SentiSquare | Newsroom | AI neporáží člověka v úspěšnosti, ale v rychlosti a spolehlivosti.

AI neporáží člověka v úspěšnosti, ale v rychlosti a spolehlivosti._

Published on 22|10|2020 by David Radosta

I když má umělá inteligence (AI) k šíři schopností lidského mozku daleko, “Business AI” je úspěšná v řešení úzce definovaných úkolů. AI guru Kai-Fu Lee, někdejší ředitel Google China, to ve své knize AI Superpowers ilustruje na příkladech od pojistných podvodů po identifikaci rakoviny na rentgenech. Čím dál zajímavější je téma porozumění lidské řeči, například při třídění a analýze zpráv od zákazníků — v žargonu pro to máme termín 'klasifikace textu'.

AI tedy poskytuje vhled do firemních dat, a může dokonce spoustu úkolů automatizovat — i ty kognitivně náročnější. Velká část automatizačního potenciálu spočívá právě v klasifikaci textu, ale jednou z překážek je otázka úspěšnosti; AI dělá chyby.

“Už z principu AI nemůže při klasifikaci textu přesáhnout lidskou úroveň úspěšnosti - sama se totiž učí na datech vytvořených lidmi,” říká Tomáš Brychcín, NLP vědec a CEO společnosti SentiSquare. “I tak získáváme solidní výsledky při kognitivní automatizaci v reálném světě. To proto, že Al pracuje úplně jinak než lidé.”

Mýtus 100% úspěšnosti

Znamená to, že lidský mozek je nadřazen umělé inteligenci? Ne tak docela — porovnávat úspěšnost člověka a Al může být zavádějící. Má být naším cílem 100% úspěšnost? Představte si případ klasifikace e-mailů v kontaktním centru. Úkolem je třídit příchozí e-maily od zákazníků do specializovaných kategorií. 100% úspěšný operátor by musel znát definice kategorií a vnitřní fungování společnosti skrz naskrz. I tak je ale u některých emailů je sporné, kam vůbec patří. Když stejnou úlohu nezávisle na sobě udělá více zaměstnanců, na 100 % se neshodnou nikdy. Obvykle nastanou neshody ve více než 15% případů. Spoustu firem takový výsledek překvapí!

Meta 100 % je tedy fakticky nedosažitelná. Navíc, chybovat je lidské — i ten nejlepší operátor z masa a kostí dosahuje úspěšnosti maximálně 95 %. A někoho takového najít je nadlidský úkol. To platí zejména při dnešní vysoké fluktuaci zaměstnanců v kontaktních centrech, kterou všichni dobře známe.

Ale jak stanovit cíl pro úspěšnost, když je tak problematická? Musíme zvážit obtížnost úkolu. Kolik kategorií tam je? Překrývají se? Když je například systém kategorizace složitý, tak průměrná úspěšnost 70 % je pro tým operátorů solidní výsledek. To je docela daleko od původní hodnoty 100 %, kterou by požadoval perfekcionista.

Klasifikační dilema

Které rutinní úkoly mohou společnosti automatizovat? Třeba rozřazování tiketů či e-mailů od zákazníků. E-maily musí být správně označeny a odeslány příslušným specialistům. Podobně i operátoři v call centru kategorizují hovory poté, co zákazník zavěsí, takže všichni vědí, co se děje v daném čase a jaké jsou trendy.

Zásadní otázkou je, jak složitá by měla být klasifikační úloha. Při nízkém počtu kategorií je klasifikace snadná a vysoká úspěšnost dosažitelná — například když příchozí e-maily nebo hovory třídíme do otázek, požadavků nebo stížností. To je rychlý a nenáročný proces. Taková jednoduchost však málokdy odráží provozní potřeby velké firmy; většinou je potřeba specializovanější systém.

Hodně pomáhá, když je každý příchozí dotaz přiřazen ke konkrétnímu scénáři řešení, než k široké, obecné kategorii. Například v energetické firmě je důležité rozlišovat úspěšně vymezené případy, třeba jestli se nový zákazník, přistěhoval do bytu s existující smlouvou, nebo přechází od jiného dodavatele. Vědět od začátku, který scénář použít pro příchozí dotaz, umožňuje rychlé rozlišení — a vytváří potenciál pro další krok: automatizaci řešení požadavku.

Proto se většina firem rozhodne pro podrobnější a úzce definované kategorie. Pak je ale stále obtížnější udržet klasifikaci rychlou a úspěšnou. Ideální by bylo řešení s tím nejlepším z obou světů — koherentní procesy umožňující podrobný real-time monitoring na jedné straně a rychlost a efektivitu klasifikace na straně druhé.

Čím podrobnější kategorie, tím větším problémům čelí operátoři. S rostoucí složitostí začnou dělat další chyby. Horší je, že někteří dávají všechno do pár jejich oblíbených kategorií. A nejhůře si vedou v pátek odpoledne — jinými slovy, výkon kolísá. Není divu: manuální klasifikace textu je opakující se a nevděčný úkol. Různí lidé se s ním vyrovnávají různými způsoby a dělají různé chyby.

Problémy, jimž čelí jednotliví operátoři, znamenají, že dosažení hladkého toku expedice a kategorizace je pro kontaktní centra výzvou. Lidé chybují mnoha různými způsoby. Provoz stojí hodně: kvalifikované pracovní síly jsou drahé a operátoři musí být řádně vyškoleni. Dle zkušeností z kontaktních center trvá operátorovi zařazení jednoho emailu v průměru až tři minuty. Pokud se ještě prodlouží čas řešení, roste počet nevyřízených emailů. A ještě hůře, nesprávně odeslané dotazy se vrátí zpět do nevyřízených a zaberou další čas specialistů, kteří by se jinak starali o zákazníky.

Kde AI člověka překonává

Úspěšnost zůstává důležitou metrikou, ale hlavní důvody proč nasadit AI jsou jinde.

  1. 1. RYCHLOST: Tady je největší rozdíl. — AI zařadí email ve zlomku vteřiny; oproti tomu člověk potřebuje průměrně až tři minuty.

  2. 2. ÚSPORNOST je také výhodou. Při desítkách tisíc interakcí měsíčně přinese automatizace pomocí AI snížení nákladů na pracovní síly.

  3. 3. SPOLEHLIVOST: AI se chová stabilně a konzistentně. Nepotřebuje přestávky na kafe, nemá špatné dny a používá při rozhodování vždy stejnou logiku.

  4. 4. FLEXIBILITA: AI zvládá změny lépe než lidi. Když k nim dojde, oba potřebují “přetrénovat” — ale člověk si musí nějakou dobu zvykat. AI začne fungovat podle nových pravidel hned, jak se je dozví.

"Ale mějte na paměti, že i z hlediska úspěšnosti AI je nyní na téměř lidské úrovni," upozorňuje Brychcín. "Tyto výhody dohromady činí kognitivní automatizaci prostřednictvím AI klíčovým zdrojem konkurenční výhody.”

AI může pomoci urychlit a zefektivnit odesílání zákaznických e-mailů mnoha způsoby — a to není vše. Aby zákaznický servis udržel krok s rostoucím vytížením, bude muset automatizovat více procesů. Firmy s tím začaly teprve nedávno. Jedním ze slibných příkladů je hodnocení kvality zpráv, které agenti posílají zákazníkům. Byl operátor empatický? A co gramatika? AI už tam je, aby odpovídala. Pokud jde o optimalizaci zákaznického servisu, limitem je pouze představivost manažerů kontaktního centra.

Další příklad hodný pozornosti je automatizace analýzy nestrukturovaného textu, a nacházení skrytých souvislostí v hromadě firemních dat.

"Jakmile jsou váš projekt a kategorie správně připraveny, implementace sama o sobě je rychlejší a levnější, než si myslíte," říká Brychcín. "Funkční pilot může běžet do dvou týdnů od předání trénovacích dat.”

SentiSquare_

SentiSquare je technologická firma, která se zabývá analýzou textů vygenerovaných zákazníky. Jako jedna z mála firem využívá umělou inteligenci založenou na principech distribuční sémantiky, což zajišťuje mnohé konkurenční výhody, jako třeba jazykovou nezávislost. Firma byla založena v roce 2014 jako spin-off týmu výzkumníků Fakulty aplikovaných věd Západočeské univerzity v Plzni. V současnosti dodává svou technologii do kontaktních center velkých společností, například do T‍-‍Mobile, E.ON nebo Albert.

Kontakt pro média:
Lucie Kolářová
kolarova@sentisquare.com
+420 603 400 124