Os superagentes são reais (Blog #2)

A IA torna isso possível (série de blogs)

Acesse a reprodução do webinar sob demanda de  "Como os superagentes habilitados por IA melhoram a experiência do cliente" com Kate Legget, Vice-presidente e analista principal de desenvolvimento e fornecimento de aplicativos de serviço da Forrester Research, com Steve NattressDiretor, P&D e Jacki TessmerVice-presidente de marketing de produtos, Enghouse Interactive.

Blog #2 of 4: Buscando oe Causa raiz e afetando o resultado correto

Compreensão Por que Transforma a experiência do cliente

Atualmente, a maior parte da capacidade da IA de analisar pontos de dados para entender com o que cada cliente está preocupado ou tem problemas é muito unidimensional.

Para resolver isso, há limitações a serem superadas e diversas abordagens a serem consideradas. A maioria das plataformas ou processos baseados em IA aproveita um conjunto de dados finito e discreto para extrapolar a "compreensão". Normalmente, elas se concentram em solicitações repetitivas, catalogando e avaliando as ações tomadas ou as respostas dadas, ao ajudar a resolver essas situações. Em seguida, usam essa "compreensão" limitada para tentar fornecer uma gama muito restrita de ações sugeridas para ajudar a orientar os agentes em situações futuras:

Ou seja, quando pedir esclarecimentos ao cliente, ou encaminhar os clientes a um agente humano com percepção de conversação suficiente para saber se um especialista em assuntos específicos (SME) ou generalista seria o melhor, ou quando acionar uma pesquisa na Base de Conhecimento (KB).

Isso funciona, mas somente quando se usa o conjunto de dados correto.

Nesse campo ainda emergente (mais sobre o estado atual, discutido mais adiante), várias abordagens podem ser usadas, desde as esotéricas e acadêmicas, incluindo as redes neurais de aprendizagem profunda, até as abordagens mais práticas e úteis de processamento de linguagem natural (PNL) e de aprendizagem por reforço e controle.

Leitura interessante^(1):

Modelos de IA de Stanford 

Analisando essas diferentes abordagens, observou-se que vários tipos de aprendizagem profunda são altamente capazes de discernir correlações em enormes conjuntos de dados com os quais trabalham. No entanto, ao tentar desenvolver ou entender inferências e outros conceitos de nível superior, a aprendizagem profunda geralmente não funciona, o que levou os pesquisadores a combinar vários tipos de abordagens para descobrir o que funciona melhor.

Em uma perspectiva prática, descobriu-se que processamento de linguagem natural (NLP) As técnicas de PNL podem ser usadas para analisar e avaliar com mais precisão os comentários dos clientes e classificá-los. A experiência da Enghouse demonstrou que, ao aproveitar a análise semântica e a linguística, as terminologias, as frases e outros algoritmos e processamentos específicos do setor, a PNL pode identificar melhor o que o cliente está experimentando e, em seguida, propor uma possível solução a partir de um conjunto específico de opções.

Um exemplo típico seria usar esse insight extraído para fazer a interface com uma base de conhecimento associada e, em seguida, recomendar um processo, script ou documento para ajudar a lidar com a situação ou necessidade em questão. Além disso, ao usar aprendizado reforçado com a base de conhecimento, com o tempo, as respostas propostas melhorarão significativamente sua relevância à medida que mais dados (classificados positiva e negativamente) forem categorizados.

A realidade atual: Informações e compreensão limitadas = opções prováveis

A ampla promessa da IA existe há mais de 70 anos, quando o primeiro computador e os processos de computação foram desenvolvidos por Presper Eckert (Univac, no final dos anos 40) e, em seguida, promovidos por Alan Turing (Máquina de Turing, 1950)... mas, ainda assim, continuam sem ser cumpridos. A IA tem dificuldades com a compreensão ampla e com a capacidade de discernir intenções e significados abrangentes.

O fator limitante não é apenas a necessidade de usar conjuntos de dados grandes o suficiente, mas também a incapacidade da IA de contextualizar as informações e entender as inter-relações e a interação de palavras e inferências, da mesma forma que os humanos.

As limitações: Contexto das necessidades de dados

Neste clipe de filme⁽²⁾ de "La Femme du Boulanger (A Mulher do Padeiro)"  vemos e ouvimos que o padeiro está repreendendo seu gato enquanto fala com amor à sua esposa ... no entanto, nós, humanos, entendemos que o padeiro está, na verdade, repreendendo sua esposa por meio de seus comentários ao gato, ao mesmo tempo em que se dirige à sua esposa.

Atualmente, a IA não o faz.

Ele vê duas pessoas em uma mesa, pode inferir o gênero delas e observa que há algum som na imagem.

Por que a diferença?

Isso ocorre porque os seres humanos não analisam as situações sob a perspectiva de pontos de dados discretos. A realidade é que eles têm aprendizados ao longo da vida para extrair - da orientação e nutrição materna/paterna, do aprendizado situacional; das dificuldades acadêmicas; 3^rd-experiências partidárias; conflitos sobrevividos, momentos alegres desfrutados, situações estressantes superadas, disciplina recebida, recompensas alcançadas, situações antiéticas vividas, etc. Como resultado, os seres humanos sabem inerentemente como avaliar direta/indiretamente e inferencialmente cada situação, seja cognitiva ou subconscientemente. Aproveitando esses aprendizados, eles podem determinar o que algo significa e quais são as possíveis ramificações agora e possivelmente no futuro... Como resultado, cada pessoa, ao tentar resolver uma situação, a vê de uma perspectiva única (dados multivariados) e toma sua decisão de forma diferente (análise de fatores diversos)... e, em geral, pode sugerir estratégias diferentes para resolver a situação (abordagem variável). Atualmente, a IA tentará escolher uma abordagem padronizada para resolver necessidades potencialmente muito diversas.

A promessa: com o contexto, a IA busca melhorar - mais rapidamente do que nunca

Em última análise, o santo graal será alcançado quando a IA for capaz de propor uma série de cenários e scripts de suporte ao agente que são desenvolvidos "na hora" em tempo real - usando os comentários do cliente - para ajudar a lidar melhor com a situação, sem depender de uma abordagem padronizada com foco restrito.

Mas para atingir esse objetivo e ser transformadora em sua eficácia, as plataformas de IA devem ampliar a gama de informações que coletam e, ao mesmo tempo, aprimorar seu foco analítico. Elas precisam agregar dados de todo o espectro de atividades de experiência do cliente, desde a assistência on-line com reconhecimento de contexto até soluções de bate-papo e mensagens usando chatbots e agentes ao vivo, passando por voz com URA inteligente, e-mail com roteamento linguístico e resposta automática inteligente e, por fim, análise com insights de IA. Em seguida, avalie como todos esses pontos de dados se inter-relacionam e quais ações foram tomadas, como os clientes responderam, considerando a rapidez com que esses problemas foram resolvidos, e como os clientes classificaram a experiência geral e se voltariam a comprar.

É possível fazer isso. Mas, no momento, isso ainda é melhor feito com o apoio de agentes, que podem tomar a decisão final sobre o que dizer ao cliente e como.

Fique atento ao próximo blog, que será publicado em 21 de outubro:

O aprendizado constante aprimora as recomendações de IA

Ajude a garantir que sua organização ofereça uma experiência ao cliente que supere suas expectativas. Isso transformará o seu contact center de um centro de custos em um gerador de receita.

Acesse a reprodução do webinar sob demanda de  "Como os superagentes habilitados por IA melhoram a experiência do cliente" com Kate Legget, Vice-presidente e analista principal de desenvolvimento e fornecimento de aplicativos de serviço da Forrester Research, com Steve NattressDiretor, P&D e Jacki TessmerVice-presidente de marketing de produtos, Enghouse Interactive.
Veja como sua organização pode se beneficiar dos superagentes habilitados para IA

Registre-se agora: 

Fontes:

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

(2): bdtechtalks.com