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 com IA melhoram a experiência do cliente” com Kate Legget, Vice-presidente e analista principal de desenvolvimento e entrega de aplicações de serviço, Forrester Research, com Steve Nattress, Diretor, P&D e Jacki Tessmer, Vice-presidente – Marketing de Produtos, Enghouse Interactive.

Blog #2 de 4: Em busca doA causa principal e o impacto no resultado correto

Compreensão Porquê? Transforma a experiência do cliente

Atualmente, a capacidade da IA de analisar pontos de dados para compreender o que preocupa cada cliente ou quais são as suas dificuldades é, na sua maioria, 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 utiliza um conjunto de dados finito e discreto a partir do qual extrai o seu ‘entendimento’. Normalmente, concentram-se em solicitações repetitivas, catalogando e avaliando as ações realizadas ou as respostas dadas, ao ajudar a resolver essas situações. Em seguida, utilizam esse ‘entendimento’ limitado 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 para um agente humano com conhecimento conversacional suficiente para saber se um generalista ou um especialista no assunto (SME) seria mais adequado, ou quando acionar uma pesquisa na Base de Conhecimento (KB).

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

Neste campo ainda emergente (mais sobre o estado atual, discutido posteriormente), várias abordagens podem ser utilizadas; desde as esotéricas e académicas, incluindo Redes Neurais de Aprendizagem Profunda, até as mais práticas e utilizáveis, como o Processamento de Linguagem Natural (NLP) e as abordagens de Aprendizagem por Reforço e Controlo.

Leitura interessante^(1):

Modelos de IA de Stanford 

Ao analisar essas diferentes abordagens, percebe-se que vários tipos de deep learning são altamente capazes de discernir correlações em enormes conjuntos de dados com os quais trabalham. No entanto, ao tentar desenvolver ou compreender inferências e outros conceitos de nível superior, o deep learning geralmente falha, o que levou os investigadores a combinar vários tipos de abordagens para encontrar o que funciona melhor.

De uma perspectiva prática, verificou-se que processamento de linguagem natural (NLP) As técnicas podem ser utilizadas para analisar e avaliar com maior precisão os comentários dos clientes e classificá-los. A experiência da Enghouse demonstrou que, ao aproveitar a análise semântica e a linguística específica do setor, terminologias, fraseologias e outros algoritmos e processamentos proprietários, a NLP pode identificar melhor o que o cliente está a vivenciar e, então, propor uma possível solução a partir de um conjunto específico de opções.

Um exemplo típico seria usar essa informação extraída para interagir 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 aprendizagem reforçada Com a base de conhecimento, ao longo do tempo, as respostas propostas melhorarão significativamente a sua relevância, à medida que mais dados (classificados tanto positiva como negativamente) forem categorizados.

A realidade atual: Informação e compreensão limitadas = Opções prováveis

A ampla promessa da IA existe há mais de 70 anos, quando o primeiro computador e os primeiros processos computacionais foram desenvolvidos por Presper Eckert (Univac, final da década de 1940) e, posteriormente, aperfeiçoados por Alan Turing (Máquina de Turing, 1950)... mas, ainda assim, continuam por cumprir. A IA tem dificuldades em compreender conceitos amplos e em discernir intenções e significados abrangentes.

O fator limitante não é apenas a necessidade de usar conjuntos de dados suficientemente grandes, mas também a incapacidade da IA de contextualizar as informações e compreender as inter-relações e interações entre palavras e inferências – da mesma forma que os seres humanos fazem.

As limitações: os dados precisam de contexto

Neste trecho do filme⁽²⁾ de «La Femme du Boulanger (A Mulher do Padeiro)«  vemos e ouvimos que o padeiro está a repreender o seu gato enquanto fala carinhosamente com a sua esposa... mas nós, seres humanos, compreendemos que o padeiro está, na verdade, a repreender a sua esposa através dos seus comentários ao gato, enquanto se submete à sua esposa.

A IA atual não o faz.

Ele vê duas pessoas sentadas à mesa, consegue inferir o sexo delas e percebe que há algum som proveniente da imagem.

Por que essa diferença?

Isso ocorre porque os seres humanos não analisam as situações a partir da perspetiva de pontos de dados discretos. A realidade é que eles têm aprendizados ao longo da vida dos quais podem tirar proveito – desde a orientação e educação materna/paterna, aprendizagem situacional, dificuldades académicas; 3^rd-experiências pessoais; conflitos superados, momentos felizes vividos, situações stressantes ultrapassadas, disciplina recebida, recompensas alcançadas, situações antiéticas vividas, etc. Como resultado, os seres humanos sabem, por natureza, como avaliar cada situação, direta ou indiretamente e por inferência, seja cognitiva ou subconscientemente. Aproveitando esses aprendizados, eles podem determinar o significado de algo, juntamente com as ramificações potenciais atuais e possíveis no futuro... Como resultado, cada pessoa, ao procurar resolver uma situação, vê-a de uma perspetiva única (dados multivariáveis) e toma a sua decisão de forma diferente (análise de fatores diversos)... e, geralmente, pode sugerir estratégias diferentes para resolver a situação (abordagem variável). Atualmente, a IA tenta escolher uma abordagem padronizada para resolver necessidades potencialmente muito diversas.

A promessa: com contexto, a IA procura 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 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 e restrita.

Mas, para atingir esse objetivo e ser transformadora na sua eficácia, as plataformas de IA devem ampliar o leque de informações que recolhem, ao mesmo tempo que aprimoram o seu foco analítico. Elas precisam agregar dados de todo o espectro de atividades de CX, desde o online com assistência sensível ao contexto, passando por soluções de chat e mensagens usando chatbots e agentes ao vivo, até voz com IVR inteligente e e-mail com roteamento linguístico e resposta automática inteligente e, finalmente, análise com insights de IA. Em seguida, avaliar como todos esses pontos de dados se inter-relacionam e quais ações foram tomadas, como os clientes responderam, considerando a rapidez com que essas questões foram resolvidas, e como os clientes avaliaram a experiência geral e se fariam uma nova compra.

É possível. Mas, neste momento, isso ainda é mais eficaz quando feito em apoio aos agentes, que podem tomar a decisão final sobre o que dizer ao cliente e como.

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

A aprendizagem constante melhora as recomendações da IA

Ajude a garantir que a sua organização ofereça uma experiência ao cliente que supere as suas expectativas. Ao fazer isso, o seu centro de contacto deixará de ser um centro de custos e passará a ser uma fonte de receitas.

Acesse a reprodução do webinar sob demanda de  “Como os superagentes com IA melhoram a experiência do cliente” com Kate Legget, Vice-presidente e analista principal de desenvolvimento e entrega de aplicações de serviço, Forrester Research, com Steve Nattress, Diretor, P&D e Jacki Tessmer, Vice-presidente – Marketing de Produtos, Enghouse Interactive.
Veja como a sua organização pode se beneficiar dos superagentes habilitados para IA

Inscreva-se agora: 

Fontes:

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

(2): bdtechtalks.com