Les super-agents existent (Blog #2)

L'IA rend les choses possibles (série de blogs)

Accéder à la lecture du webinaire à la demande de  "Comment les super-agents basés sur l'IA améliorent le CX" avec Kate Legget, Vice-président et analyste principal, Service Application Development and Delivery, Forrester Research, avec Steve NattressDirecteur de la R&D et de l'innovation Jacki TessmerVice-président - Marketing des produits, Enghouse Interactive.

Blog #2 of 4 : A la recherche de lLa cause première et le bon résultat

Comprendre Pourquoi Transformer l'expérience du client

Aujourd'hui, la capacité de l'IA à examiner des points de données pour comprendre ce qui préoccupe chaque client, ou ce qui lui pose problème, est pour l'essentiel unidimensionnelle.

Pour y remédier, il faut surmonter certaines limites et envisager diverses approches. La plupart des plateformes ou processus basés sur l'IA s'appuient sur un ensemble fini et discret de données à partir desquelles ils extrapolent une "compréhension". Ils se concentrent généralement sur des demandes répétitives, en cataloguant et en évaluant les actions entreprises ou les réponses données, lorsqu'ils aident à résoudre ces situations. Elles utilisent ensuite cette "compréhension" limitée pour tenter de fournir une gamme très restreinte de suggestions d'actions afin de guider les agents dans des situations futures :

Par exemple, quand demander des précisions au client, ou l'orienter vers un agent humain ayant une connaissance suffisante de la conversation pour savoir s'il est préférable de faire appel à un généraliste ou à un expert en la matière (SME), ou encore quand déclencher une recherche dans la base de connaissances (KB).

Cela fonctionne, mais seulement si l'on utilise le bon ensemble de données.

Dans ce domaine encore émergent (nous reviendrons plus loin sur l'état actuel), diverses approches peuvent être utilisées, des plus ésotériques et académiques, comme les réseaux neuronaux d'apprentissage profond, aux plus pratiques et utilisables, comme le traitement du langage naturel (NLP) et les approches d'apprentissage par renforcement et de contrôle.

Lecture intéressante^(1):

Modèles d'IA de Stanford 

En examinant ces différentes approches, on constate que divers types d'apprentissage profond sont tout à fait capables de discerner des corrélations dans les énormes ensembles de données avec lesquels ils travaillent. Cependant, lorsqu'il s'agit de développer ou de comprendre des inférences et d'autres concepts de plus haut niveau, l'apprentissage profond tombe généralement à plat, ce qui a incité les chercheurs à combiner différents types d'approches pour trouver celle qui fonctionne le mieux.

D'un point de vue pratique, il a été constaté que le traitement du langage naturel (NLP) peuvent être utilisées pour analyser et évaluer plus précisément les commentaires des clients et les classer. L'expérience de Enghouse a montré qu'en tirant parti de l'analyse sémantique, de la linguistique, de la terminologie et de la phraséologie propres à l'industrie, ainsi que d'autres algorithmes et traitements propriétaires, la PNL peut mieux identifier ce que vit le client, puis proposer une solution possible à partir d'un ensemble spécifique d'options.

Un exemple typique serait d'utiliser ces informations extraites pour s'interfacer avec une base de connaissances associée et recommander ensuite un processus, un script ou un document pour aider à gérer la situation ou le besoin en question. En outre, en utilisant apprentissage renforcé avec la base de connaissances, au fil du temps, les réponses proposées amélioreront considérablement leur pertinence au fur et à mesure que de nouvelles données (classées positivement et négativement) seront catégorisées.

La réalité d'aujourd'hui : Information et compréhension limitées = options probables

La promesse générale de l'IA existe depuis plus de 70 ans, lorsque le premier ordinateur et les premiers processus de calcul ont été développés par Presper Eckert (Univac, fin des années 40), puis par Alan Turing (Machine de Turing, 1950)... mais elle n'a toujours pas été tenue. L'IA a du mal à comprendre les choses dans leur ensemble et à discerner les intentions et les significations globales.

Le facteur limitant n'est pas seulement la nécessité d'utiliser des ensembles de données suffisamment importants, c'est aussi l'incapacité de l'IA à contextualiser les informations et à comprendre les relations et l'interaction des mots et des déductions - comme le font les humains.

Les limites : Besoins en données Contexte

Dans cet extrait de film⁽²⁾ de "La Femme du Boulanger" (The Baker's Wife)  nous voyons et entendons que le boulanger gronde son chat tout en parlant avec amour à sa femme ... mais nous, les humains, comprenons que le boulanger gronde en fait sa femme par ses commentaires au chat tout en s'en remettant à sa femme.

Ce n'est pas le cas de l'IA aujourd'hui.

Il voit deux personnes assises à une table, peut éventuellement déduire leur sexe et note qu'il y a un son sur l'image.

Pourquoi cette différence ?

C'est parce que les humains n'analysent pas les situations du point de vue de points de données discrets. La réalité est qu'ils ont appris tout au long de leur vie - des conseils et de l'éducation maternels/paternels, de l'apprentissage situationnel, des travaux académiques, de l'éducation et de la formation.^rd-Les expériences des parties, les conflits surmontés, les moments de joie vécus, les situations de stress dépassées, la discipline reçue, les récompenses obtenues, les situations contraires à l'éthique vécues, etc. Par conséquent, les êtres humains savent par nature comment évaluer, directement/indirectement et par déduction, chaque situation, soit de manière cognitive, soit de manière subconsciente. En s'appuyant sur ces apprentissages, ils peuvent déterminer ce que signifie quelque chose ainsi que les ramifications potentielles actuelles et éventuellement futures... Par conséquent, lorsqu'elle cherche à résoudre une situation, chaque personne la voit d'un point de vue unique (données multi-variées) et prend sa décision différemment (analyse factorielle diversifiée)... et généralement, elle peut suggérer des stratégies différentes pour résoudre la situation (approche variable). L'IA d'aujourd'hui tentera de choisir une approche standardisée pour résoudre des besoins potentiellement très divers.

La promesse : grâce au contexte, l'IA cherche à s'améliorer - plus rapidement que jamais

En fin de compte, le point culminant sera atteint lorsque l'IA sera en mesure de proposer une série de scénarios et de scripts d'assistance à l'agent qui sont développés "à la volée" en temps réel - à l'aide des commentaires du client - pour aider à répondre au mieux à la situation, sans dépendre d'une approche standardisée étroitement ciblée.

Mais pour atteindre cet objectif et transformer leur efficacité, les plateformes d'IA doivent élargir l'éventail des informations qu'elles recueillent tout en améliorant leur orientation analytique. Elles doivent agréger des données provenant de l'ensemble des activités CX, depuis l'assistance en ligne avec prise en compte du contexte, jusqu'aux solutions de chat et de messagerie utilisant des chatbots et des agents en direct, en passant par la voix avec un SVI intelligent, le courrier électronique avec un routage linguistique et une réponse automatique intelligente, et enfin l'analyse avec des connaissances en matière d'IA. Évaluez ensuite la corrélation entre tous ces points de données et les mesures qui ont été prises, la réaction des clients, la rapidité avec laquelle les problèmes ont été résolus, l'évaluation de l'expérience globale par les clients et la possibilité qu'ils renouvellent leur achat.

C'est faisable. Mais pour l'instant, il est préférable de faire appel à des agents, qui peuvent prendre la décision finale quant à ce qu'il convient de dire au client et comment.

Surveillez le prochain blog, qui sera publié le 21 octobre :

L'apprentissage permanent améliore les recommandations de l'IA

Assurez-vous que votre organisation offre à vos clients une expérience qui dépasse leurs attentes. Ce faisant, votre centre de contact passera du statut de centre de coûts à celui de générateur de revenus.

Accéder à la lecture du webinaire à la demande de  "Comment les super-agents basés sur l'IA améliorent le CX" avec Kate Legget, Vice-président et analyste principal, Service Application Development and Delivery, Forrester Research, avec Steve NattressDirecteur de la R&D et de l'innovation Jacki TessmerVice-président - Marketing des produits, Enghouse Interactive.
Découvrez comment votre organisation peut bénéficier des super-agents basés sur l'IA.

S'inscrire: 

Sources :

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

(2) : bdtechtalks.com