Интерактивный голосовой ответ существует с 1970-х годов. Автономные автомобили с использованием нейронных сетей были впервые разработаны в 1980-х годах. Когда появятся диалоговые чат-боты? В этом посте обсуждаются старые и недавние разработки в области ИИ, а также обосновывается использование искусственного интеллекта для взаимодействия с клиентами с точки зрения развития технологий, пользовательского опыта и бизнес-обучения.

Мотивация/контекст

В последние годы автоматизация стала трендовой темой. Благодаря достижениям в области искусственного интеллекта, особенно в подобласти машинного обучения, называемой глубокое обучение, системы ИИ теперь способны выполнять такие задачи, как автономное вождение, поддержание разговоров и выполнение обычных бэк-офисных задач.

Были достигнуты поразительные успехи в исследованиях ИИ с приложениями для обнаружения объектов, транскрипции речи, машинного перевода и управления роботами. Тем не менее, мы видим отсутствие дисциплинированного мышления, когда речь идет как о разработке, так и о покупке этих систем. Многие параллели с волной искусственного интеллекта можно провести из предшествующих технологических прорывов. В большинстве этих прорывных моментов требовалось время, чтобы технологическая база стала достаточно зрелой для широкого внедрения. Несмотря на такие протоколы, как Всемирная паутина, которые ускорили распространение и внедрение технологических достижений, мы в Sapling считаем, что для таких задач, как проведение бесед с клиентами, решение с участием человека лучше всего подходит для исключения большинства транзакционность взаимодействий.

В этом эссе приводятся доводы в пользу прямого диалога, начиная с первых принципов. Мы используем аналогии в других областях, таких как автономное вождение и автоматизированная обработка вызовов. Хотя сначала мы сосредоточимся на зрелости технологии, позже мы обсудим преимущества общения между людьми.

Почему сейчас

Бывают десятилетия, когда ничего не происходит; а бывают недели там, где случаются десятилетия.
― Владимир Ильич Ульянов

Два изменения побудили нас написать это эссе.

  1. Во-первых, это рост ИИ и машинного обучения, в частности быстрое внедрение технологий ИИ в промышленности.
  2. Второе, связанное с этим изменение, — это рост автоматизации, в частности поддержка в чате и внутренние продажи, которые сокращают количество сотрудников, работающих с клиентами. Вирус COVID-19 еще больше ускорил потребность в автоматизации для многих предприятий.

Примеры из истории

Для начала мы представляем некоторую историческую перспективу, описывая внедрение технологий для двух других разработок: интерактивных голосовых ответов и автономных транспортных средств.

интерактивный голосовой отклик

Системы интерактивного голосового ответа (IVR) знакомы практически каждому. Вы звоните в банк, или своему кабельному провайдеру, или крупному медицинскому провайдеру, и автоматический автоответчик собирает от вас некоторую базовую информацию и пытается направить вас к нужной информации (или просто выкидывает и отключает вас от линии). Эти системы появились еще в 1970-х годах. Однако только в 2000-х годах улучшения в распознавании речи и вычислительной мощности процессора сделали IVR более широко используемым.

К сожалению, IVR так и не оправдал своего обещания. В то время как IVR может обрабатывать простые деревья решений и распознавать ответы клиентов из сильно ограниченного набора возможных ответов («скажи «да» или «назови номер своей учетной записи»), большую часть функций можно также преобразовать в простую форму веб-страницы — без искусственного интеллекта. необходимый.

Последние системы позволяют записывать звонки для последующей проверки, однако эти инструменты предназначены для быстрого анализа звонков, а не для ответа клиентам в режиме реального времени. В конечном счете, настоящий IVR сочетает сложность распознавания речи с технологией чат-ботов. Пока не будут разработаны полезные системы чат-ботов для клиентов, мы не видим оснований ожидать расширения возможностей IVR (включая определенные продукты, разрабатываемые компаниями из списка Fortune 500, о которых вы, возможно, слышали в последние годы).

Автономные транспортные средства

Хотя кажется, что автономное вождение стало горячей темой только в последние пять лет, с Google Waymo, Tesla и такими выскочками, как Aurora, история машинного обучения для автономного вождения уходит далеко за пределы 2015 года.

Университет Карнеги-Меллона опубликовал результаты исследования автономного грузовика в 1989 году — в год падения Берлинской стены — и разработка началась пятью годами раньше. Автомобиль не только использовал машинное обучение, но и фактически использовал нейронные сети — модель машинного обучения, которая позже превратилась в глубокое обучение — для прогнозирования положения рулевого колеса по изображениям дороги впереди. Все более 30 лет назад.

В 2004 году был проведен первый Большой вызов DARPA, чтобы определить, сможет ли исследовательская группа разработать автомобиль для автономного движения по 240-километровому маршруту в пустыне Мохаве. В то время как в 2004 году маршрут не преодолел ни один автомобиль, во втором Grand Challenge в 2005 году пять участников преодолели 212-километровую трассу по бездорожью. Казалось, автономные транспортные средства были рядом.

Тем не менее, 15 лет спустя, вложены десятки миллиардов долларов, и самые умные люди в мире работают над проблемой, автономные транспортные средства по-прежнему ограничены небольшим количеством пассажиров на определенных маршрутах или прибегают к телеуправлению. Причины этого включают гораздо большую сложность вождения по загруженным местным дорогам, высокий уровень безопасности, требуемый от таких систем, и множество условий, с которыми такие системы должны справляться.

Автоматизация разговоров

Учитывая историю предыдущих технологических продуктов, которым потребовалось некоторое время, чтобы стать массовым, мы теперь обратимся к автоматизированным диалоговым системам и помощникам по диалогу с участием человека в цикле. Мы в общих чертах называем автоматизированные системы общения в чат-ботах и ​​системы человек-в-контуре диалоговыми помощниками. Из нашего предыдущего обсуждения IVR мы рассматриваем речевых помощников, таких как Саманта из Her, как оболочку основной системы понимания языка, которая опирается исключительно на текст. В этом есть неточности, поскольку голос может передавать эмоции и другие сигналы, которые не может передать чистый текст, но для упрощения обсуждения мы сделаем это предположение.

FAANG и существующие системы

Для начала рассмотрим компании, которые лучше всего подходят для развертывания системы чат-ботов, а именно компании FAANG. Google, FB, Microsoft, Apple и Amazon имеют на порядки больше данных и на порядки больше денег (и, следовательно, вычислений) для обучения и развертывания систем машинного обучения на этих данных, а с созданием исследовательских лабораторий появляется больше талантов в области ИИ. Что ж.

Помимо наличия ресурсов, эти компании также заинтересованы в развертывании этих систем, поскольку многие из их основных продуктов предназначены для связи. В случае с Google, Gmail и Meetings, для Facebook, Messenger и Whatsapp, для Microsoft, Outlook и LinkedIn, а также для Amazon, конечно же, есть Alexa — просто несколько примеров.

Однако, учитывая эти компании, какие коммуникационные помощники были развернуты? Сколько оборотов разговора они могут выдержать? Какой уровень глубины имеют предлагаемые ответы? И в скольких случаях ответы на самом деле полностью автоматизированы?

(Подробнее о том, почему это так, вы можете найти здесь: https://www.youtube.com/watch?v=Ihmm_tQGBeE&t=3m15s)

UX-перспектива

С точки зрения пользователя, является ли чат лучшим вариантом? Легко сказать, что естественный язык — это интуитивно понятный интерфейс, но во многих случаях естественный язык вообще неэффективен. Рассмотрим следующие примеры:

  • Покупка продукта: представьте, что вы заходите на розничный веб-сайт и не можете искать и прокручивать продукты, а вместо этого вынуждены переходить туда и обратно с чат-ботом, чтобы сузить поиск до нужного продукта.
  • Обновление учетной записи: гораздо проще использовать автозаполнение браузера.
  • Получение уточняющей информации: было бы быстрее, если бы эта информация была в разделе часто задаваемых вопросов.

Проблема с чатом (а также с голосовой связью) заключается в том, что он ограничивает взаимодействие одним потоком, в то время как сеть разработана таким образом, чтобы отображать пользователю параллельные блоки информации. Для высокотранзакционных задач самообслуживания простые веб-просмотры часто являются лучшим решением. Затем остаются задачи, которые требуют более сложного взаимодействия, а именно задачи, требующие вмешательства человека.

Болтовня против задач

Небольшой момент: существуют широко используемые чат-боты, которые обеспечивают функциональность чата. Эти чат-боты служат для развлечения, а в некоторых случаях и для информирования пользователей, не требуя точного понимания разговора или возможности управлять информацией, полученной много раз назад. Вышеприведенное обсуждение касается не чат-ботов, а ботов, которые действуют как помощники, призванные помочь выполнять задачи, что влечет за собой точное понимание и управление долгосрочной информацией.

Последствия для бизнеса

Предполагая, что компания хочет автоматизировать определенные последовательности разговоров или преобразовать их в самообслуживание, справедливо предположить, что они чувствуют, что хорошо разбираются во всех возможных вариантах этих разговоров. Даже в этих случаях у полной автоматизации могут быть существенные недостатки, помимо компромисса между скоростью и качеством.

Разговорные идеи

Разговоры с клиентами являются ключевым источником обратной связи для улучшения продукта и других аспектов бизнеса. Ведение клиентов по фиксированным путям с помощью деревьев решений и опций «щелчок для подтверждения» сокращает количество новых и разнообразных отзывов от клиентов — чем более открытое взаимодействие, тем больше возможностей для извлечения уроков из взаимодействия, и это особенно верно для длинный хвост. Автоматизированные пути подталкивают пользователей по избитым путям прошлых взаимодействий, в то время как разговоры также должны давать информацию из непройденных путей.

Адаптивность

За возросшую выразительную мощь систем глубокого обучения и их способность улучшаться с большим количеством данных приходится платить: глубокие нейронные сети не так поддаются интерпретации или контролю, как традиционные методы.

Таким образом, современные системы глубокого обучения часто дают наилучшие результаты на существующих бенчмарках, они плохо подходят для быстрой адаптации к новым требованиям. С другой стороны, люди умеют быстро менять свое поведение и ориентироваться в нечетких требованиях.

Вспомогательные агенты

Наконец, если предположить, что требуется участие человека в цикле, как технология ИИ может наилучшим образом расширить возможности агентов, помогая бизнесу?

Деловая перспектива

Мы рассматриваем две оси, по которым искусственный интеллект с участием человека может помочь бизнесу. Первый — за счет повышения эффективности команд, а второй — за счет повышения качества.

Способы, с помощью которых инструменты ИИ могут повысить эффективность, включают получение информации (как для агента, так и для клиента), сегментацию и направление групп клиентов к нужным ресурсам, а также предложение ответов или частичных ответов агенту. В отличие от полностью автоматизированных подходов, эти задачи могут легко включать этап утверждения человеком или могут быть отменены заказчиком.

Помимо повышения эффективности, ИИ-помощники также могут улучшать такие показатели качества, как CSAT (удовлетворенность) и CES (усилия клиентов). Поиск в базе знаний гарантирует, что клиенты получат необходимую им информацию. Направление запросов в нужный отдел также помогает повысить скорость разрешения проблем. Агентам приходится вводить одни и те же повторяющиеся ответы на входящие сообщения; предлагаемые ответы могут помочь оптимизировать рабочий процесс чата. ИИ может также помочь в проверке сообщений на качество языка и соответствие требованиям.

Точка зрения агента

За время разработки инструментов для агентов мы выявили несколько ключевых требований к инструментам, обеспечивающим окупаемость инвестиций:

  • Средство должно помогать стабильно. Если это помогает всего в 5% случаев, то используется в 0% случаев.
  • Инструмент должен находиться в рамках существующих рабочих процессов. Независимо от того, какую службу поддержки или платформу для взаимодействия с клиентами уже используют агенты, инструмент должен быть интегрирован с ними. Слишком много просить агента переключиться на инструмент, чтобы получить помощь.
  • Инструмент должен полагаться на агента или клиента для принятия решений, которые имеют значительную неопределенность — расширяя возможности людей, а не автоматизируя их. Это аргумент, который мы приводили на протяжении всего времени. ■

О саженце

В Sapling мы создаем интеллектуальный слой для чатов, тикетов и электронных писем. Наша команда имеет более чем десятилетний опыт работы в области машинного обучения и глубокого обучения в Исследовательской лаборатории искусственного интеллекта Беркли, Стэнфордской лаборатории искусственного интеллекта и команде Google Brain Team. Пакет продуктов Sapling используется командами поддержки стартапов, а также несколькими компаниями из списка Fortune 500.

В блоге Sapling рассказывается о том, как мы научились разрабатывать решения для команд, работающих с клиентами, с использованием новейших технологий искусственного интеллекта.

Если вы хотите, чтобы мы уведомляли вас по электронной почте, когда мы публикуем новые эссе, подпишитесь на нашу рассылку здесь (мы будем пинговать вас раз в две недели или раз в месяц, не чаще).

Первоначально опубликовано на https://blog.sapling.ai.