Dirbtinis intelektas (DI) suteikia daug galimybių pritaikyti, supaprastinti ir pagerinti klientų patirtį (customer experience) ir darbuotojų patirtį (employee experience). Tačiau įmonėms svarbu suprasti pagrindinius MP terminus, kad būtų galima nustatyti tinkamiausius jų strategijų ir optimizavimo tikslų taikymo būdus.

Pagrindiniai elementai:

1. Dideli kalbų modeliai

2. Kompiuterio mokymasis

3. Natūralios kalbos apdorojimas

4. Natūralios kalbos supratimas

5. Prognozuojamoji analizė

6. Prevencinė analizė

7. Pokalbio įrankių DI

8. Generinis DI

Yra daug būdų pritaikyti dirbtinį intelektą (DI) individualizuojant, racionalizuojant ir optimizuojant klientų ir darbuotojų patirtį. Sėkmingas šių technologijų naudojimas prasideda nuo to, kaip suvokiama geriausia vartotojų patirties DI terminija. Naudodamiesi šiuo supratimu galite nustatyti, kurie naudojimo atvejai geriausiai tinka jūsų organizacijai ir dabartinėms klientų patirties (CX) ir darbuotojų patirties (EX) strategijoms bei optimizavimo tikslams. Po to su DI galite judėti tokiu būdu, kuris neabejotinai duotų konkrečių išmatuojamų rezultatų, pvz., pailgintų konversijos laiką ir sutrumpintų atsako trukmę.

1. Dideli kalbų modeliai

Dideli kalbų modeliai arba DKM (Large Language Models – LLMs) yra dideli giluminio mokymosi modeliai, parengti naudojant didelį duomenų rinkinį (paprastai nuo 2 milijardų iki 1 trilijono parametrų), kurie palaiko įvairias natūralios kalbos apdorojimo (Natural Language Processing - NLP) užduotis, įskaitant daugelį generatyvinio DI. Analizuodama didžiulius duomenų rinkinius, DKM sužino, kaip struktūrizuota kalba. Tai leidžia technologijoms, naudojančioms DKM, kurti turinį, pvz., kodą ir tekstą, kuris imituoja tai, ką gali sukurti asmuo. Jie gali vienu metu apdoroti daug sudėtingų kelių žingsnių užklausų, kad palaikytų, pavyzdžiui, didelės apimties savitarnos sąveikas.

Didelių kalbų modelių taikymas apima pokalbį MI, generacinį MI, informacijos gavimą ir nuotaikų analizę.

2. Kompiuterio mokymasis

Kompiuterio mokymasis (Machine Learning - ML) padeda ilgainiui pagerinti kitų taikomųjų programų našumą prognozuojant rezultatus ir prisitaikant prie duomenų rinkiniais pagrįsto mokymosi. Kompiuterio mokymosi modeliuose naudojami algoritmai, apmokyti dideliuose duomenų rinkiniuose, kad būtų galima naudoti tokias priemones kaip prognozuojama ir išankstinė analizė (predictive and prescriptive analytics).

Kompiuterio mokymasis suteikia individualiems poreikiams pritaikytą patirtį, pagrįstą klientų elgesiu ir pageidavimais, ir pagerina klientų pasitenkinimą. Kompiuterio mokymasis taip pat gali analizuoti didelius duomenų rinkinius, kurie gali būti neįmanomi naudojant kitas priemones.

Kompiuterio mokymosi naudojimo atvejai tai prognozuojamasis dalyvavimas (predictive engagement), pvz., aktyvus konkrečių klientų dalyvavimas vykdant veiklą arba naudojant išteklius, siekiant palengvinti perskaičiavimą ir prognozuojamąjį nukreipimą (predictive routing), pvz., susiejimas su darbuotojais, kurie geriausiai gali tai išspręsti. Tai taip pat gali užtikrinti numatomą siunčiamų kampanijų valdymą ir susiskaidymą.

3. Natūralios kalbos apdorojimas

Natūralios kalbos apdorojimas arba NKA (Natural Language Processing - NLP) yra technologija, kuri gali suprasti natūralią kalbą nereikalaujant rašyti kodu ar konkrečiomis aplinkybėmis. Klientų aptarnavimo srityje NKA teikia pokalbio įrankį DI, įskaitant kalbėjimo ir teksto sąveiką tarp klientų ir įrankių, pavyzdžiui, pokalbių robotų, balso robotų ir sąveikiojo balso atsako (Interactive Voice Response - IVR) sistemų. Tai taip pat padeda geriau suvokti nuotaikas, toną ir ketinimus, taikant tokius metodus kaip klasifikavimas. NKA didina veiksmingumą ir gali sumažinti kasdienių tarpininkų atliekamų sąveikų skaičių.

Natūralios kalbos apdorojimo naudojimo atvejai apima automatinius asistentus, išeinančius skambučius, agentų mokymą realiuoju laiku, nuotaikų analizę ir kalbos atpažinimą.

4. Natūralios kalbos supratimas

Natūralios kalbos supratimas arba NKS (Natural Language Understanding - NLU) leidžia klientams susisiekti su jumis balsu arba tekstu ir gauti dialogo atsakymą. DVI paprastai palaiko kelias kalbas ir yra šnekamųjų ir kalbinių padėjėjų pagrindas.

Natūralios kalbos supratimo naudojimo atvejai apima internetinę čatavimą, pagrindinių problemų sprendimą ir informacijos, kuri turi būti perduodama agentui, rinkimą.

5. Prognozuojamoji analizė

Prognozuojamoji analizė (Predictive Analytics) gali kaupti duomenis, kad pateiktų prognozes ar rekomendacijas. Klientų aptarnavimo srityje jis dažnai naudojamas analizuojant klientų elgesį ir pirkimo istoriją, siekiant nustatyti pageidavimus ir numatyti būsimus veiksmus. Nuspėjamoji analizė taip pat gali nustatyti galimas problemas, kad įmonės galėtų jas aktyviai spręsti. Kompiuterio mokymasis dažnai suteikia nuspėjamąją analizę.

Dirbtiniu intelektu pagrįstos prognozuojamos analizės taikymas klientams apima prognozuojamo dalyvavimo (predictive engagement) ir prognozuojamo maršruto (predictive routing) valdymą; nustatyti galimų klientų vėlavimą ar sukčiavimą; optimalaus klientų įtraukimo laiko nustatymas; ir cross-sell pardavimo, up-sell pardavimo ir klientų išlaikymo kampanijoms.

6. Prevencinė analizė

Prevencinė analizė (Prescriptive Analytics) gali pateikti konkrečias rekomendacijas, pagrįstas nuspėjamosios analizės rezultatais. Proaktyvi analizė, kurią dažnai palaiko DI, suteikia įžvalgų, leidžiančių organizacijoms optimizuoti sąveiką su klientais realiuoju laiku.

DI pagrįstos prevencinės analizės naudojimas klientų aptarnavimo srityje apima rekomendacijas dėl kitų geriausių veiklos būdų ir klientų, kurie, tikėtina, pertvarkys savo klientus pagal individualius pasiūlymus, identifikavimo.

7. Pokalbio įrankių DI

Pokalbio įrankių DI (Conversational AI) naudoja mašininio mokymosi ir natūralios kalbos supratimo priemonių derinį, kad galėtų bendrauti su klientais per čatbus ir virtualius pagalbininkus. Tai taip pat gali paskatinti agento pagalbines priemones ir supaprastinti prieigą prie žinių bazės (knowledge base). Pokalbio įrankio DI priemonės yra puikiai apmokytos didelio masto kalbos ir teksto duomenų, gautų iš ankstesnės organizacijos sąveikos su klientais. Tai gali sutrumpinti atsako laiką, padidinti atsakymo tikslumą, užtikrinti 24/7 klientų paramą ir rasti laisvąjį agentą sudėtingoms sąveikoms spręsti.

Pokalbio įrankių DI (Conversational AI) taikymas apima atsakymus į dažnai užduodamus klausimus, pagalbą planuojant susitikimus, individualizuotų rekomendacijų teikimą pagal klientų elgesį ir išankstinį pokalbio testą, kad klientai būtų nukreipti į kitą geriausią kanalą ar darbuotoją. Pokalbio įrankis DI gerai veikia įvairiais kanalais, pvz., mobiliaisiais arba žiniatinklio čatblokuotais ir IVR.

8. Generinis DI

Generinis DI (Generative AI) gali sukurti įvairaus pobūdžio turinį, įskaitant garso, kompiuterio kodo tekstą ir vaizdinę medžiagą. Dažnai mokomi didelių kalbų modelių, generinis DI naudoja natūralios kalbos supratimą kurdamas turinį, kurio reikalaujama naudojant promptus. Tai gali padėti racionalizuoti tokias užduotis, kaip suvestinės po pokalbių ir baigiamieji kodai (wrap-up codes), didinant darbuotojų našumą ir pasitenkinimą. Tai dažnai yra padėjėjų sprendimų pagrindas.

Generatyvinio dirbtinio intelekto (generative AI) naudojimas CX ir EX apima žinių bibliotekos turinio generavimą, suvestinių sudarymą po sąveikos, asmeniniams poreikiams pritaikytų el. laiškų generavimą, pokalbių robotų generavimą, atsaką į supervizoriaus klausimus ir teksto vertimą iš vienos kalbos į kitą.

Atsisiųskite Genesys vadovą “5 ways leading brands use AI”, kad sužinotumėte, kaip šios organizacijos pagerino klientų ir darbuotojų patirtį ir kartu sumažino išlaidas.

Šaltinis: Genesys website.

Adventus Solutions, bendradarbiaudama su Genesys, padeda įmonėms diegti daugialypės terpės kontaktų centrų platformas ir dirbtinio intelekto sprendimus. Norėdami gauti daugiau informacijos apie Genesys Cloud Contact Center platformą, ieškokite produkto aprašyme arba susisiekite su mumis ir mes mielai padėsime.