Om AI kunde tröttna på att bli omtalad, det skulle det nog bli vid det här laget. Istället blir det skohornat i nästan alla aspekter av vardagen, och folk börjar till och med förvänta sig AI-funktioner som standard i de flesta konsumentinriktade produkter och digitala tjänster.
Bland dessa tjänster finns smarta (eller intelligenta) IVR, som är traditionella interaktiva röstsvarstelefonsystem som har inkorporerat AI för att förbättra användarupplevelsen närhelst en kund ringer ett företags kundsupportlinje.
Smarta IVR-system utnyttjar främst AI för att stödja avancerad, automatisk samtalsdirigering och en lång lista med självbetjäningsalternativ. Dessutom använder smarta IVR:er naturlig språkbehandling (NLP) så att uppringare kan prata med systemet mer naturligt och få personlig hjälp. I de flesta fall är detta redan ett stort steg upp från chatbots som ger ett begränsat antal standardsvar.
Men trots fördelarna håller många företag fortfarande fast vid traditionella IVR på grund av hur mycket hårt arbete det kan ta för att implementera en mer intelligent sådan. Du måste inte bara träna din smarta IVR-modell enligt ditt företags erbjudanden, produkter och resurser, utan du måste också ställa in systemets utbildningskomponenter så att de som ringer förstår hur man navigerar och använder det.
Anledningar till varför en smart IVR är svår att starta och underhålla
En smart IVR kommer inte med perfekt beslutsfattande och exakta svar på egen hand. Istället måste du bygga, odla, konstruera och kombinera dess olika komponenter till en enda sofistikerad enhet innan den kan reagera med mänsklig intelligens.
Ändå är stegen som krävs för att designa ett system som reagerar som en person grymt hårda – och det finns många anledningar till varför en smart IVR är svår att implementera och upprätthålla.
En smart IVR måste tränas
För att din smarta IVR ska utföra intelligenta, människoliknande funktioner måste du träna AI-modellen som den är byggd på. Detta kräver ofta användning av flera datamängder för att utföra sin automatiserade alkemi av smarta beslut.
Generellt sett är utbildning av en AI-modell en relativt avancerad process, särskilt när det involverar språkmodellering och maskinöversättning – av vilka båda behövs för IVR-frågor och svar-procedurer. Att bygga ett innovativt system som en smart IVR kräver dessutom att man skaffar tillräckligt med data för att lära sin AI att bete sig på ett sätt som liknar hur en människa (som arbetar på ditt företag) skulle reagera.
1. Uppgifterna måste samlas in
Du vet aldrig vilken typ av slumpmässiga frågor en kund kommer att ställa till ditt system. För att din smarta IVR ska kunna svara på dem måste en utbildningsprocess först mata den med många ord, stycken och meningar av saker som folk sannolikt kommer att säga – särskilt i samband med ditt specifika företags produkter och tjänster.
Därför innebär träning av din modell att samla in och märka rätt träningsdata. Som det vanliga ordspråket inom datavetenskap lyder, “Skräp in, skräp ut.” Följaktligen är det nödvändigt att skaffa data av hög kvalitet om du hoppas få tillförlitliga resultat av högt värde.
Om du börjar med ett litet urval av data kan du förvänta dig att resultaten blir ganska ineffektiva eller ofullständiga. För att förbättra prestandan för ditt systems djupinlärningsalgoritm måste du drastiskt öka storleken på dina träningsdata.
Visserligen kan det vara svårt att bara hitta märkt data för AI, men när det involverar NLP måste du också kämpa med att bygga datamängder som innehåller olika språk, dialekter och ämnen. Därför kan du inte bara hämmas av otillräcklig träningsdata, utan du kan också bli fast av alla resurser och ansträngningar som krävs bara för att se till att din AI kan analysera olika indata.
I slutet av dagen kan storleken på datamängden som behövs för att träna en AI-modell att prestera över ett givet tröskelvärde vara betydande, och ju större datamängd, desto mer kostnader kan du ådra dig.
2. AI-modellen måste tränas
Eftersom kunder kommer att fråga din smarta IVR om svar, bör den redan ha korrekta svar i sin arsenal. Detta innebär att du måste kurera data först – inklusive insamling, skapande, städning, indexering, normalisering, organisering och underhåll – för att säkerställa att systemet kan behandla kundförfrågningar på ett adekvat sätt.
Dessutom måste du också kommentera data innan du tränar den, vilket innebär att du märker data med relevanta taggar så att din träningsmodell kan förstå och tolka allt. Återigen, ju större datastorleken är, desto mer arbetskrävande blir processen.
När det gäller själva processen att träna en AI-modell kan detta göras med övervakade eller oövervakade inlärningsmodeller och algoritmer. Övervakad träning använder märkta mål i sin data, medan oövervakad träning lär sig mönster och grupperar omärkta datamängder.
Lyckligtvis, när din smarta IVR har tränats via datauppsättningar, kan den fortsätta att lära sig allt eftersom fler kunder använder den. Detta kallas förstärkande lärande. Tills du har nått den här punkten kanske ditt system inte är särskilt effektivt när det gäller att använda dess AI-funktioner som förutsägande samtalshantering.
Till exempel finns det många sätt som någon kan säga, “Jag måste kontrollera mitt kontosaldo.” Oavsett hur de säger det, vad du behöver din smarta IVR för att göra är att förstå deras begäran, ställa dem autentiseringsfrågor och sedan ta dem till deras konto utan mänsklig inblandning.
3. Sammansättning av rätt tekniska team
Att förstå din data och de problem du löser med den är avgörande för att vägleda ditt system att hantera dess automatiserade uppgifter. Denna kunskap kräver både maskininlärning och expertis inom djupinlärning.
Dina ingenjörer och utvecklingsteam måste förstå hur man skapar ett naturligt språkbearbetning- och djupinlärningssystem. Detta inkluderar att utföra operationer som att finjustera hyperparametrar och tillämpa regularisering för att förhindra överanpassning.
Till exempel, om en kund säger: “Jag försökte kontrollera mitt kontosaldo och jag insåg att jag hade ett viktigare problem”, måste du att ditt system är sofistikerat nog att inte hoppa framåt och starta autentiseringsprocessen för att hantera kontosaldo förfrågningar.
Naturligtvis är arbetande proffs med sådan expertis mycket eftertraktade på dagens marknad, så du måste vara beredd att betala ett högt pris för att anlita dem.
Utmaningen att förstå sammanhang
Även om ditt mål är att lägga till en välbehövlig mänsklig touch till ditt IVR-system, kan förståelsen av sammanhanget utgöra en extra utmaning. Detta beror på att mänskligt språk är fullt av komplexitet och tvetydighet, vilket betyder att samma ord kan betyda olika saker beroende på sammanhanget.
En smart IVR:s konversations-AI förlitar sig på både naturlig språkbehandling (NLP) och naturlig språkförståelse (NLU) för att fungera. Även om NLP är mer känt, är NLU också avgörande för den naturliga kommunikationen mellan datorer och människor. I AI-modeller skär NLU NLP som en delmängd som gör det möjligt för AI-modellen att dra slutsatser från given information.
En av utmaningarna du kommer att möta när du designar ett smart IVR-system är att förstå och balansera behoven hos NLP och NLU. Medan NLP fokuserar mer på maskininlärning och tekniker för djupinlärning, ger NLU mening med naturliga meningar genom att extrahera sammanhang och mening genom semantisk och syntaktisk analys.
NLP är med andra ord primat för textanalys och språköversättning, medan NLU:s expertis ligger inom taligenkänning och sentimentanalys.
Tänk på att den globaliserade miljö som de flesta företag verkar i kommer att möta en mängd olika vardagsspråk och främmande språk. Därför, eftersom internet är en global gemenskap, måste NLU kunna hantera utmanande flerspråkiga situationer och de kodväxlingsinstanser de ger.
Utmaningen att utrota bias i AI-datauppsättningar
Bias är ett betydande problem inom AI, både i dess underliggande data och tolkning, så du måste konfrontera det om du väljer att implementera smart IVR. Förutom dina data kan partiskhet också smyga sig in i algoritmerna som används för att behandla dina data.
I praktiken kan partiskhet undergräva kundernas förtroende för din smarta IVR. Därför måste du förstå strategierna för att mildra fördomar i dina AI-distributioner, antingen genom dataurval, modellering eller andra former av kuration.
Att bekämpa partiskhet kan vara utmanande eftersom algoritmer har blivit mer komplexa och den enorma mängd data som vanligtvis krävs för att träna en modell för djupinlärning är enorm. Samtidigt är ett av de största problemen med bias att det ofta anses vara för sent i processen.
Du kan försöka bekämpa detta genom att noggrant se till att fördomar inte smyger sig in under din datainsamlingsprocess från första början. Ta till exempel bort alla dataprover som kan vara bristfälliga av underrepresentation eller överrepresentation av vissa demografiska grupper. En iögonfallande röd flagga är när dina träningsdata utlöser högre felfrekvenser för vissa grupper.
Det är också viktigt att notera att även om det är lovvärt att följa etiska processer för att minska orättvisor, kan dina AI-modeller fortfarande upptäcka fördomar oavsiktligt. Följaktligen är det viktigt att ta itu med partiskhet även om du tror att du kan ha följt rätt protokoll för att etablera ditt smarta IVR-system.
En smart IVRs framgång beror på människors förmåga att använda den
Även när du lyckas övervinna de initiala hindren för att skapa en smart IVR, är dina problem inte över. I slutändan gäller maximen som hävdar att det mänskliga elementet är den svagaste länken i en kedja också för smarta IVR.
Kunderna måste noggrant konstruera och skräddarsy sina förfrågningar
Medan AI och NLP ger en mänsklig touch till ett annars formellt system, kan det vara ett tveeggat svärd. Bara för att du har naturlig språkbehandling betyder det inte att de som ringer kan säga vad de vill och förväntar sig att de förstår dem.
Det finns flera anledningar till att din smarta IVR kanske inte förstår kunderna, till exempel följande:
- Den som ringer vet inte hur man använder en smart IVR eller hur den fungerar. Om ditt system inte är tillräckligt användarvänligt kanske det inte övervinner detta hinder.
- Den som ringer har en accent eller dialekt som systemet inte är bekant med. Även om din produkt riktar sig till lokala kunder, finns det fortfarande en chans att ditt IVR-system stöter på icke-lokala dialekthögtalare som det inte kan förstå.
- Uppringarens talmönster eller kadens är icke-standard. Människor är inte monoliter, så även om de kommer från samma geografiska område och delar liknande kulturella och språkliga influenser, kanske deras tal inte är tillräckligt enhetligt för att systemet ska reagera därefter.
- Den som ringer har ett avancerat ordförråd. Om din naturliga språkbearbetningsmodell har tränats på data med en viss tröskel, till exempel högtalare på mellannivå, kanske den inte kan hantera en mer avancerad ordförrådsnivå.
- Den som ringer förstår inte produkten tillräckligt bra för att kommunicera sitt problem. Utan en fungerande kunskap om din produkt eller tjänster kanske de inte kan tillhandahålla tillräckligt med information för att systemet ska kunna utvinna ett korrekt svar.
- Kunden talar fritt med flera avsikter. När du tillåter kunder att prata öppet kan de be om flera saker samtidigt, vilket hindrar IVR:s förmåga att ta reda på vad som är bäst att göra först.
- Frustrerade uppringare som agerar irrationellt. Om en kund interagerar med ett konversations-IVR-system utan tålamod och rättfärdighet, kanske systemet inte kan förstå deras önskemål.
Kundutbildning och utbildning
För att din smarta IVR ska fungera effektivt måste du lära dina kunder hur man använder den – speciellt om det är ett nytt system. Detta kräver extra ansträngning för att vägleda och assistera kunder vid viktiga kontaktpunkter i hela systemet, visa dem vad de kan säga och hur man kommunicerar med IVR för att få önskat resultat.
Om det behövs kan du behöva skapa träningsvideor och skriva detaljerade sidor med vanliga frågor och svar för att visa olika sätt som uppringare kan utbilda sig själva om nyanserna i ditt smarta IVR-system.
