Mākslīgais intelekts (MI) piedāvā daudz iespēju pielāgot, vienkāršot un uzlabot klientu pieredzi (customer experience) un darbinieku pieredzi (employee experience). Tomēr uzņēmumiem ir svarīgi izprast būtiskos MI terminus, lai noteiktu vispiemērotākos pielietojuma gadījumus savām stratēģijām un optimizācijas mērķiem.

Galvenie elementi:

1. Lielie valodas modeļi

2. Mašīnmācīšanās

3. Dabiskās valodas apstrāde

4. Dabiskās valodas izpratne

5. Prognozējošā analītika

6. Preventīvā analītika

7. Sarunrīku MI

8. Ģeneratīvais MI

Ir daudz veidu, kā izmantot mākslīgo intelektu (MI), lai personalizētu, racionalizētu un optimizētu gan klientu, gan darbinieku pieredzi. Veiksmīga šo tehnoloģiju izmantošana sākas ar klientu pieredzes vispiemērotākās MI terminoloģijas izpratni. Izmantojot šo izpratni, varat noteikt, kuri pielietojuma gadījumi ir vispiemērotākie jūsu organizācijai un jūsu pašreizējai klientu pieredzes (CX) un darbinieku pieredzes (EX) stratēģijām un optimizācijas mērķiem. Pēc tam varat virzīties uz priekšu ar MI tādā veidā, kas noteikti nodrošinās konkrētus, izmērāmus rezultātus, piemēram, palielināt konversijas un samazināt reakcijas laiku.

1. Lielie valodas modeļi

Lielie valodas modeļi jeb LVM (Large Language Models - LLMs) ir lieli padziļināti mācību modeļi, kas apmācīti, izmantojot plašu datu kopu (parasti no 2 miljardiem līdz pat 1 triljonam parametru), kas atbalsta dažādus dabiskās valodas apstrādes uzdevumus (Natural Language Processing - NLP), tostarp daudzus no tiem, ko veic ģeneratīvais MI. Analizējot milzīgas datu kopas, LVM uzzina, kā valoda ir strukturēta. Tas ļauj tehnoloģijām, kas izmanto LVM, izveidot saturu, piemēram, kodu un tekstu, kas atdarina to, ko persona varētu izveidot. Viņi var vienlaikus apstrādāt daudzus sarežģītus daudzpakāpju pieprasījumus, lai atbalstītu, piemēram, liela apjoma pašapkalpošanās mijiedarbības.

Lielu valodu modeļu pielietojuma gadījumi ietver sarunrīku MI, ģeneratīvo MI, informācijas iegūšanu un noskaņojuma analīzi.

2. Mašīnmācīšanās

Mašīnmācīšanās (Machine Learning - ML) palīdz laika gaitā uzlabot citu lietojumprogrammu veiktspēju, prognozējot rezultātus un pielāgojoties, kad tā mācās, pamatojoties uz datu kopām. Mašīnmācīšanās modeļos tiek izmantoti algoritmi, kas apmācīti uz lielām datu kopām, lai darbinātu tādus rīkus kā paredzamā analītika un preskriptīvā analītika (predictive and prescriptive analytics).

Mašīnmācīšanās nodrošina personalizētāku pieredzi, pamatojoties uz klientu uzvedību un vēlmēm, uzlabojot klientu apmierinātību. Mašīnmācīšanās var arī analizēt lielas datu kopas, kas varētu būt neiespējamas, izmantojot citus rīkus.

Mašīnmācīšanās izmantošanas gadījumi ir prognozējošā iesaiste (predictive engagement), piemēram, konkrētu klientu proaktīva iesaistīšana ar darbību vai resursiem, lai veicinātu konversijas un prognozējošā maršrutēšana (predictive routing), piemēram, interakcijas maršrutēšana uz darbiniekiem, kuri vislabāk spēj šo atrisināt. Tas var arī nodrošināt paredzamu izejošo kampaņu pārvaldību un segmentāciju.

3. Dabiskās valodas apstrāde

Dabiskās valodas apstrāde jeb DVA (Natural Language Processing - NLP) ir tehnoloģija, kas var saprast dabisko valodu bez nepieciešamības rakstīt kodā vai noteiktā kontekstā. Klientu apkalpošanai DVA nodrošina sarunrīku MI, tostarp runas un teksta mijiedarbību starp klientiem un rīkiem, piemēram, tērzēšanas robotiem, balss robotiem un interaktīvās balss atbildes (Interactive Voice Response - IVR) sistēmām. Tas arī palīdz gūt ieskatu, izmantojot tādas metodes kā klasifikācija, lai izprastu noskaņojumu, toni un nodomus. DVA uzlabo efektivitāti un var samazināt interakciju skaitu, ko apstrādā aģenti ikdienā.

Dabiskās valodas apstrādes pielietojuma gadījumi ietver automatizētus palīgus, izejošos zvanus, aģentu apmācību reāllaikā, noskaņojuma analīzi un runas atpazīšanu.

4. Dabiskās valodas izpratne

Dabiskās valodas izpratne jeb DVI (Natural Language Understanding - NLU) ļauj klientiem sazināties ar jums ar balsi vai tekstu un saņemt dialoga atbildi. DVI parasti atbalsta vairākas valodas un ir pamatā sarunrīku čatbotiem un balss palīgiem.

Dabiskās valodas izpratnes izmantošanas gadījumi ietver tiešsaistes čatošanu, pamata problēmu risināšanu un informācijas vākšanu, ko pārsūtīt aģentam.

5. Prognozējošā analītika

Prognozējošā analītika (Predictive Analytics) var apkopot datus, lai sniegtu prognozes vai ieteikumus. Klientu apkalpošanā to bieži izmanto, lai analizētu klientu uzvedību un pirkumu vēsturi, lai noteiktu preferences un paredzētu turpmākās darbības. Prognozējošā analītika var arī identificēt iespējamās problēmas, lai uzņēmumi varētu tās novērst preventīvi. Mašīnmācīšanās bieži nodrošina prognozējošo analītiku.

Pielietojuma gadījumi ar mākslīgo intelektu balstītai prognozējošai analītikai klientu apkalpošanā ietver prognozējošās iesaistes (predictive engagement) un prognozējošās maršrutēšanas (predictive routing) darbināšanu; identificēt potenciālo klientu kavēšanos vai krāpšanu; optimālā laika noteikšana klientu iesaistīšanai; un cross-sell pārdošanas, up-sell pārdošanas un klientu noturēšanas kampaņām.

6. Preventīvā analītika

Preventīvā analītika (Prescriptive analytics) var sniegt konkrētus ieteikumus, pamatojoties uz prognozējošās analītikas rezultātiem. Preventīvā analītika, ko bieži nodrošina MI, sniedz ieskatu, kas ļauj organizācijām optimizēt interakcijas ar klientiem reāllaikā.

Ar MI darbināmas preventīvās analītikas izmantošanas gadījumi klientu apkalpošanā ietver ieteikumus par nākamo labāko darbību un to klientu identificēšanu, kuri, visticamāk, nodrošinās konversijas, izmantojot personalizētus piedāvājumus.

7. Sarunrīku MI

Sarunrīku MI (Conversational AI) izmanto mašīnmācīšanās un dabiskās valodas izpratnes rīku kombināciju, lai nodrošinātu interakcijas ar klientiem, izmantojot čatbotus un virtuālos palīgus. Tas var arī darbināt aģenta palīgrīkus un racionalizēt piekļuvi zināšanu bāzei (knowledge base). Sarunrīku MI instrumenti ir ideāli apmācīti liela apjoma runas un teksta datu apjomos no organizācijas iepriekšējās mijiedarbības ar klientiem. Tas var samazināt reakcijas laiku, palielināt atbildes precizitāti, nodrošināt 24/7 klientu atbalstu un atrast brīvo aģentu risināt sarežģītas interakcijas.

Sarunrīku MI (Conversational AI) pielietojuma gadījumi ietver atbildēšanu uz bieži uzdotajiem jautājumiem, palīdzību tikšanās plānošanā, personalizētu ieteikumu sniegšanu, pamatojoties uz klientu uzvedību, un iepriekšējo interakciju pārbaudi, lai novirzītu klientus uz nākamo labāko kanālu vai darbinieku. Sarunrīku MI labi darbojas daudzos kanālos; piemēram, mobilie vai web čatboti un IVR.

8. Ģeneratīvais MI

Ģeneratīvais MI (Generative AI) var izveidot dažāda veida saturu, tostarp audio, datora koda tekstu un vizuālos materiālus. Bieži apmācīts lielos valodu modeļos, ģeneratīvais MI izmanto dabiskās valodas izpratni, lai izveidotu saturu, kas tiek pieprasīts, izmantojot promptus. Tas var racionalizēt tādus uzdevumus kā kopsavilkumi pēc interakcijas un noslēguma kodi (wrap-up codes), uzlabojot darbinieku produktivitāti un apmierinātību. Tas bieži ir pamats aģentu asistēšanas risinājumiem.

Ģeneratīvā mākslīgā intelekta (generative AI) izmantošanas gadījumi CX un EX ietver satura ģenerēšanu zināšanu bibliotēkai, kopsavilkumu sastādīšanu pēc interakcijas, personalizētu e-pasta ziņojumu izveidi, sarunu robotu ģenerēšanu, atbildēšanu uz supervīzora jautājumiem un teksta tulkošanu no vienas valodas uz citu.

Lejupielādējiet Genesys rokasgrāmatu “5 ways leading brands use AI”, lai uzzinātu, kā šīs organizācijas ir uzlabojušas klientu un darbinieku pieredzi, vienlaikus samazinot izmaksas.

Avots: Genesys website.

Adventus Solutions sadarbībā ar Genesys palīdz uzņēmumiem ieviest multimediju kontaktu centra platformu un MI risinājumus. Lai iegūtu vairāk informācijas par Genesys Cloud kontaktu centra platformu, apskatiet produkta aprakstu vai sazinieties ar mums un mēs ar prieku palīdzēsim.