Los superagentes son reales (Blog #2)

La IA lo hace posible (serie de blogs)

Acceda a la reproducción del seminario web a la carta de  "Cómo los superagentes con IA mejoran la experiencia del cliente". con Kate Legget, Vicepresidente y Analista Principal de Desarrollo y Entrega de Aplicaciones de Servicios, Forrester Research, con Steve Nattress, Director de I+D y Jacki TessmerVicepresidente de Marketing de Producto, Enghouse Interactive.

Blog #2 de 4: En busca de lae Causa Raíz y Afectar al Resultado Correcto

Comprender Por qué Transforma la experiencia del cliente

En su mayor parte, la capacidad de la IA de analizar datos para comprender las preocupaciones o los problemas de cada cliente es actualmente muy unidimensional.

Para abordarlo, hay que superar limitaciones y considerar diversos enfoques. La mayoría de las plataformas o procesos basados en IA aprovechan un conjunto de datos finito y discreto a partir del cual extrapolar la "comprensión". Suelen centrarse en solicitudes repetitivas, catalogando y evaluando las acciones emprendidas o las respuestas dadas, cuando ayudan a resolver esas situaciones. A continuación, utilizan esta "comprensión" limitada para tratar de proporcionar una gama muy reducida de acciones sugeridas para ayudar a guiar a los agentes en situaciones futuras:

Por ejemplo, cuándo pedir una aclaración al cliente, cuándo remitirlo a un agente humano con suficiente conocimiento de la conversación para saber si lo mejor sería un generalista o un experto en la materia (SME), o cuándo activar una búsqueda en la base de conocimientos (KB).

Esto funciona, pero sólo cuando se utiliza el conjunto de datos adecuado.

En este campo aún emergente (más información sobre el estado actual, tratada más adelante), se pueden utilizar varios enfoques; desde los esotéricos y académicos, incluidas las Redes Neuronales de Aprendizaje Profundo, hasta los más prácticos y utilizables del Procesamiento del Lenguaje Natural (PLN) y los enfoques de Aprendizaje y Control por Refuerzo.

Lecturas interesantes^(1):

Modelos de IA de Stanford 

Al examinar estos distintos enfoques, se ha visto que varios tipos de aprendizaje profundo son muy capaces de discernir correlaciones en enormes conjuntos de datos con los que trabajan. Sin embargo, cuando se trata de desarrollar o comprender inferencias y otros conceptos de alto nivel, el aprendizaje profundo suele fallar, lo que ha llevado a los investigadores a combinar varios tipos de enfoques para encontrar el que mejor funciona.

Desde un punto de vista práctico, se ha descubierto que procesamiento del lenguaje natural (PLN) pueden utilizarse para analizar y evaluar con mayor precisión los comentarios de los clientes y clasificarlos. La experiencia de Enghouse ha demostrado que, al aprovechar el análisis semántico y la lingüística, terminología y fraseología específicas del sector, así como otros algoritmos y procesamientos propios, la PNL puede identificar mejor lo que está experimentando el cliente y, a continuación, proponer una posible solución a partir de un conjunto específico de opciones.

Un ejemplo típico sería utilizar esa información extraída para interactuar con una base de conocimientos asociada y, a continuación, recomendar un proceso, un script o un documento que ayude a resolver la situación o la necesidad en cuestión. Además, al utilizar aprendizaje reforzado con la base de conocimientos, con el tiempo las respuestas propuestas mejorarán significativamente su relevancia a medida que se clasifiquen más datos (tanto positivos como negativos).

La Realidad Hoy: Información y comprensión limitadas = opciones probables

La gran promesa de la IA existe desde hace más de 70 años, cuando Presper Eckert desarrolló el primer ordenador y los primeros procesos informáticos (Univac, finales de los años 40) y Alan Turing los amplió (Máquina de Turing, 1950)... pero siguen sin cumplirse. A la IA le cuesta comprender en sentido amplio y ser capaz de discernir la intención y el significado globales.

El factor limitante no es sólo la necesidad de utilizar conjuntos de datos suficientemente grandes, sino la incapacidad de la IA para contextualizar la información y comprender las interrelaciones y el juego de palabras e inferencias, del modo en que lo hacen los humanos.

Las limitaciones: Los datos necesitan contexto

En este vídeo⁽²⁾ de "La Femme du Boulanger (La mujer del panadero)"  vemos y oímos que el panadero está regañando a su gato mientras habla cariñosamente con su mujer...sin embargo, los humanos entendemos que el panadero está en realidad regañando a su mujer a través de sus comentarios hacia el gato mientras se remite a su mujer.

La IA actual no lo hace.

Ve a 2 personas, en una mesa, puede deducir su sexo y observa que hay algún sonido en la imagen.

¿Por qué la diferencia?

Esto se debe a que los seres humanos no analizan las situaciones desde la perspectiva de puntos de datos discretos. La realidad es que han aprendido a lo largo de toda su vida: de la orientación y la crianza materna y paterna, del aprendizaje situacional, de los esfuerzos académicos, de los 3^rd-experiencias vividas; conflictos sobrevividos, momentos alegres disfrutados, situaciones estresantes superadas, disciplina recibida, recompensas logradas, situaciones poco éticas vividas, etc. Como resultado, los seres humanos saben intrínsecamente cómo evaluar directa/indirecta e inferencialmente cada situación, ya sea de forma cognitiva o subconsciente. Aprovechando estos aprendizajes, pueden determinar qué significa algo junto con cuáles son las ramificaciones potenciales ahora y posiblemente en el futuro... Como resultado, cada persona cuando busca resolver una situación, la ve desde una perspectiva única (datos multivariados) y toma su decisión de forma diferente (análisis factorial diverso)... y en general, pueden sugerir diferentes estrategias para resolver la situación (enfoque variable). Hoy en día, la IA intentará elegir un enfoque estandarizado para resolver necesidades potencialmente muy diversas.

La promesa: con contexto, la IA busca mejorar, más rápido que nunca

En última instancia, el santo grial se alcanzará cuando la IA sea capaz de proponer una serie de escenarios y guiones de asistencia al agente que se desarrollen "sobre la marcha" en tiempo real -utilizando los comentarios del cliente- para ayudar a resolver mejor la situación, sin depender de un enfoque estandarizado y estrechamente centrado.

Pero para lograr ese objetivo y transformar su eficacia, las plataformas de IA deben ampliar la gama de información que recopilan y mejorar su enfoque analítico. Deben agregar datos de todo el espectro de actividades de CX, desde la asistencia en línea consciente del contexto hasta las soluciones de chat y mensajería que utilizan chatbots y agentes en directo, pasando por la voz con IVR inteligente, el correo electrónico con enrutamiento lingüístico y respuesta automática inteligente y, por último, la analítica con perspectivas de IA. A continuación, evalúe cómo se interrelacionan todos estos puntos de datos y qué medidas se tomaron, cómo respondieron los clientes teniendo en cuenta la rapidez con la que se resolvieron estos problemas, y cómo calificaron los clientes la experiencia general y si repetirían la compra.

Es factible. Pero ahora mismo, la mejor forma de hacerlo sigue siendo con el apoyo de los agentes, que pueden tomar la decisión final de qué decir al cliente y cómo.

Esté atento al próximo blog, el 21 de octubre:

El aprendizaje constante mejora las recomendaciones de la IA

Asegúrese de que su organización ofrece al cliente una experiencia que supera sus expectativas. De este modo, su centro de contacto dejará de ser un centro de costes para convertirse en un generador de ingresos.

Acceda a la reproducción del seminario web a la carta de  "Cómo los superagentes con IA mejoran la experiencia del cliente". con Kate Legget, Vicepresidente y Analista Principal de Desarrollo y Entrega de Aplicaciones de Servicios, Forrester Research, con Steve Nattress, Director de I+D y Jacki TessmerVicepresidente de Marketing de Producto, Enghouse Interactive.
Vea cómo su organización puede beneficiarse de los superagentes basados en IA

Regístrese ahora: 

Fuentes:

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

(2): bdtechtalks.com