支持聊天机器人与机器学习, 一个好的广告与社交网络博客匹配吗

菜单
已发布 人工智能博客 el
机器学习是处理和分析大量数据以便预测行为的过程, 特别是与销售和网络相关的使用案例. 几周前，我对亚马逊网络服务提供的一个免费在线课程产生了兴趣. 我很好奇想更多地了解一个最近大家都在讨论的概念, 特别是在谈论人工智能和数字化转型时: 机器学习. 通过课程的介绍视频，我得出了对机器学习的这个定义 :
机器学习是处理和分析大量数据以便预测行为的过程, 尤其是用于与销售和网络相关的应用案例.
事实上, esta definición coincide plenamente con una práctica de Amazon, esta vez en calidad de internet mundial de ventas de productos, que todos habremos experimentado: debajo del artículo que estamos a punto de comprar, el apartado introducido por la frase Los clientes que vieron este producto también vieron”, que brinda otros artículos de posible interés.
La frase de introducción de esta sección refleja perfectamente el procedimiento llevado a cabo: Amazon recolecta millones de comportamientos de sus usuarios en cuanto a procesos de compra, los analiza con el fin de predecir los comportamientos futuros de sus clientes, y con alta probabilidad logra incrementar las ventas en la internet. No cabe duda de que esta metodología resulta ser un arma extremadamente 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 aplica la misma estrategia para dar soporte al cliente?
En el contexto de un canal de atención al cliente, como puede ser un chatbot, es importante pararnos a pensar en el concepto 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 riesgos mayores – si se convierte la venta, bien, si no se convierte, también -, las respuestas que se dan a los usuarios por un canal de soporte oficial de la compañía pueden ser altamente sensibles: necesitan ser fiables, precisas y contextualizadas,tanto authorized como comercialmente. El chatbot no deja de ser un canal adicional para resolver dudas sobre billetes de avión, comprobar aspectos contractuales de una cuenta bancaria, descargar manuales de electrodomésticos, consultar datos de una reserva de lodge el saldo de una línea telefónica…
El conocimiento sobre la compañía proporcionado a través del chatbot no debe diferir del resto de la web ni tampoco de los otros canales de atención al cliente, sean estos canales automatizados bien gestionados por agentes humanos. Una respuesta desacertada, en especial frente a una consulta delicada, 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, 以及其他许多. 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.
此外, para cumplir con este propósito, el requisito imprescindible del machine learning es disponer de un volumen – cuánto más amplio mejor – de datos históricos para procesar y analizar, a partir de los cuales construir modelos de comportamiento predictivos. Hoy en día, algunas macro-compañías cuentan con estos volúmenes de datos, después de llevar años monitorizando sus canales de atención y procesando la información manualmente para poder racionalizarla y clasificarla.
然而, la realidad es que la mayoría de las compañías no dispone de estas trazas de actividad de sus clientes, por lo tanto no pueden beneficiarse del machine studying de forma sencilla. La alternativa que les queda es ir creando datos manualmente, como si fueran trazas recopiladas de usuarios, para entrenar” un modelo de machine learning ad-hoc. Este proceso de entrenamiento es altamente promovido por numerosos proveedores de chatbot, hasta tal punto que se ha creado la falsa creencia de que la única manera de implementar un chatbot es entrenando el sistema manualmente, durante meses, con cuantas más iteraciones mejor – siendo las iteraciones muchas maneras diferentes de expresar la misma intención.
Cultivan este mito aquellos que no cuentan con tecnología de Procesamiento del Lenguaje Pure para eludir la falta de datos previos. 此外, la creación handbook de datos para encajar con modelos de machine learning implica un esfuerzo colosal para las compañías, que se traduce tanto en una dilatación del time-to-market del proyecto como en una desilusión para con la Inteligencia Artificial.
Por el contrario, un proveedor capaz de utilizar el Lenguaje Pure permite solventar las dos problemáticas que supone el machine studying para un chatbot de atención al cliente: por un lado no requiere de volúmenes extensos de datos, por otro se basa en la ingeniería lingüística para ofrecer respuestas semánticamente relevantes, contextualizadas y altamente fiables.
Esto no significa que el machine learning sea una aproximación malvada sino más bien que no siempre es el enfoque más adecuado según qué caso de uso. Si bien para potenciar las ventas en la web con recomendaciones parece ser la metodología más indicada – y con éxito demostrable -, para algo tan smart como un chatbot de atención al cliente, 可能会出现错误和不准确的情况, 不利因素最终损害公司的形象. 投注于纯语言处理, 相反, 可以保证聊天机器人的可靠性, 因为公司的缘故, 以及有利于敏捷上市时间和企业对人工智能的信任.
面对这种局面, 理想的方法可能是结合各自的优点: 完全信赖纯语言处理作为用户支持聊天机器人的主要技术, 同时使用一些机器学习特有的功能来实现特定目标, como por ejemplo analizar las interacciones de los clientes para sugerir nuevos contenidos para la base de conocimiento, bien a partir de las estadísticas de clickthrough adaptar la interfaz para mejorar la experiencia de usuario.
Relacionado
在此输入您的评论…
输入您的数据点击图标登录:
电子邮件 (必填) (地址不会公开)
布雷 (必填)
通过电子邮件接收新条目.
Secciones
Vallebro Comunicacion
Blog del Emprendedor on y off line
%d个博主喜欢这个: