瑞安·麦克唐纳，ASAPP 首席科学家 – 采访系列

瑞安·麦克唐纳是 ASAPP 的首席科学家。他负责制定研究和数据科学团队的方向，以实现 ASAPP 通过人工智能的进步来增强人类活动的愿景。该团队目前专注于在现实世界情况下（如客户服务）推进任务导向对话的领域。在这样的动态环境中，有许多相互作用的部分：客户和代理之间的对话；代理使用的环境和工具；不同措施的成功；客户的广泛需求和情况。为了在客户、代理和公司方面实现高质量的结果，需要在检索、语言生成、约束优化、学习和评估方面进行大量的研究投资。

瑞安已经从事语言理解和机器学习的工作超过 20 年了。他的博士论文是在宾夕法尼亚大学完成的，主要研究了 NLP 中的结构预测的新颖机器学习方法，特别是信息抽取和句法分析。在宾夕法尼亚大学期间，他的研究在促进 NLP 社区中依存句法和领域适应的发展方面发挥了重要作用。在完成博士学位后，瑞安加入了谷歌的研究团队。在那里，他研究了消费者评论的情感分析和摘要模型，这导致了消费者使用的第一个大规模消费者摘要系统的诞生。

瑞安的研究后来转向了大规模多语言语言理解。最初，他的研究重点是改进机器翻译，但信息检索和数字助手中多语言的重要性日益增长，这导致他的研究转向国际化这些重要技术。瑞安的团队在开发谷歌助手作为全球技术方面发挥了重要作用。在此期间，他还与大量学术合作伙伴一起推动了通用依存关系的发展。这是迄今为止最大的多语言语法语言资源联盟。经过十多年从事消费产品的工作后，瑞安转向了企业，并领导了多个 NLP 和 ML 项目，以改进谷歌的云服务，包括核心 NLP API、呼叫中心 AI 解决方案和从科学文献中发现知识。瑞安关于企业 NLP 和 ML 的研究在 ASAPP 继续进行。

瑞安已经在顶级期刊和会议上发表了 100 多篇研究论文，这些论文被引用了数千次。他在顶级国际会议（EMNLP、NAACL）上因其在多语言句法分析方面的工作而获得了最佳论文奖。他的书《依存句法》已经成为句法分析的主要教学资源超过十年了。除了在几乎所有顶级 NLP 和 ML 会议上担任领域主席外，他还曾是该领域前两本期刊的编辑——计算语言学协会交易和计算语言学。 他曾指导过许多博士生和实习生，并在世界各地的顶级会议、研讨会和大学上做过邀请报告。

是什么最初让你对机器学习和自然语言处理感兴趣？

我在大学时双修计算机科学和哲学专业。我对人工智能的哲学和人工智能的实际工作原理特别感兴趣。我很幸运地在多伦多大学与杰拉尔德·佩恩合作了一个研究项目，研究如何为手机总结新闻。这已经是 20 年前的事情了，当时使用的方法相比现在来说非常原始。杰拉尔德是一个很好的导师，他让我对语言的正式模型（句法和语义）感兴趣。我被语言的复杂性和数学框架所吸引，这些框架可以解释人类每天自然解析的现象。在那时，搜索引擎已经无处不在，我可以看到 NLP 和 ML 在未来的巨大潜力。

您已经在顶级期刊和会议上发表了 100 多篇研究论文，这些论文被引用了数千次。在您看来，这些论文中哪一个对该领域的影响最大？

这是一个很难回答的问题。随着时间的推移，我认为我的答案会改变。如果几年前问我这个问题，我会说我在使用图算法进行依存句法分析方面的工作。这个论文，以及 Joakim Nivre 的工作，引发了十多年来快速的研究，研究对象是句法依存句法分析，这对 NLP 在科技公司（包括谷歌的搜索、翻译、助手等）中的采用产生了重大影响。

然而，随着神经网络的快速采用，离散句法语言表示的使用已经衰退。我现在会说，我与 John Blitzer 和 Fernando Pereira 合作的关于领域适应的工作更有影响力。我们在那篇论文中使用的方法今天已经不那么相关了，但是我认为那篇论文（以及 Hal Daume 当时的同时工作）巩固了问题的框架和重要性。现在我专门从事企业工作，我非常清楚我们当时提出的问题，我们仍然有很多问题需要解决。

您在谷歌的大部分职业生涯中都在帮助构建最先进的 NLP 和 ML 技术，并将它们推向生产。您从这段经历中得到了什么关键的收获？

我的主要收获是，当构建 NLP 和 ML 模型时，无法预测何时会出错。需要在整个过程中都对数据、错误分析、指标等方面非常执着。尝试猜测痛点通常是徒劳的，通常更有效的方法是尽快构建端到端模型并适应。

作为 NLP/ML 研究人员，我们关注模型可能会出现问题的点以及哪些建模假设不会成立。但是，通常是数据处理或用户体验是成功 NLP/ML 产品的关键。只有当这些是坚实的，我们才能真正迭代质量以榨取模型的全部价值。

2021 年初，您加入 ASAPP 担任首席科学家，ASAPP 是一家为客户服务代理提供 AI 工具的公司。是什么吸引您加入这家公司？

为了得到更完整的答案，请阅读我关于这个话题的博客文章。但是，总的来说，主要原因是：

• 问题很难。从事困难的客户服务互动的代理需要在对话中带来大量信息和经验，以解决客户的问题。构建在大量领域知识之上并为客户带来价值的模型是很困难的，特别是当信号很弱时。例如，客户满意度评分低是因为代理做错了什么，还是客户只是普遍不满意？
• 在这个领域工作的公司和代理非常兴奋地看到可以帮助他们改善客户体验的 AI。他们不会抵制进步，而是将其视为解决他们面临的实际问题的关键工具。拥有这样一家公司的合作伙伴是令人惊讶的。
• 最后，与消费技术不同，企业环境中的问题和领域是非常多样化的，因此需要解决适应问题。我们不能只为一家公司或一个行业构建服务，而是要为所有这些公司和行业构建服务。这对今天的 AI 来说是一个很好的压力测试。
• ASAPP 专门致力于解决这个问题。

您能否讨论 ASAPP 通过人工智能进步来增强人类活动的愿景？

ASAPP 的核心假设是，人工智能不应该取代人类，而应该以积极和富有成效的方式增强人类。这个愿景是广泛的，我们有雄心壮志地将其应用于所有相关的人类活动。然而，由于这是一个广泛的任务，我们选择首先关注客户体验领域。

客户体验领域体现了增强人类活动的所有挑战和回报。代理从事复杂的问题解决任务，需要他们遵循工作流程，从客户和知识库中检索相关信息，并适应客户可能遇到的细致入微的情况。这给人工智能带来了无数改善这一过程的机会。然而，我们认为以积极的方式做到这一点至关重要，这意味着：

• 增强发生在代理工作过程中的自然流畅时刻。这一点至关重要。如果人工智能以尴尬的时刻或延迟插入，这将对代理的体验产生负面影响，因为他们需要有意识地忽略人工智能。
• 更重要的是，我们希望人工智能为所有相关人类实现积极的结果。在这种情况下，涉及客户、代理和组织。客户希望他们的问题得到高效和有效的处理。代理希望为客户做到这一点。此外，代理经常处理不满意的客户，这可能会让他们感到疲惫和压力。人工智能应该帮助他们平衡工作和认知负荷，以减少疲劳和压力，增加工作满意度。毕竟，呼叫中心的代理在美国拥有最高的离职率（在某些呼叫中心甚至高达 100%）。最后，我们希望公司有积极的商业结果。这可以是客户满意度、当天可以处理的问题数量，甚至是销售额。

对于呼叫中心，我们通常认为客户、代理和公司之间的积极结果相互冲突。但是，好的人工智能将有助于优化所有三个方面。

您能否讨论一下呼叫中心当前的人工智能解剖结构？

今天，几乎每个阶段的客户与呼叫中心的互动都有某种形式的人工智能在驱动或告知问题的解决方式。

第一步是交互式语音应答（IVR）或聊天机器人。这是完全自动的，其主要目的是了解客户打电话的原因并相应地将其路由。这些系统可能还会尝试在将客户发送给代理之前尽可能多地收集信息，以最大限度地增加代理快速解决问题的机会。许多现代机器人也可能直接解决用户的问题，而无需代理的干预——称为“包含”，因为呼叫不需要人工干预。一旦呼叫转到代理，人工智能的主要作用是指导和建议代理。代理应该接下来说什么？应该遵循什么流程？哪些知识库文章将有助于解决问题？这些模型通常使用历史数据进行训练，并针对某些关键绩效指标（KPI）进行优化，例如处理时间（问题解决的速度）或客户满意度评分（客户是否对体验感到满意）。

一旦呼叫或聊天结束，人工智能仍在工作。大多数呼叫中心的代理都会留下有关呼叫发生情况的结构化信息和笔记。这是用于分析目的的，但也用于任何后续处理该问题的代理（如果问题尚未解决）。人工智能有助于完成所有这些步骤。

最后，在呼叫中心，有主管来帮助代理并提高他们的技能。人工智能在这里可以发挥关键作用。在一个有数百名代理每天处理数千个呼叫的呼叫中心，主管如何识别需要他们干预的问题？主管如何了解当天发生了什么？主管如何找到代理需要改进的领域，以提高他们的技能？

ASAPP 如何帮助减少呼叫中心员工的流失率？

大公司每年在客户服务呼叫中心上花费数百万甚至数十亿美元，劳动力成本占总成本的 80-90%。这是一个大问题，导致代理的离职率高达 40%，有时甚至高达 100% 或以上。

通常认为代理对客户的问题漠不关心，只是例行公事。但事实并非如此。代理和所有人一样，通过帮助客户解决问题来获得满足感。他们更愿意度过一个充满客户感谢的日子，而不是一个充满尖叫客户的日子。在我们最近的一项研究中，我们发现 90% 的代理报告称客户的电话让他们的日子变得更好，大多数代理表示他们对自己的工作感到满意。但是，代理希望拥有帮助客户感到满意的工具和培训。 不满意的客户会导致代理感到沮丧、疲惫和压力，这是离职的主要驱动因素。

人工智能可以通过为代理提供实时动态指导来增强代理的能力（如前所述）。如果代理拥有解决客户问题的工具和指导，客户满意度的几率只能更高，这反过来又应该带来更高的工作满意度。

然而，ASAPP 并不止于此。虽然实时指导至关重要，但更结构化的培训、指导和反馈也很重要。许多代理在“现场”接受新问题或程序的培训。也就是说，他们会得到程序的描述，但只有在处理真正的客户电话时才能看到它的实际应用。想象一下，我们给飞行员一本飞机手册，然后告诉他们带着 300 名乘客飞往丹佛？因为这样，ASAPP 正在关注使用人工智能来帮助构建代理练习程序和处理困难情况的工具，而不是直接面对真正的客户。当这种情况与有针对性的反馈（无论是由主管还是自动完成的）结合在一起时，这将使代理能够在低压力环境中发展他们的技能。

更好的人工智能可以通过实时动态指导和结构化培训来提高客户满意度——这就是 ASAPP 关注代理的方式，最终目标是减少离职率。

将人工智能融入呼叫中心可以实现的结果类型有哪些？

如前所述，人工智能可以成为提高生产力的变革技术。对于我们合作的美国一家航空公司，我们看到代理的生产力提高了 86%，组织的吞吐量（所有客户服务渠道上的总交互次数除以满足这些需求所花费的劳动力）提高了 127%。对于使用 ASAPP 服务的全球网络运营商，净推荐值（客户愿意向他人推荐公司产品或服务的意愿）提高了 45%。对于使用 ASAPP 的前三名电缆公司，交互成本降低了 52%。这些示例表明人工智能可以提高生产力、改善客户服务质量和降低业务成本。

您对未来工作场所中的人工智能有什么个人愿景？

人工智能已经在工作场所中得到了广泛应用。随着我写这篇文章，拼写和语法检查器以及文本自动补全功能正在帮助我。我在电子邮件/消息工具上有垃圾邮件过滤器和消息分类器。我使用人工智能驱动的搜索来找到我需要执行的相关信息。随着人工智能功能和质量的提高，这将会继续增长。

然而，我将这种人工智能增强称为“原子”。它绝对是在特定的时刻帮助我，但在很高的精度下。当然，我现在还不能要求人工智能回答这些问题——但也许有一天会：）

更严肃地说，我的愿景是看到工作空间中端到端人工智能的采用。我不是指机器学习模型中的端到端，而是指人工智能驱动整个大型复杂任务的优化，不仅仅是原子点。ASAPP 已经在呼叫中心实现了这一目标。例如，我们根据对话中代理的位置和最终目标的整体集合优化代理接下来要说什么。但是，超越这一点，想象一下科学家撰写系统性综述，软件工程师构建平台或集成复杂系统，律师撰写法律文书等。在未来，这些专业人士都将依赖人工智能来快速提高他们在这些任务中的有效性，并优化所需的结果，从而使他们能够专注于更关键的挑战。

您还想分享关于 ASAPP 的其他信息吗？

ASAPP 的研究团队有明确的重点：我们正在推进人工智能来增强人类活动，以解决企业的实际问题。ASAPP 的研究人员致力于从根本上推进 NLP 和 ML 的科学，以便部署特定领域的实际解决方案，并将这些进步应用于我们的产品。他们利用我们产品产生的海量数据，并利用我们部署人工智能功能到实际使用中的能力，以新颖的方式提出和解决基本研究问题。

您可以在 https://www.asapp.com/ai-research/ 找到我们的最新论文。

感谢您提供的详细答案，希望了解更多的读者可以访问 ASAPP。