'Neredeyse' yeterince iyi midir?
Bunun, kara kara düşünen Tom Hardy veya Cillian Murphy'nin Facebook'ta paylaştığı bir fotoğrafta görebileceğiniz türden sahte felsefi bir başlık gibi geldiğini biliyorum, ancak müşteri hizmetleri ve deneyimi söz konusu olduğunda, bu meşru bir tartışma konusudur.
Ve bu tartışma, üretken yapay zekanın kullanıma sunulmasıyla daha da yoğunlaştı.
Teknoloji, daha hızlı yanıtlar, daha düşük maliyetler ve 7/24 hizmet vaadiyle müşteri destek ortamını devraldıkça, birçok CX iş lideri bunun sihirli bir çözüm olmadığını keşfediyor.
Ama bu gerekli mi?
Bu ikilemi tartışırken Gintautas Miliauskas, Mavenoid'in CEO'su ve kurucu ortağıbelirtilmiş:
Üretken yapay zeka konusunda %80-90'lık bir doğruluk oranınız varsa, şirketler insan desteğine yönelik yükseltme kanallarına sahip oldukları sürece bunda sorun yoktur.
Ancak aynı standart insan aracılara uygulandığında hata payı birdenbire riskli gelmeye başlıyor.
Bu ayrım, CX liderlerinin yapay zeka odaklı desteği devreye almadan önce doğruluk ve ölçeklenebilirlik arasındaki dengeyi neden dikkatle değerlendirmesi gerektiğinin altını çiziyor.
Gintautas, “Şirketler üretken yapay zeka üzerinde denemeler yapıyor” diyor ve ekliyor: “Fakat gerçek şu ki, üretimde doğruluk her zaman mevcut olmuyor.”
Üretken yapay zeka neden tek başına sıklıkla yetersiz kalıyor?
Üretken yapay zekanın çekiciliğinin bir kısmı esnekliğidir. Açık uçlu soruları işleyebilir ve doğal ve sezgisel hissettiren konuşma akışlarına katılabilir.
Ancak Gintautas'ın belirttiği gibi, özellikle uç durumlarda veya çok adımlı problem çözmede doğruluğun her zaman mevcut olmadığı giderek daha açık hale geliyor.
Bu olasılıksal doğa, marka riski yaratabilir. Halüsinasyonlar veya kontrolsüz çıktılar güvenliğin kritik olduğu endüstrilerde özellikle tehlikelidir; kaynak kontrolünün olmaması ise uyumluluğu zorlaştırır.
Gintautas, “Bir şirketin veya markanın her seferinde ne söyleyeceğini %100 bilmesini gerektiren çok az durum vardır” diye açıklıyor.
Başka bir deyişle, birçok kuruluş için yanlış bir tepkinin sonuçları, yalnızca üretken yapay zekaya güvenilemeyecek kadar büyüktür.
Diğer pratik sınırlamalar arasında kullanıcı hayal kırıklığı ve çıkmaz iş akışları yer alır.
Müşteriler hızlı mühendisler değildir. “İşe yaramıyor” gibi sorgular yalnızca üretken akışları bozabilir; arıtıcılara yönelik tolerans ise düşüktür.
Üretken yapay zeka bunu açıklayabilir ancak eylemler veya yönlendirilmiş iş akışları olmadan müşteriler çıkmazda kalacaktır.
Neden deterministik (bileşik) yapay zekanın da sınırları var?
Spektrumun diğer ucunda deterministik veya bileşik yapay zeka yer alıyor.
Bu yaklaşım kontrollü, önceden tanımlanmış yanıtları ve iş akışlarını vurgular. Güvenlik açısından kritik talimatlar, adım adım sorun giderme veya mevzuat uyumluluğu gibi yüksek riskli, tekrarlanabilir etkileşimler için idealdir.
Ancak deterministik yapay zeka ölçeklenebilirlik konusunda zorluk yaşıyor.
Gintautas, “Her yeni sayı içerik oluşturma ve sürekli bakım gerektirir” diye belirtiyor.
Katı deneyimler ve sınırlı kapsam nedeniyle, kompozit sistemler çoğu zaman çok konulu veya çok konulu sorguları tahmin edemez.
Ayrıca içeriği güncel tutmak için destek ekiplerinin sürekli yatırım yapması gerekiyor.
Takas: doğruluk ve ölçeklenebilirlik
CX liderleri için seçim tarihsel olarak ikili görünüyordu: deterministik veya olasılıksal. Ancak Gintutas bunun yanlış bir seçim olduğunu iddia ediyor:
Pek çok kişi, üretken yapay zeka ile konuşmaya dayalı yapay zekayı karıştırma tuzağına düşüyor. Soruları gerçekten çözen araç yerine, en konuşkan aracı arıyorlar
Gerçek şu ki, özellikle fiziksel ürünler ve karmaşık iş ortamları söz konusu olduğunda, her iki yaklaşım da tek başına modern müşterinin beklentilerini karşılayamaz.
Örneğin, çok adımlı problem çözmede diyagramlar veya resimler gibi görsel yardımların yanı sıra güvenlik açısından kritik adımlar için deterministik yollar kullanılır.
Gintautas, “Mavenoid ile kullanıcının sorununu çözmek için neye ihtiyaç duyduğuna odaklanıyoruz” diye açıklıyor.
“Teknoloji, üretken yapay zekaya yeterince iyi bir deneyim sunmak için mevcut değildi. Ancak artık ikisini birleştirmeye yönelik yeni bir yeteneğe sahibiz.”
Hibrit yaklaşımlar Gintautas, deterministik kesinliği üretken esneklikle birleştirmeyi ifade eder.
Yüzlerce veya binlerce ürünü yöneten markalar için bu kombinasyon, en önemli noktalarda yüksek güvenilirliğe sahip yanıtlar sağlarken, üretken yapay zeka da uzun veya daha az kritik soruları ele alır.
Gintautas'a göre Mavenoid'in hibrit çalışma yöntemi şöyle: “Her yeni ürünün bir kullanım kılavuzu var.
“Bu kılavuzu üretken yapay zekadan yükleyebilir ve bilinen sorulara anında yanıt verebilirsiniz.
Ancak görüntü deneyimini yönetirseniz veya adım sırasını optimize ederseniz bu soruları gerçekten çözeceksiniz
Sonuç, doğruluktan veya müşteri güveninden ödün vermeden ölçeklenebilen bir sistemdir.
Aynı zamanda analitik kullanımı yoluyla sürekli iyileştirmeyi sağlayan bir sistemdir.
Üretken veya kompozit kör bırakabilmenize rağmen Gintautas mümkün olduğu kadar çok geri bildirim almayı savunuyor. “İlerletme oranları, çözüm oranları, ortalama işlem süreleri üzerindeki etki, hatta bilet kuyruklarınız” diyor.
Bunun gibi içgörüler, CX liderlerini karanlıkta bırakmak yerine hibrit modelin kendini adapte etmesini ve geliştirmesini sağlar.
Yapay zekayı düşünen müşteri deneyimi liderleri için tavsiyeler
Gintautas, yapay zekayı araştıran şirketler için netlikle başlamayı vurguluyor:
“İşletmenizdeki temel iletişim faktörlerine ve bu soruları çözmek için neler gerektiğine bakın. Çözüm sağlayan araçları (metin, görseller, eylemler) düşünün.”
En konuşkan yapay zekanın peşinde koşmak yerine sorun odaklı bir yaklaşımı savunuyor.
Gintautas'ın görüşleri, doğruluk, güvenlik ve ölçeklenebilirliğin birbirini dışlamak zorunda olmadığını açıkça gösteriyor.
Deterministik yapay zeka, işletmelerin ihtiyaç duyduğu güven ve kontrolü sağlarken, üretken yapay zeka, modern desteğin talep ettiği ölçek ve esnekliği sağlar.
Gintautas'ın sözlerini şöyle tamamlıyor: “Sihirli değnek yapay zekası çağı – sadece bir düğmeye bastığınızda her şeyi yapar – artık sona erdi. Karışım her zamankinden daha önemli.”
Bu karışımdan yararlanmak isteyen CX liderleri için deterministik ve olasılıksal yapay zeka arasındaki dengeyi anlamak çok önemlidir.
Doğru dengeyi bulan liderler, beklentilerin ve sonuçların her zamankinden daha yüksek olduğu bir çağda güvenilir, ölçeklenebilir ve güvenilir destek sağlayabilecek.
Mavenoid ve onun CX'e yönelik multimodal yaklaşımı hakkında daha fazla bilgiyi şu adresten edinebilirsiniz: bu makaleyi görüntüle.
Ayrıca şirketin tüm çözüm ve hizmet paketini şu adreste keşfedebilirsiniz: bugün web sitesini ziyaret edin.
Bir yanıt yazın