Většina firem, které poprvé zkoušejí používat agenty s umělou inteligencí, se rovnou věnuje výběru nástroje. To je obvykle chyba. Firmy, které získají skutečnou hodnotu, obvykle začínají někde méně vzrušujícím: zjišťují, jaký problém přesně řeší, ještě než se někdo dotkne platformy.
Tato plánovací mapa prochází čtyřmi fázemi, které oddělují funkčního agenta umělé inteligence od drahého experimentu, počínaje definováním případu použití a konče tím, co se děje po spuštění.
Čtěte dále a dozvíte se, jak každá fáze navazuje na tu předchozí.
Definování správného případu použití pro vašeho prvního agenta s umělou inteligencí
Výběr správného výchozího bodu je důležitější, než většina týmů očekává, protože určuje, zda se agent bude cítit užitečný, nebo bude tiše opuštěn. Existuje pokušení cílit ve velkém, ale malé a specifické cíle obvykle fungují lépe pro první nasazení.
Zde je několik faktorů, které formují silný počáteční případ použití:
Opakovatelnost úkolu
Dobrý první případ použití se odehrává dostatečně často na to, aby vygeneroval smysluplná data během týdnů, nikoli měsíců. Agent, který zpracovává pět zákaznických otázek denně, o svých silných nebo slabých stránkách mnoho neprozradí. Něco jako žádosti o resetování hesla nebo kontroly stavu objednávky, které mohou přicházet desítkykrát denně, dává týmu dostatek prostoru k rychlému vyhodnocení výkonu.
Jasná kritéria úspěchu
Než tým cokoli vytvoří, potřebuje způsob, jak zjistit, zda agent pracuje. Logistická společnost může sledovat, kolik otázek týkajících se přepravy je vyřešeno bez lidského předání. Toto číslo se stává základem pro rozhodování, zda si agent později zaslouží větší roli.
Dopad omezeného selhání
Agenti, kteří se zapojí do práce v rané fázi, budou dělat chyby, takže případ užití by měl omezit, kolik škod může chyba způsobit. Agent, který vypracovává shrnutí interních schůzek, nese menší riziko než ten, který automaticky vrací peníze. Začátek s úkoly s nižšími sázkami dává týmu prostor k řešení problémů dříve, než se dostanou k zákazníkovi.
Výběr správné infrastruktury a nástrojů
Rozhodnutí o infrastruktuře bývají uspěchaná, jakmile je případ užití definován, ale ovlivňují, kolik práce zabere zbytek projektu. Některé týmy si vše budují interně, zatímco jiné se spoléhají na externí partnery pro technické zázemí.
Následují některé faktory, které toto rozhodnutí obvykle ovlivňují:
Vlastní versus řízená výstavba
Vytvoření agenta od nuly znamená, že budete od začátku zodpovědní za každou integraci, aktualizaci a opravu chyb. Poskytovatel spravovaných služeb často přináší stávající infrastrukturu, která již byla testována v jiných nasazeních.
To je obzvláště důležité pro obchodní zástupce s umělou inteligencí , kde poskytovatelé nabízejí předpřipravené integrace CRM a směrování leadů. Jejich vývoj by jinak interně trval měsíce. Tým zvažující obě cesty by měl zohlednit nejen dobu výstavby, ale i následnou údržbu.
Složitost integrace
Někteří agenti se potřebují připojit k jednomu systému, například k platformě helpdesku, zatímco jiní se připojují k několika nástrojům najednou. Obchodní tým může potřebovat agenta, který má současně přístup k CRM, e-mailové platformě a nástroji pro plánování. Více integračních bodů obvykle znamená více míst, kde se může něco pokazit.
Kritéria hodnocení dodavatelů
Ne každý poskytovatel nabízí stejnou úroveň podpory po spuštění agenta. Tým by se měl zeptat, jak dodavatel zvládá výpadky, jaké druhy přizpůsobení jsou možné a jak se ceny škálují v závislosti na využití. Tyto odpovědi často znamenají více než počáteční demo, protože určují, jak si vztah v průběhu času povede.
Vytvoření a testování agenta před spuštěním
Kvalita tréninkových dat formuje vše, co v této fázi následuje, protože agent funguje pouze tak dobře, jak se učí. Tým podpory, který pracuje se zastaralou dokumentací, skončí s agentem, který poskytuje zastaralé odpovědi. Prozkoumání zdrojového materiálu před zahájením školení to odhalí brzy, a ne až poté, co si toho zákazníci všimnou.
Kromě samotných dat brání stanovení jasných hranic agentovi v překročení jeho role. Agent bez definovaných limitů by mohl nabídnout slevu, kterou nemá pravomoc schválit, jednoduše proto, že mu nic neříkalo, aby ji neschválil. Definování toho, co může agent rozhodnout sám, oproti tomu, co vyžaduje lidské schválení, těmto situacím předchází dříve, než k nim dojde.
Jakmile je školení a stanoveny hranice, testování s využitím chaotických vstupů z reálného světa je důležitější než testování s využitím ideálních případů. Maloobchodní společnost provozující zákaznický servis prostřednictvím agenta může zjistit, že dobře zvládá zdvořilé a jasně formulované otázky, ale potýká se s frustrujícími zprávami plnými překlepů. Spuštění krátkého interního pilotního projektu před plným spuštěním má tendenci tyto nedostatky odhalit, dokud je stále snadné je opravit.
Monitorování, iterace a škálování po nasazení
Prvních několik týdnů po spuštění odhalí o chování agenta v reálném světě více než jakýkoli předběžný test. Logistická společnost může zjistit, že se zákazníci ptají na zpoždění dodávek způsoby, které tréninková data nikdy nepředpokládala. Pečlivé sledování během tohoto období zachytí tyto mezery dříve, než ovlivní velký počet interakcí.
Sledování výkonu oproti dříve nastaveným metrikám pak mění monitorování v něco, co lze využít k akci. Pokles míry vyřešení problémů může poukazovat na konkrétní typ otázky, kterou agent stále špatně chápe. Kontrola tohoto vzorce každý týden, namísto čekání na čtvrtletní kontrolu, usnadňuje úpravy agenta dříve, než se drobné problémy nahromadí.
Jakmile se výkon v průběhu času udrží stabilní, stává se škálování spíše rozumným dalším krokem než jen odhadem. Firma může po měsících spolehlivého výkonu v oblasti dotazů týkajících se dopravy rozšířit počet agentů podpory, aby se zabývali fakturačními otázkami. Každý nový agent funguje nejlépe, když se řídí stejnými základy stanovenými v dřívějších fázích, od definování případu užití až po jeho řádné testování.
Závěrečné myšlenky
Úspěšné nasazení agenta s umělou inteligencí závisí na posloupnosti. Přeskočení jedné fáze nebo spěchání z jedné do další má tendenci později odhalovat problémy, které je obtížnější opravit. Firmy, které záměrně projdou každou fází, nakonec vytvoří agenty, kteří skutečně obstojí v reálných podmínkách.