứu Xử lý ngôn ngữ tự nhiên và Học máy, chúng tôi tập trung vào nơi mô hình có thể bị hỏng và những giả định mô hình nào sẽ không giữ được khi thực tế ập đến. Nhưng thường thì đó là xử lý dữ liệu hoặc UX là chìa khóa để tạo ra các sản phẩm Xử lý ngôn ngữ tự nhiên và Học máy thành công. Chỉ khi những điều này được vững chắc, chúng tôi mới có thể thực sự lặp lại chất lượng để榨取 tất cả giá trị của các mô hình.

Vào đầu năm 2021, bạn đã gia nhập ASAPP với tư cách là nhà khoa học trưởng, một công ty cung cấp các công cụ Trí tuệ nhân tạo để trao quyền cho các đại lý dịch vụ khách hàng, điều gì đã thu hút bạn đến vị trí này?

Để có một câu trả lời đầy đủ hơn, hãy đọc bài đăng trên blog của tôi về chủ đề này. Nhưng để tóm tắt, các lý do chính là:

• Các vấn đề rất khó. Các đại lý tham gia vào các tương tác dịch vụ khách hàng khó khăn cần phải tận dụng nhiều thông tin và kinh nghiệm để giải quyết vấn đề của khách hàng. Xây dựng các mô hình thêm giá trị trên một lượng lớn kiến thức miền là khó, đặc biệt khi tín hiệu yếu. Ví dụ, điểm số sự hài lòng của khách hàng thấp vì đại lý đã làm gì đó sai, hoặc khách hàng chỉ đơn giản là khó chịu?
• Các công ty và đại lý làm việc trong không gian này rất hào hứng về Trí tuệ nhân tạo sẽ giúp họ cải thiện trải nghiệm khách hàng. Họ không chống lại sự tiến bộ, mà coi đó là công cụ quan trọng để giải quyết các vấn đề thực tế mà họ gặp phải. Có được loại đối tác tham gia như vậy là tuyệt vời.
• Cuối cùng, không giống như các công nghệ tiêu dùng, tập hợp các miền và vấn đề trong một môi trường doanh nghiệp là rất dị hình, vì vậy việc thích nghi (xem câu trả lời của tôi cho câu hỏi 2) là vấn đề cần được giải quyết. Chúng tôi không thể chỉ xây dựng dịch vụ cho một công ty hoặc một ngành công nghiệp, mà cho tất cả chúng. Đây là một thử nghiệm tuyệt vời cho trạng thái hiện tại của Trí tuệ nhân tạo.
• ASAPP tập trung duy nhất vào vấn đề này.

Bạn có thể thảo luận về tầm nhìn của ASAPP trong việc tăng cường hoạt động của con người một cách tích cực thông qua sự tiến bộ của Trí tuệ nhân tạo?

Giả thuyết trung tâm của chúng tôi tại ASAPP là Trí tuệ nhân tạo nên không thay thế con người, mà tăng cường họ theo những cách tích cực và sản xuất. Tầm nhìn này rộng lớn và chúng tôi có tham vọng áp dụng nó vào tất cả các hoạt động của con người. Tuy nhiên, vì đây là một nhiệm vụ rộng lớn, lĩnh vực đầu tiên chúng tôi đã chọn tập trung vào là lĩnh vực trải nghiệm khách hàng.

Lĩnh vực trải nghiệm khách hàng thể hiện tất cả các thách thức và phần thưởng khi tăng cường hoạt động của con người. Các đại lý tham gia vào các nhiệm vụ giải quyết vấn đề phức tạp đòi hỏi họ phải theo các quy trình làm việc, thu thập thông tin liên quan từ cơ sở dữ liệu khách hàng và kiến thức, và thích nghi với các tình huống tinh vi mà khách hàng có thể gặp phải. Điều này tạo ra vô số cơ hội cho Trí tuệ nhân tạo để cải thiện quá trình này. Tuy nhiên, chúng tôi nghĩ rằng điều quan trọng là phải làm điều này theo cách tích cực, nghĩa là:

• Sự tăng cường xảy ra tại các điểm tự nhiên và linh hoạt trong quá trình công việc của đại lý. Điều này rất quan trọng. Nếu Trí tuệ nhân tạo can thiệp hoặc xen vào vào các thời điểm khó xử hoặc với độ trễ kém, điều này sẽ thực sự có tác động tiêu cực đến trải nghiệm của đại lý vì họ sẽ cần phải cố ý bỏ qua Trí tuệ nhân tạo.
• Quan trọng hơn, chúng tôi muốn Trí tuệ nhân tạo đạt được kết quả tích cực cho tất cả các bên liên quan. Trong trường hợp này, đó là khách hàng, đại lý và tổ chức. Khách hàng muốn vấn đề của họ được giải quyết một cách hiệu quả và hiệu quả. Các đại lý muốn làm điều đó cho khách hàng. Ngoài ra, các đại lý đang làm một công việc khó khăn, thường phải đối mặt với khách hàng không hài lòng. Trí tuệ nhân tạo nên giúp họ cân bằng công việc và tải trọng nhận thức để giảm mệt mỏi và kiệt sức và tăng sự hài lòng trong công việc. Cuối cùng, chúng tôi muốn có kết quả kinh doanh tích cực cho công ty vận hành trung tâm cuộc gọi. Điều này có thể là sự hài lòng của khách hàng, khối lượng vấn đề có thể được giải quyết trong một ngày hoặc thậm chí là số lượng bán hàng.

Đối với các trung tâm cuộc gọi, chúng tôi thường nghĩ về các kết quả tích cực giữa khách hàng, đại lý và công ty là mâu thuẫn với nhau. Nhưng Trí tuệ nhân tạo tốt sẽ giúp tối ưu hóa cho cả ba.

Bạn có thể thảo luận về giải phẫu Trí tuệ nhân tạo hiện tại của một trung tâm cuộc gọi?

Hôm nay, gần như mọi giai đoạn của tương tác của bạn với một trung tâm cuộc gọi đều có một số hình thức Trí tuệ nhân tạo đang thúc đẩy hoặc thông báo về cách vấn đề được giải quyết.

Bước đầu tiên là phản hồi giọng nói tương tác (IVR) hoặc rô-bốt trò chuyện. Điều này hoàn toàn tự động và mục đích chính của nó là hiểu tại sao khách hàng đang gọi và định tuyến họ tương ứng. Những hệ thống này có thể cố gắng thu thập càng nhiều thông tin càng tốt trước khi gửi khách hàng đến một đại lý để tối đa hóa cơ hội đại lý có thể nhanh chóng giải quyết vấn đề. Nhiều rô-bốt hiện đại cũng có thể trực tiếp giải quyết vấn đề của người dùng mà không cần can thiệp của con người – được gọi là “giữ lại” vì cuộc gọi không cần sự can thiệp của con người. Điều này có thể đạt được bằng cách giới thiệu các câu hỏi thường gặp hoặc chỉ thực hiện một số nhiệm vụ đơn giản cho khách hàng.

Sau đó, cuộc gọi được chuyển đến đại lý. Một khi ở với đại lý, vai trò chính của Trí tuệ nhân tạo là hướng dẫn và đưa ra đề xuất cho đại lý. Điều gì nên họ nói tiếp theo? Lưu trình nào họ nên theo? Các bài viết trong cơ sở dữ liệu kiến thức nào sẽ giúp giải quyết vấn đề? Những mô hình này thường được đào tạo trên dữ liệu lịch sử và tối ưu hóa cho một số chỉ số hiệu suất chính, có thể là thời gian xử lý (làm thế nào nhanh chóng vấn đề được giải quyết) hoặc điểm số sự hài lòng của khách hàng (khách hàng có hài lòng với trải nghiệm không).

Một khi cuộc gọi hoặc trò chuyện kết thúc, Trí tuệ nhân tạo vẫn đang hoạt động. Trong hầu hết các trung tâm cuộc gọi, đại lý sẽ để lại thông tin cấu trúc và ghi chú về những gì đã xảy ra trong cuộc gọi. Điều này là để phân tích nhưng cũng để bất kỳ đại lý nào tiếp theo nào nhận vấn đề nếu nó chưa được giải quyết. Trí tuệ nhân tạo giúp đỡ trong tất cả các bước này.

Cuối cùng, trong một trung tâm cuộc gọi, có các giám sát viên giúp hỗ trợ đại lý và phát triển kỹ năng của họ. Trí tuệ nhân tạo có thể rất quan trọng ở đây. Trong một trung tâm cuộc gọi với hàng trăm đại lý xử lý hàng nghìn cuộc gọi mỗi ngày, làm thế nào các giám sát viên có thể xác định các vấn đề cần can thiệp của họ? Làm thế nào họ có thể hiểu những gì đã xảy ra trong ngày? Làm thế nào họ có thể tìm thấy các lĩnh vực cần cải thiện cho đại lý để phát triển kỹ năng của họ?

Làm thế nào ASAPP giúp giảm tỷ lệ nghỉ việc của nhân viên trung tâm cuộc gọi?

Các công ty lớn cung cấp hàng hóa và dịch vụ tiêu dùng chi tiêu hàng triệu, và đôi khi hàng tỷ đô la mỗi năm cho các trung tâm cuộc gọi phục vụ khách hàng của họ, với chi phí lao động chiếm 80-90% tổng chi phí. Đây là một vấn đề lớn gây ra tỷ lệ nghỉ việc của đại lý lên tới 40% – và đôi khi 100% hoặc hơn – mỗi năm.

Đôi khi có một hình ảnh rằng các đại lý thờ ơ với vấn đề của bạn và đang đi qua các động tác. Không có gì là xa sự thật hơn. Các đại lý, như mọi người, đều có sự hài lòng khi giúp khách hàng giải quyết vấn đề của họ. Bạn sẽ thích dành ngày của mình để nghe những lời cảm ơn sảng khoái hay những khách hàng la hét? Trong một nghiên cứu gần đây chúng tôi thực hiện, chúng tôi phát hiện ra rằng 90% đại lý báo cáo rằng các cuộc gọi với khách hàng làm cho ngày của họ, và đa số cho biết họ hài lòng với công việc của mình. Nhưng các đại lý muốn có các công cụ và đào tạo cần thiết để làm cho khách hàng hài lòng. Các khách hàng không hài lòng dẫn đến các đại lý thất vọng, kiệt sức và căng thẳng. Đây là nguyên nhân chính gây ra tỷ lệ nghỉ việc.

Trí tuệ nhân tạo để tăng cường cho các đại lý trong một cuộc gọi (như đã mô tả trước đó) đã giúp đỡ. Nếu đại lý có các công cụ và hướng dẫn về cách giải quyết vấn đề của khách hàng một cách hiệu quả và nhanh chóng, thì khả năng khách hàng hài lòng chỉ có thể cao hơn, điều này sẽ dẫn đến sự hài lòng trong công việc cao hơn.

Tuy nhiên, ASAPP không bắt đầu từ đó. Trong khi hướng dẫn động thời gian thực là quan trọng, đào tạo, huấn luyện và phản hồi có cấu trúc cũng quan trọng. Nhiều đại lý được đào tạo về các vấn đề hoặc thủ tục mới “trực tiếp”. Điều đó có nghĩa là họ nhận được một mô tả về thủ tục, nhưng sau đó chỉ thấy nó trong thực tế khi họ nhận một cuộc gọi từ một khách hàng thực. Hãy tưởng tượng chúng tôi đưa cho các phi công một cuốn sách hướng dẫn của máy bay và sau đó nói với họ để bay 300 hành khách đến Denver? Vì vậy, chúng tôi đang tập trung vào việc sử dụng Trí tuệ nhân tạo để giúp xây dựng các công cụ cho các đại lý để thực hành các thủ tục và xử lý các tình huống khó khăn trước khi họ đối mặt với khách hàng thực. Khi điều này được kết hợp với phản hồi có mục tiêu (bởi một giám sát viên hoặc tự động), điều này sẽ cho phép đại lý phát triển kỹ năng của mình trong một môi trường ít căng thẳng hơn.

Cải thiện Trí tuệ nhân tạo để cải thiện sự hài lòng của khách hàng trong các tình huống động cũng như Trí tuệ nhân tạo để đào tạo có căn cứ – đó là cách ASAPP tập trung vào đại lý với mục tiêu cuối cùng là giảm tỷ lệ nghỉ việc.

Làm thế nào để các ví dụ về loại kết quả có thể đạt được bằng cách kết hợp Trí tuệ nhân tạo vào một trung tâm cuộc gọi?

Như đã chia sẻ ở trên, Trí tuệ nhân tạo có thể là một công nghệ chuyển đổi trong việc tăng cường năng suất. Đối với một hãng hàng không của Mỹ mà chúng tôi hợp tác, chúng tôi đã thấy năng suất của đại lý tăng 86% và sự gia tăng của sản lượng tổ chức (tổng số tương tác trên tất cả các kênh dịch vụ khách hàng chia cho lao động để đáp ứng nhu cầu đó) lên 127%. Đối với một nhà điều hành mạng toàn cầu sử dụng dịch vụ ASAPP, điểm số người giới thiệu ròng (sự sẵn sàng của khách hàng để giới thiệu sản phẩm hoặc dịch vụ của một công ty cho người khác) tăng 45%. Đối với một trong ba công ty cáp hàng đầu sử dụng ASAPP, chi phí mỗi lần tương tác giảm 52%. Những ví dụ này cho thấy Trí tuệ nhân tạo có thể tăng năng suất, cải thiện chất lượng dịch vụ khách hàng và giảm chi phí kinh doanh.

Điều gì là tầm nhìn cá nhân của bạn về tương lai của Trí tuệ nhân tạo trong nơi làm việc?

Trí tuệ nhân tạo đã khá phổ biến trong nơi làm việc. Khi tôi viết điều này, các công cụ kiểm tra chính tả và ngữ pháp cũng như tự động hoàn thành văn bản đang giúp tôi. Tôi có bộ lọc thư rác và phân loại tin nhắn trên công cụ email / nhắn tin của mình. Tôi sử dụng tìm kiếm được hỗ trợ bởi Trí tuệ nhân tạo để tìm thông tin liên quan mà tôi cần để thực hiện. Điều này sẽ phát triển cũng như việc áp dụng của tôi khi số lượng tính năng được hỗ trợ bởi Trí tuệ nhân tạo và chất lượng của chúng tăng lên.

Tuy nhiên, tôi sẽ gọi loại Trí tuệ nhân tạo này là nguyên tử. Nó chắc chắn đang hỗ trợ tôi, nhưng trong những khoảnh khắc chính xác cho phép dự đoán chính xác cao. Tôi chắc chắn không thể yêu cầu Trí tuệ nhân tạo trả lời những câu hỏi này – ví dụ 🙂

Trở lại nghiêm túc, tầm nhìn của tôi là thấy việc áp dụng Trí tuệ nhân tạo từ đầu đến cuối trên toàn bộ không gian làm việc. Tôi không có nghĩa là từ đầu đến cuối trong ý nghĩa mô hình hóa học máy, mà là Trí tuệ nhân tạo sẽ cung cấp các nhiệm vụ lớn và phức tạp được tối ưu hóa cho mục tiêu chung và không chỉ là các điểm nguyên tử trong quá trình. ASAPP đã mang điều này đến trong các trung tâm cuộc gọi. Ví dụ, chúng tôi tối ưu hóa những gì đại lý sẽ nói tiếp theo dựa trên một tập hợp toàn diện các yếu tố về nơi đại lý đang trong cuộc trò chuyện và mục tiêu cuối cùng là gì. Nhưng ngoài ra, hãy tưởng tượng một nhà khoa học đang cố gắng viết một bài đánh giá hệ thống về một chủ đề quan trọng, một kỹ sư phần mềm đang xây dựng một nền tảng hoặc tích hợp các hệ thống phức tạp, một luật sư đang viết một bản tóm tắt pháp lý, v.v. Trong tương lai, mỗi chuyên gia này sẽ dựa vào Trí tuệ nhân tạo để nhanh chóng tăng hiệu quả của họ trong các nhiệm vụ này và tối ưu hóa các kết quả mong muốn, giải phóng họ cho những thách thức quan trọng hơn.

Có gì khác bạn muốn chia sẻ về ASAPP?

Đội nghiên cứu của chúng tôi tại ASAPP có một trọng tâm rõ ràng: chúng tôi đang phát triển Trí tuệ nhân tạo để tăng cường hoạt động của con người nhằm giải quyết các vấn đề thực tế cho các doanh nghiệp. Các nhà nghiên cứu tại ASAPP làm việc để cơ bản phát triển khoa học Xử lý ngôn ngữ tự nhiên và Học máy hướng tới mục tiêu của chúng tôi là triển khai các giải pháp Trí tuệ nhân tạo cụ thể cho miền thực tế, và để áp dụng những tiến bộ đó vào các sản phẩm của chúng tôi. Họ tận dụng lượng lớn dữ liệu được tạo ra bởi các sản phẩm của chúng tôi, và khả năng của chúng tôi trong việc triển khai các tính năng Trí tuệ nhân tạo vào sử dụng thực tế để đặt ra và giải quyết các câu hỏi nghiên cứu cơ bản theo những cách mới.

Khám phá các bài báo gần đây của chúng tôi tại https://www.asapp.com/ai-research/.

Cảm ơn bạn vì những câu trả lời chi tiết, những người đọc muốn tìm hiểu thêm nên truy cập ASAPP.