Lidé vs Bots v zákaznické podpoře: Musings na začátku podnikového strojového závodu na učení botů

Zintenzivňuje se náznak, že umělá inteligence se blíží inteligenci na lidské úrovni. V tomto příspěvku zkoumám současné hranice podnikových robotů současné generace a jejich nejčastější případ použití, zákaznická podpora.

Proč podniky zavádějí technologii pro tento případ použití? Jaké jsou s nimi naše zkušenosti, k čemu jsou dobré? Jaké jsou jejich nedostatky ve srovnání s lidmi?

Zatím se zdá, že roboti byli ve znalostech produktů společnosti mnohem lepší než lidé. Byli průměrní v porozumění jazyku a velmi špatně odpovídali. Také jim chyběly znalosti o perspektivě zákazníka, jeho skutečných potřebách a výzvách, jakož i o jejich schopnosti interagovat se zákazníkem. Tyto limity dávaly strop jejich výkonu, který byl pod lidmi.

Nyní se chystají zavádět nové technologie. S tím, jak se dialogové nástroje, jako je Rasa Core, stávají populárnějšími, vidíme, že příští generace robotů je v odpovědi mnohem lepší, jejich znalost perspektivy zákazníka a schopnost interakce se zákazníkem.

Na základě současných kurzů školení klientů Rasa Core očekávám, že podnikové roboty během jednoho roku překonají lidi v zákaznické podpoře. Na základě současných kurzů školení od ostatních klientů Rasa Core také očekávám, že další firemní funkce, jako je podnikový prodej, správa smluv a HR operace, mají v nadcházejících letech vynikající výkonnost botů.

- - - - - - - - - - - - - - - - - - - - - - - - - - -

Komunikační platformy s miliardami uživatelů silně tlačí na konverzační AI. Ale navzdory veškerému jejich úsilí zůstává chatování mezi lidmi naprosto dominantním případem použití těchto platforem. “

Přesto, 9 měsíců od doby, kdy se začínající podniky a podniky stavějí na vrcholu Rasy, je mi jasnější, v čem se v podniku staví zasílání zpráv a kde jsme. Výjimkou jsou individuální případy v obchodních adresářích, ve vzdělávání nebo v chatu. Brzy jsme viděli pouze jeden velmi populární případ použití pro podnikové roboty používající Rasa NLU: Zákaznická podpora a časté dotazy. A to platí nejen pro Rasa NLU, ale také pro „all-in-one“ platformy podnikových bot, jako je Reply.ai nebo nástroje automatizace služeb zákazníkům, jako je Digital Genius. Existují stovky „startupů“ (které jsou opravdu podobné softwarovým agenturám), které zvyšují zákaznickou podporu firemních klientů.

Zkoumání případu použití vraha první generace podnikových robotů: zákaznická podpora a časté dotazy

Otázka tedy zní „proč“? V mé roli angažovaného investora Rasy je zajímavé podívat se blíže na tento rozmach zákaznické podpory a prozkoumat současné hranice podnikových robotů současné generace.

Důvod 1: Zákaznická podpora je prvním proveditelným případem použití pro podnikové roboty založené na pravidlech

Je pravděpodobné, že jsme dosud viděli pouze dny před obchodem před konverzací AI, kde roboty postavené na některých raných jednoduchých nástrojích nabízejí uživatelům za určitých okolností omezený užitečný program

Nastavení první generace: NLU založený na ML a dialog založený na pravidlech

V první generaci botů vývojáři nasadili NLP nástroje jako Api.ai, wit.ai nebo Rasa NLU. Tyto nástroje dělají, že berou „přirozený jazyk“ (to znamená „člověk“) a zpracovávají jej do softwaru strojového jazyka, kterému mohou rozumět.

Například výše uvedený příklad ilustruje robota, který sleduje zprávu od člověka („Hledám mexickou restauraci v centru města.“). Pomocí nástroje NLP je schopen identifikovat člověka, který hledá restauraci (záměr: restaurant_search) a typ kuchyně („mexická“) a kde („centrum“).

Je zde vrstva UX, kde byla stanovena očekávání lidí (např. Zavolání bota „vyhledávač restaurace“ a přidání ilustrace týkající se jídla), která člověka naučila mluvit ve velmi specifickém kontextu.

Pro uživatele je to trochu podobné procházení stromem rozhodování. Aby zážitek fungoval, uživatel se nemůže nikdy zablokovat z předdefinovaných cest. Uživatel musí položit robotu přesně ty správné otázky a přizpůsobit se botu, aby mohl navigovat.

Pro uživatele je první generace bot zážitek podobný procházení stromem rozhodování

Pokud má robot dostatek informací (prostřednictvím textu nebo prostřednictvím dalších informací, jako jsou například údaje o poloze prostřednictvím telefonu), pak robot odpoví na základě předdefinovaných pravidel a textů (např. „Můžu vám doporučit„ název restaurace + adresa “na základě volání na API, jako je Foursquare.

Za poslední dva roky byly postaveny tisíce robotů, kteří byli dostatečně strojně vyškoleni, aby:

1) rozumět lidskému jazyku v každém uzlu stromu rozhodování ve velmi specifických kontextech.

2) odpověď ve velmi specifických pravidlech na základě poslední konverzace

To samozřejmě zní velmi podobně jako v zákaznickém centru zákaznické podpory, které všichni máme.

Jinými slovy, popularitu případu použití zákaznické podpory lze vysvětlit mezemi nastavení první generace: NLU založeným na ML a dialogem založeným na pravidlech. Žádný jiný případ použití není tak blízko paradigmatu rozhodovacího stromu.

Existují hlasy některých odvětví, jako jsou Facebook, které tvrdí, že tento dialog založený na MLP založený na MLP / pravidlech je „dost dobrou“ zkušeností pro zákaznickou podporu. Ale jak Rasa CTO a spoluzakladatel Alan Nichol říká ve svém hlubokém ponoru, existuje mnoho dalších výzev, které je třeba vyřešit, dokonce i pro zákaznickou podporu.

Podle mého názoru, i přes velké uživatelské základny pro zasílání zpráv v miliardách, je mnohem pravděpodobnější, že se jedná o dny před obchodem před konverzací AI. Bots jsou stavěny s velmi časnou generací nástrojů a tyto nástroje nebyly dostatečně silné, aby umožnily více.

Důvod 2: Podniky již mají zkušenosti s pokročilou automatizací zákaznické podpory

Podniky dlouhodobě sledují zákaznickou podporu z pohledu automatizace procesů. Chápou problém z této perspektivy: měli mnoho probíhajících IT projektů, mají pracovníky, kteří s ním dokáží řešit, kteří vědí, jak implementovat případ použití a vědět, co z toho organizace vymaní.

Většina podniků, se kterými jsem o tom hovořil, vidí snahu své zákaznické podpory jako další úsilí v automatizaci procesů. Podniky se již nějakou dobu zabývají automatizací procesů, strategií pro automatizaci procesů, které obsahují náklady a nastavují organizační standardy prostřednictvím softwaru. Jsou s ním velmi pohodlné.

V případech zákaznické podpory / FAQs podniky často procházejí měsíci vnitřní koordinace toho, co jejich briefingy jsou. Naproti tomu zavedly předdefinovaná pravidla a postupy potřebné pro podporu zákazníků. Mohou začít okamžitě. Jejich rozšíření na zákaznickou podporu je pro korporace přirozené.

Boti jsou k dispozici 24 hodin denně, 7 dní v týdnu, neopouštějí svou práci a nikdy nezapomenou na žádné informace, které se naučili.

Často kladené dotazy na zákaznickou podporu, které již vytvořili, se stávají základním dokumentem pro pravidla, která následují. Ve skutečnosti je to tak častý případ, že společnost Microsoft vytvořila jednoduchou službu, která převádí nejčastější dotazy do robotů.

https://qnamaker.ai/

Současná generace dialogu založeného na pravidlech zákaznické podpory odpovídá způsobu, jakým si společnosti myslí.

Dokonce i znalí VC, kteří jsou velmi negativní vůči robotům, jako je Bradford Cross od společnosti Data Collective („roboti v roce 2017 zmizí“), vidí automatizaci procesů v podnikových botech.

Jak je však uvedeno výše, automatizace jednoduchých žádostí o jednu otázku / odpověď podle častých otázek má své limity. Pokud jste jako spotřebitel ztratili svou kreditní kartu, nechcete, aby vám na otázku, kde získat kreditní kartu, odpovídali na nejčastější dotazy. Chcete získat novou kreditní kartu.

Důvod 3: Podniky chtějí zlepšit kvalitu zákaznické podpory a těžko tak učinit

Téměř všechny podniky chtějí zlepšit kvalitu své zákaznické podpory. Boti poskytují nový, omezený přístup k oběma. Boti jsou k dispozici 24 hodin denně, 7 dní v týdnu, neopustí svou práci a výborně si pamatují produkty společnosti.

Zlepšení štěstí zákazníků pomocí jejich zákaznické podpory - měřeno například pomocí NPS - je pro společnosti opravdu těžké. Většinu z nich zasáhne přirozený strop, který nemohou překročit, bez ohledu na výhody svých produktů nebo množství zdrojů, které podnik hodí na zákaznickou podporu.

Přirozený strop kvality zákaznické podpory je vázán na krátkodobé opakování zákaznické podpory v jejich práci

Ukazuje se, že tento strop je spojen s velmi krátkým životním cyklem zaměstnanců zákaznické podpory. Velmi často zůstávají ve své práci v průměru jen několik měsíců. V ilustrovaném idealizovaném příkladu výše jsou to 4 měsíce, které jsem od zákazníků Rasa NLU slyšel nejvíce. Na začátku je kvalita podpory poměrně nízká, protože pracovník zákaznické podpory je na školení. Všichni jsme prošli pochopitelnými výmluvami „Promiňte, je to můj první den“. Jak trénink začíná, kvalita podpory se zlepšuje.

Ale v průměru za několik měsíců se zástupci CS demotivují a kvalita jejich práce začíná klesat před odchodem ze společnosti, spolu s vědomostmi, které získali o produktech společnosti, a co je důležitější, jejich zákazníky.

Čím složitější je portfolio produktů a jejich vhodnost pro specifické segmenty zákazníků, tím větší jsou související výzvy. Pokud interní zákaznická podpora FAQ obsahuje více než 100 produktů a +200 webových adres - stejně jako je to běžné v pojišťovnictví -, nebude pravděpodobně osoba zákaznické podpory v těchto 4 měsících schopna komunikovat s konkrétním produktem. - zákazník se hodí a řeší problémy související se zákazníky dobře. Je to bariéra know-how, kterou velké korporace nemohou snadno překročit.

Dokonce i současné roboty se na této situaci již zlepšují. Boti jsou k dispozici 24 hodin denně, 7 dní v týdnu, neopouštějí svou práci a výborně si pamatují produkty společnosti. To, co ještě není dobré, je reakce na to, co zákazník vlastně říká, pokud se zabloudí předdefinovanou cestou nebo změní téma.

Rasa Core a začátek závodu na strojové učení strojů

Pro nás je spuštění dialogu založeného na strojovém učení, jako je Rasa Core, velkým krokem k této další generaci. Boti budou v pořádku nejen v porozumění lidskému jazyku, ale také začnou odpovídat mnohem chytřejším způsobem, což umožní složitější dialogy s více obrysy. Získá znalosti o perspektivě zákazníka, jeho skutečných potřebách a výzvách a schopnost interakce. Budou schopni získat a aplikovat znalosti firemních zásad, jako jsou bankovní účty a interakce s klienty.

Příklad Rasa Core - školení o zásadách, jak odpovědět na otázku porovnání účtů

Podívejme se blíže na ilustrovaný příklad výše a stručně vysvětlíme, co motor dialogu, jako je Rasa Core, dělá.

V tomto příkladu bankovní bota navrhuje návrhy, co by měla dělat dál, extrapolováním ze vzorců, které viděla v předchozích konverzacích. V tomto případě je model na 80% jistý, že by měl uživateli poskytnout rozpis úrokových sazeb různých spořicích účtů. Robot poskytuje školiteli nejpravděpodobnější další akce a žádá zpětnou vazbu, aby model vylepšil.

Spíše než kodifikace podnikového know-how jako explicitního souboru pravidel, se to učí přímou interakcí s robotem.

V tomto interaktivním režimu učení poskytuje vývojář krok za krokem zpětnou vazbu o tom, co se jejich bot rozhodli udělat. Je to něco jako učení o posílení, ale s zpětnou vazbou na každý jeden krok

Když si váš bot vybere špatnou akci, řeknete jí, jaký by byl ten správný. Model se sám aktualizuje okamžitě (takže je méně pravděpodobné, že se znovu setkáte se stejnou chybou) a jakmile skončíte, konverzace se zaznamená do souboru a přidá se do vašich tréninkových dat.

V přístupu založeném na pravidlech byste v tuto chvíli přidali pravidlo (50. nebo 101.), které je velmi pravděpodobně v rozporu s předchozím pravidlem a vytváří chybu. S Rasa NLU jste okamžitě vyřešili náskok na hraně, aniž byste zírali na váš kód věky, aby zjistili, co se pokazilo.

Postupem času se vytváří databáze skutečných konverzací, které kodifikují znalosti společnosti o tom, jak uživatelé interagují s různými procesy vaší společnosti, například s otevřením účtu ve vaší bance.

Myslíme si, že jsme na začátku věku, kdy korporace začnou soutěžit o školení neuronových sítí v interakčním know-how napříč svými hlavními podnikovými funkcemi.

Například za 1,5 roku budeme mít pojišťovací společnosti, jejichž kvalita zákaznické podpory / skóre NPS bude mnohem vyšší než u jejich bratří jiných než ML.

Predikce: Společnosti s dialogovým školením překonají v příštím roce společnosti bez podpory zákazníků
Tento obrázek ukazuje, jak bot, který se neustále vzdělává v reálných interakcích se zákazníky, může zvýšit kvalitu CS na novou úroveň. Postupem času hromadí znalosti desítek zaměstnanců CS a může spolehlivě pomoci zákazníkům procházet stovkami různých případů na okraji.

Pojišťovací společnosti, které nejsou ML, budou přilepeny na starý strop kvality zákaznické podpory. Budou i nadále na palubě nových zaměstnanců každé 4 měsíce a nikdy nepřekročí strop.

Některé z jejich protějšků ML již používají aplikaci Rasa Core v Beta. Jsou na cestě být výrazně lepší než jejich protějšky mimo ML za rok.

Rasa Core již používala v uzavřené beta verzi 100s devs. Viděli jsme společnosti postavené na nejrůznějších souborech podnikových dat: zákazníci (CRM), zaměstnanci (HCM) a podniková aktiva (ERP / Financials). Myslíme si, že s Rasa Core budou všechny tyto datové soubory procházet podobným scénářem ML Race. Mezi příklady firemních vertikálů, na kterých naši klienti staví, patří prodej, HR operace a IT helpdesky.

Očekáváme, že Rasa Core brzy využijí tisíce devů, a jsme rádi, že uvidíme, co budou stavět.

Díky Alexovi, Alanovi, Rajovi, Danielle, Regině.