Super-Agenten sind real (Blog #2)

AI macht's möglich (Blog-Serie)

Zugriff auf die On-Demand-Webinar-Wiedergabe von  "Wie KI-gestützte Super-Agenten die Kundenzufriedenheit verbessern" mit Kate Legget, Vizepräsident und Principal Analyst Service Application Development and Delivery, Forrester Research, mit Steve NattressDirektor, F&E und Jacki TessmerVizepräsident - Produktmarketing, Enghouse Interactive.

Blog #2 von 4: Die Suche nach deme Ursache und Wirkung des richtigen Ergebnisses

Verstehen Warum Verändert das Kundenerlebnis

Im Großen und Ganzen ist die Fähigkeit der KI, Datenpunkte zu betrachten, um zu verstehen, worüber sich jeder Kunde Gedanken macht oder womit er Probleme hat, derzeit sehr eindimensional.

Um dies zu erreichen, müssen Grenzen überwunden und verschiedene Ansätze in Betracht gezogen werden. Die meisten KI-basierten Plattformen oder Prozesse nutzen einen endlichen und diskreten Datensatz, aus dem sie ein "Verständnis" extrapolieren. Sie konzentrieren sich in der Regel auf sich wiederholende Anfragen, katalogisieren und bewerten die ergriffenen Maßnahmen oder die gegebenen Antworten, wenn sie zur Lösung dieser Situationen beitragen. Anschließend wird dieses begrenzte "Verständnis" genutzt, um eine sehr enge Palette von Handlungsvorschlägen zu erstellen, die den Agenten in zukünftigen Situationen helfen sollen:

d.h. wann man den Kunden um eine Klärung bittet oder ihn an einen menschlichen Agenten weiterleitet, der über genügend Gesprächsverständnis verfügt, um zu wissen, ob ein Generalist oder ein spezifischer Fachexperte (SME) am besten geeignet ist, oder wann man eine Suche in der Wissensdatenbank (KB) auslöst.

Das funktioniert, aber nur, wenn der richtige Datensatz verwendet wird.

In diesem noch im Entstehen begriffenen Bereich (mehr zum aktuellen Stand, der später erörtert wird) können verschiedene Ansätze verwendet werden, von den esoterischen und akademischen wie Deep Learning Neural Networks bis hin zu den praktischeren und brauchbaren Natural Language Processing (NLP) und den Reinforcement Learning and Control-Ansätzen.

Interessante Lektüre^(1):

Stanford AI-Modelle 

Bei der Betrachtung dieser verschiedenen Ansätze hat sich gezeigt, dass verschiedene Arten von Deep Learning sehr gut in der Lage sind, Korrelationen in riesigen Datensätzen, mit denen sie arbeiten, zu erkennen. Wenn es jedoch darum geht, Schlussfolgerungen und andere Konzepte auf höherer Ebene zu entwickeln oder zu verstehen, versagt Deep Learning im Allgemeinen, was Forscher dazu veranlasst hat, verschiedene Arten von Ansätzen zu kombinieren, um herauszufinden, was am besten funktioniert.

Aus praktischer Sicht hat sich gezeigt, dass Verarbeitung natürlicher Sprache (NLP) Techniken können eingesetzt werden, um die Kundenkommentare genauer zu analysieren, zu bewerten und zu klassifizieren. Die Erfahrung von Enghouse hat gezeigt, dass NLP durch den Einsatz von semantischer Analyse, branchenspezifischer Linguistik, Terminologie, Phraseologie und anderen firmeneigenen Algorithmen und Verarbeitungen besser erkennen kann, was der Kunde erlebt, und dann eine mögliche Lösung aus einer bestimmten Reihe von Optionen vorschlagen kann.

Ein typisches Beispiel wäre die Verwendung der gewonnenen Erkenntnisse, um eine Schnittstelle zu einer zugehörigen Wissensdatenbank herzustellen und dann einen Prozess, ein Skript oder ein Dokument zu empfehlen, das bei der Bewältigung der jeweiligen Situation oder des jeweiligen Bedarfs hilft. Darüber hinaus kann durch die Verwendung von verstärktes Lernen Mit der Wissensbasis werden die vorgeschlagenen Antworten im Laufe der Zeit deutlich an Relevanz gewinnen, da mehr Daten (sowohl positiv als auch negativ eingestuft) kategorisiert werden.

Die Realität heute: Begrenzte Informationen und Verständnis = wahrscheinliche Optionen

Das weitreichende Versprechen der KI besteht seit über 70 Jahren, als der erste Computer und die ersten Rechenverfahren von Presper Eckert (Univac, Ende der 40er Jahre) entwickelt und dann von Alan Turing (Turing-Maschine, 1950) weiterentwickelt wurden... aber dennoch bleiben sie unerfüllt. Die KI kämpft mit einem umfassenden Verständnis und der Fähigkeit, übergreifende Absichten und Bedeutungen zu erkennen.

Der limitierende Faktor ist nicht nur die Notwendigkeit, ausreichend große Datensätze zu verwenden, sondern auch die Unfähigkeit der KI, die Informationen in einen Kontext zu stellen und die Zusammenhänge und das Zusammenspiel von Wörtern und Schlussfolgerungen zu verstehen - so wie es der Mensch kann.

Die Beschränkungen: Daten brauchen Kontext

In diesem Filmausschnitt⁽²⁾ von "La Femme du Boulanger (Die Bäckersfrau)"  wir sehen und hören, dass der Bäcker mit seiner Katze schimpft, während er liebevoll mit seiner Frau spricht ... doch wir Menschen verstehen, dass der Bäcker in Wirklichkeit mit seiner Frau schimpft, indem er sich gegenüber der Katze äußert, während er seiner Frau den Vortritt lässt.

Die heutige KI tut das nicht.

Es sieht 2 Personen an einem Tisch, kann möglicherweise auf ihr Geschlecht schließen und stellt fest, dass das Bild einen Ton enthält.

Warum der Unterschied?

Das liegt daran, dass Menschen Situationen nicht aus der Perspektive einzelner Datenpunkte analysieren. Die Realität ist, dass sie lebenslanges Lernen haben, aus dem sie schöpfen können - aus mütterlicher/väterlicher Führung und Pflege, situativem Lernen, akademischen Mühen; 3^rd-Parteierfahrungen; überstandene Konflikte, genossene freudige Momente, überstandene Stresssituationen, erhaltene Disziplin, erreichte Belohnungen, erlebte unethische Situationen usw. Daher wissen Menschen von Natur aus, wie sie jede Situation direkt/indirekt und schlussfolgernd bewerten können, entweder kognitiv oder unbewusst. Auf der Grundlage dieser Erkenntnisse können sie bestimmen, was etwas bedeutet und welche potenziellen Auswirkungen es jetzt und möglicherweise in der Zukunft hat... Folglich sieht jeder Mensch, der eine Situation zu lösen versucht, diese aus einer einzigartigen Perspektive (multivariate Daten) und trifft seine Entscheidung auf unterschiedliche Weise (diverse Faktorenanalyse)... und im Allgemeinen kann er unterschiedliche Strategien zur Lösung der Situation vorschlagen (variabler Ansatz). KI wird heute versuchen, einen standardisierten Ansatz zu wählen, um potenziell sehr unterschiedliche Bedürfnisse zu lösen.

Das Versprechen: Mit Kontext will KI besser werden - schneller als je zuvor

Letztendlich wird der heilige Gral erreicht sein, wenn KI in der Lage ist, eine Reihe von Szenarien und Skripten für den Agenten-Support vorzuschlagen, die "on the fly" in Echtzeit - unter Verwendung der Kommentare des Kunden - entwickelt werden, um die Situation bestmöglich zu lösen, ohne sich auf einen eng fokussierten, standardisierten Ansatz zu verlassen.

Um dieses Ziel zu erreichen und ihre Effektivität zu steigern, müssen KI-Plattformen das Spektrum der gesammelten Informationen erweitern und gleichzeitig ihren analytischen Fokus verstärken. Sie müssen Daten aus dem gesamten Spektrum der CX-Aktivitäten aggregieren, von Online mit kontextbezogener Unterstützung über Chat- und Messaging-Lösungen mit Chatbots und Live-Agenten bis hin zu Sprache mit intelligenter IVR und E-Mail mit linguistischem Routing und intelligenter automatischer Antwort und schließlich zu Analysen mit KI-Einsichten. Beurteilen Sie dann, wie all diese Datenpunkte zusammenhängen und welche Maßnahmen ergriffen wurden, wie die Kunden reagierten, wie schnell diese Probleme gelöst wurden und wie gut die Kunden das Gesamterlebnis bewerteten und ob sie einen erneuten Kauf tätigen würden.

Das ist machbar. Aber im Moment ist es immer noch am besten, die Agenten zu unterstützen, die die endgültige Entscheidung treffen können, was sie dem Kunden sagen und wie.

Der nächste Blog erscheint am 21. Oktober:

Ständiges Lernen verbessert die KI-Empfehlungen

Stellen Sie sicher, dass Ihr Unternehmen ein Kundenerlebnis bietet, das die Erwartungen der Kunden übertrifft. Auf diese Weise wird Ihr Contact Center von einer Kostenstelle zu einem Umsatzbringer.

Zugriff auf die On-Demand-Webinar-Wiedergabe von  "Wie KI-gestützte Super-Agenten die Kundenzufriedenheit verbessern" mit Kate Legget, Vizepräsident und Principal Analyst Service Application Development and Delivery, Forrester Research, mit Steve NattressDirektor, F&E und Jacki TessmerVizepräsident - Produktmarketing, Enghouse Interactive.
Sehen Sie, wie Ihr Unternehmen von KI-gestützten Superagenten profitieren kann

Jetzt registrieren: 

Quellen:

(1): stanford.edu/~shervine/teaching/cs-229/cheatsheet-deep-learning

(2): bdtechtalks.com