400 дней создания ИИ для предприятий
В июле прошлого года наша команда из 4 человек вошла в мир прикладных решений искусственного интеллекта с некоторыми интересными идеями и большим трепетом. За прошедший год мы многое сделали - сделали несколько ошибок, сломали несколько вещей и построили поистине потрясающие вещи. Сейчас хорошее время, чтобы поделиться некоторыми из них.
Поддержка клиентов прервана. Это можно исправить.
Мы намеревались исправить повсеместно нарушенную работу службы поддержки клиентов.
Мы все были там - объясняли вашу проблему в течение 10 минут, чтобы никто ее не понимал, нас просили повторить одно и то же несколько раз и, конечно же, откладывали. Как только мы начали разгадывать, почему это так, мы увидели возможности исправить этот опыт.
Предприятия работают над ошеломляющим набором программного обеспечения, созданного в период с 1980-х годов до прошлого месяца. Рабочие процессы часто уходят в прошлое, чтобы учесть продукты, выпуск которых прекращен, и, довольно часто, программное обеспечение 80-х годов. Все становится медленно и запутанно. Агенты, у которых есть недели, чтобы изучить системы и процессы своих компаний-клиентов, часто несут на себе основную тяжесть этих недостатков.
Чтобы исправить ситуацию с агентом, мы встали между ними и программными джунглями, питающими их компьютеры. Мы предоставили им сверхбыстрый и чистый интерфейс, в котором они видят только то, что нужно в данный момент, и ничего больше. А затем мы высвобождаем возможности машинного обучения.
- Мы предварительно выполняем все рутинные задачи (например, запись данных, поиск информации, предварительная выборка данных учетной записи клиента) для них, чтобы они могли полностью сосредоточиться на разговоре с клиентом.
- Мы предоставляем полезные указания на протяжении всего процесса обработки дела, чтобы обеспечить бесперебойную работу. Например, мы показываем индикаторы, которые сообщают агенту, что в этом случае могут возникнуть проблемы со здоровьем и безопасностью. Агенты могут мгновенно предоставить своим клиентам нужный контекст.
- Мы даем агентам подробные инструкции о том, как отвечать клиенту. Это принимает форму соответствующего содержания статей базы знаний, а также предлагаемых ответов в полной форме. Это позволяет новым агентам, а также опытным агентам, сталкивающимся с запросом нового типа, решать его быстрее и точнее.
Мы только начали это путешествие. Каждый день мы придумываем новые способы, с помощью которых мы можем сделать процесс поддержки клиентов непрерывным и позитивным для людей во всем мире.
Машинное обучение ≠ Продукт. Машинное обучение = Команда.
Как компания, ориентированная на машинное обучение, мы часто теряемся в интересных вещах, которые могут создать технологии. Это тем более актуально, когда сама технология стремительно развивается с каждым днем. Однако в мире корпоративного программного обеспечения вы не продаете технологии. Вы продаете решения. А это значит, что нужно сосредоточиться на том, какие ощутимые преимущества может дать машинное обучение (даже когда это не круто). Это означает наведение более прочных мостов между продуктом, инженерией и наукой о данных. Это означает, что очень часто нужно согласовывать команду для достижения бизнес-целей.
В то же время способность теряться в крутых вещах гарантирует, что у вас есть команда, способная создавать отличные решения. Сегодня перед специалистами по машинному обучению стоит так много интересных вариантов, что единственный способ сохранить энтузиазм и сосредоточенность - создать пространство для игры. Это означает выделение части времени на исследования, обеспечение участия в смежных с работой проектах, участие в сообществах с открытым исходным кодом и участие в исследованиях вне организации.
Во многом это легче сказать, чем сделать, но правильное сочетание этих двух вещей гарантирует, что у вас будут счастливые люди, создающие отличные продукты.
ИИ включает в себя правила, определенные человеком.
Мы склонны думать об ИИ как об автономной, самодостаточной, всезнающей единице, которая учится на основе наборов данных, а затем действует сама по себе. Насколько мне известно, количество производственных систем, придерживающихся этого имиджа - НОЛЬ!
Наша платформа искусственного интеллекта пытается имитировать действия высококвалифицированных и эффективных агентов поддержки клиентов. Рабочие процессы, которые он пытается имитировать, создавались людьми на протяжении многих лет. Самое забавное в процессах, определенных человеком, состоит в том, что они имеют странные исключения, причуды, аномалии и искажения. Большинство из них не задокументировано. Тем не менее, каждый агент на площадке не только знает их, но и точно знает, когда их применять.
Например, рабочие процессы могут определять, что делать, когда клиент жалуется на продукт, но агенты все время берут дело в свои руки, чтобы разрешить жалобу до того, как она станет проблемой. Системы, основанные на глубоком обучении, могут этому научиться, но требуют много времени и данных. Вместо этого производственные системы часто содержат множество правил, определяемых вручную. Система ИИ должна работать в гармонии с ними, чтобы не было сюрпризов.
Исключения замечаются. Исключения можно измерить.
Несмотря на всю шумиху вокруг ИИ, вау-фактор довольно быстро утихает. Это НЕ аномалия. Фактически, это то состояние, к которому мы стремимся каждый день - сложные процессы становятся настолько рутинными, что о них уже никто не думает.
Однако технология не идеальна. Он БУДЕТ делать ошибки. И в течение нескольких месяцев будут замечены только те ошибки, а не тысячи других, которые вы исправите. Еще раз, это НЕ аномалия. Это знак принятия вашего продукта, а также того факта, что теперь он считается успешным. Клиенты будут ожидать, что вы все сделаете правильно. Прими это. Поправляйся.
Нет машин для плохих новостей.
Когда мы начали производство, мы получали отличные результаты практически по всем запросам клиентов. Однако некоторые из этих запросов были более чувствительными, чем другие. Большинство клиентов, которые писали нашим клиентам, были беременными или молодыми мамами, и время от времени мы встречали кого-то, кто недавно переживал личную трагедию.
Для машин предел погрешности в этих ситуациях равен нулю. Несмотря на это, мы смогли добиться отличных результатов. Однако в этих ситуациях требовалось гораздо больше, чем просто точные результаты. Им требовалось нежное, личное прикосновение чуткого человека. Мы создали фильтр, чтобы машина не принимала никаких решений, и чтобы агент-человек рассмотрел дело с самого начала.
Как вид, мы делаем действительно быстрые шаги к тому, чтобы позволить ИИ играть большую роль в нашей жизни. Однако в кризисных ситуациях мы никому не доверяем, кроме себя. Если вы хотите, чтобы люди доверяли вашему продукту, убедитесь, что вы встраиваете правильные элементы управления, чтобы кто-то мог взять их на себя, когда это необходимо. Со временем эти элементы управления будут нужны все меньше и меньше, но сегодня они абсолютно необходимы.
Пользователи - люди!
ИИ стал настолько тесно ассоциироваться с технологиями, что мы часто забываем, что в конце дня им пользуется человек. Мы также забываем, что мы начали создавать продукт для человека, а не для работы в вакууме. У нас было несколько ситуаций, когда продукт был отклонен. Все эти жалобы делятся на две основные категории:
- Рабочий процесс AI отличался от их текущего рабочего процесса. Рабочие процессы предназначены для повышения эффективности, но вносить изменения в процессы сложно, и благонамеренные продукты могут нести основную тяжесть этой инерции.
- Пользователь ожидал от платформы определенного предсказанного действия, но получил другое. Определенный уровень неточности встроен в решения на основе машинного обучения, но пользователей это не волнует. Они ожидают, что продукт будет работать правильно в 100% случаев.
Чтобы справиться с вышеуказанными проблемами, нужно приложить дополнительные усилия, чтобы понять своих пользователей и их рабочие процессы. Необходимо проводить чрезмерное количество времени, наблюдая за своими пользователями, чтобы убедиться, что нет никаких сюрпризов (никто не любит сюрпризы на работе). Необходимо убедиться, что для простого использования продукта мало нового обучения. Это означает уделение особого внимания тому, как обрабатываются исключения, какие ошибки сообщают пользователям и насколько элегантно спроектировано переключение между машиной и человеком.
Создавать продукты на основе машинного обучения со временем станет проще. Заставить людей использовать их всегда будет проблемой.
Прошлый год был, мягко говоря, интересным. Мы не только разработали решение реальной проблемы, но и видим, что оно приносит пользу тысячам людей каждый день. Мы уже нацелены на следующую серьезную задачу и будем готовы с нашим решением до конца года.
Вперед и вверх!
PS. Мы нанимаем талантливых специалистов по обработке данных (глубокое обучение / НЛП / обработка речи / компьютерное зрение), инженеров, менеджеров по продуктам и корпоративных продавцов в США, чтобы помочь нам построить лучшее будущее. Напишите мне на [email protected], если вам интересно.
