I super-agenti sono reali (Blog #2)

L'intelligenza artificiale lo rende possibile (serie di blog)

Accedi alla riproduzione del webinar On-Demand di  "Come i superagenti abilitati dall'intelligenza artificiale migliorano la CX". con Kate Legget, Vicepresidente e analista principale per lo sviluppo e la consegna di applicazioni di servizio, Forrester Research. Steve Nattress, Direttore, R&S e Jacki Tessmer, Vicepresidente - Marketing di prodotto, Enghouse Interactive.

Blog #2 di 4: alla ricerca dele Cause profonde e il giusto risultato

Comprensione Perché Trasforma l'esperienza del cliente

Attualmente, la capacità dell'intelligenza artificiale di esaminare i punti di dati per capire quali sono le preoccupazioni o i problemi di ciascun cliente è per lo più unidimensionale.

Per affrontare questo problema, ci sono limiti da superare e approcci diversi da considerare. La maggior parte delle piattaforme o dei processi basati sull'IA sfruttano un insieme di dati finito e discreto da cui estrapolare la "comprensione". In genere si concentrano su richieste ripetitive, catalogando e valutando le azioni intraprese o le risposte date, quando aiutano a risolvere tali situazioni. Quindi, utilizzano questa "comprensione" limitata per cercare di fornire una gamma molto ristretta di azioni suggerite per guidare gli agenti in situazioni future:

Ad esempio, quando chiedere al cliente un chiarimento, o quando indirizzare i clienti a un agente umano con un'intuizione conversazionale sufficiente per sapere se è meglio rivolgersi a un esperto generalista o a uno specifico esperto in materia (SME), o quando attivare una ricerca nella Knowledge Base (KB).

Funziona, ma solo se si utilizza il set di dati giusto.

In questo campo ancora emergente (per saperne di più sullo stato attuale, si veda più avanti), si possono utilizzare vari approcci: da quelli esoterici e accademici, come le reti neurali di apprendimento profondo, a quelli più pratici e utilizzabili di elaborazione del linguaggio naturale (NLP) e di apprendimento e controllo mediante rinforzo.

Lettura interessante^(1):

Modelli di intelligenza artificiale di Stanford 

Esaminando questi diversi approcci, si è visto che i vari tipi di deep learning sono altamente capaci di discernere le correlazioni negli enormi insiemi di dati con cui lavorano. Tuttavia, quando si cerca di sviluppare o comprendere inferenze e altri concetti di livello superiore, l'apprendimento profondo generalmente non funziona, il che ha spinto i ricercatori a combinare vari tipi di approcci per trovare quello che funziona meglio.

Da un punto di vista pratico, è stato riscontrato che elaborazione del linguaggio naturale (NLP) per analizzare e valutare con maggiore precisione i commenti dei clienti e classificarli. L'esperienza di Enghouse ha dimostrato che sfruttando l'analisi semantica, la linguistica, le terminologie e le fraseologie specifiche del settore e altri algoritmi ed elaborazioni proprietarie, la PNL può identificare meglio ciò che il cliente sta vivendo e quindi proporre una possibile soluzione da una serie specifica di opzioni.

Un esempio tipico è quello di utilizzare le informazioni estratte per interfacciarsi con una base di conoscenza associata e raccomandare un processo, uno script o un documento per affrontare la situazione o l'esigenza in questione. Inoltre, utilizzando apprendimento rinforzato con la base di conoscenza, nel tempo le risposte proposte miglioreranno significativamente la loro rilevanza man mano che un maggior numero di dati (classificati sia positivamente che negativamente) verrà categorizzato.

La realtà oggi: Informazioni e comprensione limitate = opzioni probabili

L'ampia promessa dell'IA esiste da oltre 70 anni, quando i primi computer e processi di calcolo furono sviluppati da Presper Eckert (Univac, fine anni '40) e poi approfonditi da Alan Turing (Macchina di Turing, 1950)... ma ancora non è stata mantenuta. L'IA ha difficoltà a comprendere in senso lato e a discernere l'intento e il significato generale.

Il fattore limitante non è solo la necessità di utilizzare insiemi di dati sufficientemente ampi, ma anche l'incapacità dell'IA di contestualizzare le informazioni e di comprendere le interrelazioni e l'interazione di parole e inferenze, come fanno gli esseri umani.

I limiti: I dati hanno bisogno di un contesto

In questo filmato⁽²⁾ da "La Femme du Boulanger (La moglie del fornaio)".  vediamo e sentiamo che il panettiere sta rimproverando il gatto mentre parla amorevolmente alla moglie... eppure noi umani capiamo che il panettiere sta in realtà rimproverando la moglie attraverso i suoi commenti al gatto mentre si rimette alla moglie.

L'IA oggi non lo fa.

Vede due persone a un tavolo, può dedurre il loro sesso e nota che l'immagine contiene un suono.

Perché questa differenza?

Questo perché gli esseri umani non analizzano le situazioni dalla prospettiva di punti di dati discreti. La realtà è che hanno un bagaglio di conoscenze da cui attingere per tutta la vita: dalla guida e dal nutrimento materno/paterno, all'apprendimento situazionale, ai travagli accademici, alle esperienze di vita quotidiana.^rd-Esperienze di vita; conflitti superati, momenti di gioia goduti, situazioni di stress superate, disciplina ricevuta, ricompense ottenute, situazioni non etiche vissute, ecc. Di conseguenza, gli esseri umani sanno intrinsecamente come valutare direttamente/indirettamente e inferenzialmente ogni situazione, sia a livello cognitivo che subconscio. Sfruttando questi apprendimenti, possono determinare il significato di qualcosa e le potenziali ramificazioni attuali e future... Di conseguenza, ogni persona, quando cerca di risolvere una situazione, la vede da una prospettiva unica (dati multivariati) e prende la sua decisione in modo diverso (analisi fattoriale diversificata)... e in generale può suggerire strategie diverse per risolvere la situazione (approccio variabile). L'IA oggi cercherà di scegliere un approccio standardizzato per risolvere esigenze potenzialmente molto diverse.

La promessa: con il contesto, l'IA cerca di migliorare - più rapidamente che mai

In ultima analisi, il traguardo sacro sarà raggiunto quando l'intelligenza artificiale sarà in grado di proporre una serie di scenari e di script di assistenza per gli agenti sviluppati "al volo" in tempo reale - utilizzando i commenti del cliente - per aiutare a risolvere al meglio la situazione, senza fare affidamento su un approccio standardizzato strettamente focalizzato.

Ma per raggiungere questo obiettivo ed essere efficaci in modo trasformativo, le piattaforme di AI devono ampliare la gamma di informazioni che raccolgono, migliorando al contempo il loro focus analitico. Devono aggregare i dati provenienti da tutto lo spettro delle attività di CX, dall'online con l'assistenza context-aware, alle soluzioni di chat e messaggistica con chatbot e agenti in carne e ossa, alla voce con IVR intelligenti, all'e-mail con routing linguistico e risposta automatica intelligente e infine agli analytics con gli insight dell'AI. Valutate quindi come tutti questi punti di dati siano interconnessi e quali azioni siano state intraprese, come i clienti abbiano risposto, considerando la rapidità con cui sono stati risolti i problemi, e quanto i clienti abbiano valutato l'esperienza complessiva e se effettueranno un nuovo acquisto.

È fattibile. Ma al momento è ancora meglio farlo con il supporto degli agenti, che possono prendere la decisione finale su cosa dire al cliente e come.

Tenete d'occhio il prossimo blog, in arrivo il 21 ottobre:

L'apprendimento costante migliora le raccomandazioni dell'intelligenza artificiale

Assicuratevi che la vostra organizzazione offra ai clienti un'esperienza superiore alle loro aspettative. In questo modo, il vostro contact center si trasformerà da un centro di costo in un generatore di profitti.

Accedi alla riproduzione del webinar On-Demand di  "Come i superagenti abilitati dall'intelligenza artificiale migliorano la CX". con Kate Legget, Vicepresidente e analista principale per lo sviluppo e la consegna di applicazioni di servizio, Forrester Research. Steve Nattress, Direttore, R&S e Jacki Tessmer, Vicepresidente - Marketing di prodotto, Enghouse Interactive.
Scoprite come la vostra organizzazione può trarre vantaggio dai super-agenti abilitati all'intelligenza artificiale.

Registrati ora: 

Fonti:

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

(2): bdtechtalks.com