Chatbot di Supporto e Apprendimento Automatico, Un buon blog di marketing e social media

Menu
Publicado blog di intelligenza artificiale el
El machine learning consiste en procesar y analizar un volumen inmenso de datos con fin de hacer predicciones de comportamientos, especialmente para casos de uso relacionados con ventas y web. Hace unas semanas me interesé por un curso online impartido por Amazon Net Services de forma gratuito. Tenía curiosidad por saber más acerca de un concepto que está en boca de todos últimamente, en special a la hora de hablar de Inteligencia Artificial de transformación digital: el machine studying. A partir del vídeo de introducción del corso he podido arrivare a esta definición del machine learning :
El machine learning consiste en procesar y analizar un volumen inmenso de datos con fin de hacer predicciones de comportamientos, soprattutto per i casi d'uso relativi alle vendite e al netto.
Infatti, questa definizione corrisponde pienamente a una pratica di Amazon, questa volta in qualità di rete mondiale di vendita di prodotti, che tutti abbiamo sperimentato: sotto l'articolo che stiamo per acquistare, la sezione introdotta dalla frase 'I clienti che hanno visto questo prodotto hanno visto anche', che offre altri articoli di possibile interesse.
La frase introduttiva di questa sezione riflette perfettamente la procedura eseguita: Amazon raccoglie milioni di comportamenti dei suoi utenti in relazione ai processi di acquisto, li analizza al fine di prevedere i comportamenti futuri dei suoi clienti, e con alta probabilità riesce ad aumentare le vendite su internet. No cabe duda de que esta metodología resulta un arma estremamente potente a la hora de hacer marketing dirigido, previsiones de demanda por supuesto convertir las visitas a la internet en ventas. ¿Pero qué pasa si se applica la misma estrategia para dar support al cliente?
En el contexto de un canal de atención al cliente, como puede ser un chatbot, es importante pararnos a pensare en el concept de predicciones, que resulta poco compatible con la exactitud la precisión que requiere el mundo del soporte. Si bien una predicción de venta recomendada no conlleva rischi mayores – si se convierte la venta, bien, si no se convierte, también -, le risposte che vengono fornite agli utenti tramite un canale di supporto ufficiale dell'azienda possono essere altamente sensibili: devono essere affidabili, precise e contestualizzate,sia autorizzate che commercialmente. Il chatbot non è altro che un canale aggiuntivo per risolvere dubbi sui biglietti aerei, verificare aspetti contrattuali di un conto bancario, scaricare manuali di elettrodomestici, consultare i dati di una prenotazione in lodge o il saldo di una linea telefonica…
La conoscenza sull'azienda fornita tramite il chatbot non deve differire dal resto del sito web né dagli altri canali di assistenza clienti, che siano questi canali automatizzati o gestiti da operatori umani. Una risposta inappropriata, in particolare di fronte a una richiesta delicata, podría tener consecuencias nefastas. Imaginemos un chatbot de atención al asegurado, en la net de una compañía de seguros, que a una consulta sobre mama pecho deriva al usuario a respuestas sobre cirugía plástica, por ser más habituales según el machine studying, en vez de ofrecer una más respuestas sobre patologías, ginecología, e molti altri. La imagen de este aseguradora resultaría dañada debido a la poca fiabilidad del chatbot, más exactamente debido al uso erróneo de una metodología predictiva, como es el machine studying, con un propósito de atención al usuario.
Inoltre, para cumplir con este propósito, el requisito imprescindible del machine learning es disposer de un volumen – cuánto más amplio mejor – de datos históricos para procesar y analizar, a partire dai quali costruire modelli di comportamento predittivi. Oggigiorno, alcune macro-aziende dispongono di questi volumi di dati, dopo aver trascorso anni a monitorare i loro canali di assistenza e a elaborare le informazioni manualmente per poterle razionalizzare e classificare.
Sin embargo, la realtà è che la maggior parte delle aziende non dispone di queste tracce di attività dei propri clienti, pertanto non possono beneficiare del machine learning in modo semplice. L'alternativa che resta loro è creare dati manualmente, come se fossero tracce raccolte dagli utenti, per addestrare un modello di machine learning ad hoc. Questo processo di addestramento è fortemente promosso da numerosi fornitori di chatbot, fino al punto che si è creata la falsa credenza che l'unico modo per implementare un chatbot sia addestrare manualmente il sistema, per mesi, tante più iterazioni ci sono, meglio è – le iterazioni sono molti modi diversi di esprimere la stessa intenzione.
Coltivano questo mito coloro che non dispongono della tecnologia di Elaborazione del Linguaggio Puro per eludere la mancanza di dati precedenti. Inoltre, la creazione di un handbook di dati per adattarsi ai modelli di machine learning comporta uno sforzo colossale per le aziende, che si traduce sia in un allungamento del time-to-market del progetto sia in una delusione nei confronti dell'Intelligenza Artificiale.
Al contrario, un fornitore capace di utilizzare il Linguaggio Pure permette di risolvere i due problemi che comporta il machine learning per un chatbot di assistenza clienti: da un lato non richiede volumi estesi di dati, dall'altro si basa sull'ingegneria linguistica per offrire risposte semanticamente rilevanti, contestualizzate e altamente affidabili.
Questo non significa che il machine learning sia un approccio malvagio, ma piuttosto che non è sempre l'approccio più adatto a seconda del caso d'uso. Sebbene per potenziare le vendite sul web con raccomandazioni sembri essere la metodologia più indicata – e con successo dimostrabile -, per qualcosa di così smart come un chatbot di assistenza clienti, è probabile che peccchi di errore e di mancanza di precisione, svantaggi che finiscono per danneggiare l'immagine delle aziende. Scommettere sull'elaborazione del Linguaggio Pure, invece, permette di garantire l'affidabilità del chatbot, della compagnia, così come favorire un time-to-market agile e la fiducia delle aziende nell'Intelligenza Artificiale.
Di fronte a questo panorama, l'approccio ideale potrebbe consistere nel combinare il meglio di entrambi i mondi: fidarsi pienamente del Linguaggio Pure come tecnologia principale del chatbot di supporto all'utente, e allo stesso tempo ricorrere ad alcune funzionalità proprie del machine learning per raggiungere determinati scopi, come ad esempio analizzare le interazioni dei clienti per suggerire nuovi contenuti per la base di conoscenza, bene a partire dalle statistiche di clickthrough adattare l'interfaccia per migliorare l'esperienza utente.
Correlato
Inserisci qui il tuo commento…
Inserisci i tuoi dati fai clic su un'icona per accedere:
Email (necessario) (L'indirizzo non sarà reso pubblico)
Nome (necessario)
Ricevi nuovi articoli via e-mail.
Sezioni
Vallebro Comunicazione
Blog dell'Imprenditore on e off line
Questo piace a %d blogger: