Superagenter är verkliga (Blogg #2)

Hem
Blogg
Superagenter är verkliga (Blogg #2)

AI gör det möjligt (bloggserie)

Få tillgång till uppspelningen av webinariet på begäran "Hur AI-aktiverade superagenter förbättrar CX" med Kate Legget, Vice President och Principal Analyst Service Application Development and Delivery, Forrester Research, med Steve Nattress, direktör, FoU och Jacki Tessmer, Vice President - Product Marketing, Enghouse Interactive.

Blogg #2 av 4: Att söka eftere Grundorsak och påverka rätt resultat

**Förståelse Varför Förändrar kundupplevelsen**

För det mesta är AI:s förmåga att titta på datapunkter för att förstå vad varje kund oroar sig för eller har problem med för närvarande väldigt endimensionell.

För att komma till rätta med detta finns det begränsningar som måste övervinnas och olika tillvägagångssätt som måste övervägas. De flesta AI-baserade plattformar eller processer utnyttjar en begränsad och diskret datamängd för att extrapolera "förståelse". De fokuserar vanligtvis på repetitiva förfrågningar, katalogiserar och utvärderar de åtgärder som vidtas eller de svar som ges när de hjälper till att lösa dessa situationer. Sedan används denna begränsade "förståelse" för att försöka tillhandahålla ett mycket snävt urval av föreslagna åtgärder för att vägleda handläggarna i framtida situationer:

Det vill säga när man ska be kunden om ett förtydligande, när man ska dirigera kunden till en mänsklig agent som har tillräcklig konversationsinsikt för att veta om en generalist eller en specifik ämnesexpert (SME) är bäst, eller när man ska starta en sökning i en kunskapsbas (KB).

Detta fungerar, men bara när man använder rätt dataset.

Inom detta område som fortfarande är under utveckling (mer om nuläget längre fram) kan olika metoder användas; från de esoteriska och akademiska som Deep Learning Neural Networks till de mer praktiska och användbara Natural Language Processing (NLP) och Reinforcement Learning and Control.

Intressant läsning^(1):

Stanford AI-modeller

När man tittar på dessa olika metoder har man sett att olika typer av djupinlärning är mycket kapabla att urskilja korrelationer i enorma datamängder som de arbetar med. Men när man försöker utveckla eller förstå slutsatser och andra begrepp på högre nivå faller djupinlärning i allmänhet platt, vilket har fått forskare att kombinera olika typer av tillvägagångssätt för att hitta vad som fungerar bäst.

Ur ett praktiskt perspektiv har det visat sig att bearbetning av naturligt språk (NLP) tekniker kan användas för att mer exakt analysera och bedöma kundkommentarerna och klassificera dem. Enghouse:s erfarenhet har visat att genom att utnyttja semantisk analys och branschspecifik lingvistik, terminologier, fraseologier och andra proprietära algoritmer och bearbetning kan NLP bättre identifiera vad kunden upplever och sedan föreslå en möjlig lösning från en specifik uppsättning alternativ.

Ett typiskt exempel skulle kunna vara att använda den extraherade insikten för att koppla upp sig mot en associerad kunskapsbas och sedan rekommendera en process, ett skript eller ett dokument för att hantera den aktuella situationen eller det aktuella behovet. Dessutom, genom att använda förstärkt inlärning med kunskapsbasen kommer de föreslagna svaren med tiden att avsevärt förbättra sin relevans i takt med att mer data (både positivt och negativt rankad) kategoriseras.

Verkligheten idag: Begränsad information och förståelse = sannolika alternativ

Det breda löftet om AI har funnits i över 70 år när den första datorn och de första beräkningsprocesserna utvecklades av Presper Eckert (Univac, slutet av 40-talet) och sedan vidareutvecklades av Alan Turing (Turing Machine, 1950)... men ännu är löftet inte uppfyllt. AI kämpar med bred förståelse och att kunna urskilja övergripande avsikter och betydelser.

Den begränsande faktorn är inte bara behovet av att använda tillräckligt stora datamängder, utan även AI:s oförmåga att kontextualisera informationen och förstå sambanden och samspelet mellan ord och slutsatser - på samma sätt som människor gör.

Begränsningar: Sammanhang för databehov

I detta filmklipp⁽²⁾ från "La Femme du Boulanger (Bagarens fru)" vi ser och hör att bagaren skäller på sin katt medan han talar kärleksfullt till sin fru ... men vi människor förstår att bagaren faktiskt skäller på sin fru genom sina kommentarer till katten medan han hänvisar till sin fru.

Det gör inte AI idag.

Den ser två personer vid ett bord, kan möjligen sluta sig till deras kön och noterar att det finns ljud i bilden.

Varför är det så stor skillnad?

Det beror på att människor inte analyserar situationer utifrån diskreta datapunkter. Verkligheten är att de har livslånga lärdomar som de kan dra nytta av - från moderns / faderns vägledning och vård, situationsanpassad inlärning; akademiska resor; 3^rd-partierfarenheter; konflikter som överlevts, glada stunder som upplevts, stressiga situationer som klarats av, disciplin som mottagits, belöningar som uppnåtts, oetiska situationer som upplevts osv. Som en följd av detta har människan en inneboende förmåga att direkt/indirekt och inferentiellt bedöma varje situation, antingen kognitivt eller undermedvetet. Genom att utnyttja dessa lärdomar kan de avgöra vad något betyder och vilka de potentiella konsekvenserna är nu och eventuellt i framtiden ... Som ett resultat av detta ser varje person som försöker lösa en situation den ur ett unikt perspektiv (data med flera variabler) och fattar sitt beslut på olika sätt (analys av olika faktorer) ... och i allmänhet kan de föreslå olika strategier för att lösa situationen (variabel strategi). Dagens AI försöker välja ett standardiserat tillvägagångssätt för att lösa potentiellt mycket varierande behov.

Löftet: Med hjälp av kontext försöker AI förbättra sig - snabbare än någonsin

I slutändan kommer den heliga graalen att uppnås när AI kan föreslå en rad olika scenarier och supportskript för handläggare som utvecklas "i farten" i realtid - med hjälp av kundens kommentarer - för att på bästa sätt hantera situationen, utan att vara beroende av ett snävt fokuserat standardiserat tillvägagångssätt.

Men för att uppnå det målet och vara effektiva måste AI-plattformarna bredda den information de samlar in och samtidigt förbättra sitt analytiska fokus. De måste samla in data från hela spektrumet av CX-aktiviteter, från online med kontextmedveten assistans, till chatt- och meddelandelösningar med chatbots och live-agenter, till röst med intelligent IVR, och e-post med lingvistisk routing och intelligent autosvar och slutligen till analys med AI-insikter. Utvärdera sedan hur alla dessa datapunkter hänger ihop och vilka åtgärder som vidtogs, hur kunderna reagerade, hur snabbt problemen löstes och hur bra kunderna tyckte att helhetsupplevelsen var och om de skulle göra ett nytt köp.

Det går att göra. Men just nu görs detta fortfarande bäst med stöd av handläggare, som kan fatta det slutliga beslutet om vad som ska sägas till kunden och hur.

Håll utkik efter nästa blogg, som kommer den 21 oktober:

Ständigt lärande förbättrar AI-rekommendationer

Hjälp till att se till att din organisation levererar en kundupplevelse som överträffar deras förväntningar. På så sätt förvandlas ditt kontaktcenter från ett kostnadscenter till en intäktsgenerator.

Få tillgång till uppspelningen av webinariet på begäran "Hur AI-aktiverade superagenter förbättrar CX" med Kate Legget, Vice President och Principal Analyst Service Application Development and Delivery, Forrester Research, med Steve Nattress, direktör, FoU och Jacki Tessmer, Vice President - Product Marketing, Enghouse Interactive.
Se hur din organisation kan dra nytta av AI-aktiverade Super-Agents

Registrera dig nu: