Lielākā daļa uzņēmumu, kas pirmo reizi izmēģina mākslīgā intelekta aģentus, uzreiz pāriet pie rīka izvēles. Tā parasti ir kļūda. Uzņēmumi, kas gūst reālu vērtību, parasti sāk ar kaut ko mazāk aizraujošu: precīzi noskaidrot, kādu problēmu tie risina, pirms kāds pieskaras platformai.
Šis ceļvedis apraksta četrus posmus, kas atšķir funkcionējošu mākslīgā intelekta aģentu no dārga eksperimenta, sākot ar lietošanas gadījuma definēšanu un beidzot ar to, kas notiek pēc palaišanas.
Lasiet tālāk, lai uzzinātu, kā katrs posms balstās uz iepriekšējo.
Pareizā lietošanas gadījuma definēšana jūsu pirmajam mākslīgā intelekta aģentam
Pareiza sākumpunkta izvēle ir svarīgāka, nekā vairums komandu domā, jo tā nosaka, vai aģents jūtas noderīgs vai arī tiek klusi pamests. Kārdinājums ir mērķēt lielus mērķus, taču mazi un konkrēti mērķi parasti darbojas labāk pirmajā izvietojumā.
Šeit ir daži apsvērumi, kas veido spēcīgu sākotnējo lietošanas gadījumu:
Uzdevumu atkārtojamība
Labs pirmais lietošanas gadījums notiek pietiekami bieži, lai dažu nedēļu, nevis mēnešu laikā ģenerētu jēgpilnus datus . Aģents, kas dienā apstrādā piecus klientu jautājumus, daudz neatklās par savām stiprajām vai vājajām pusēm. Tādas darbības kā paroles atiestatīšanas pieprasījumi vai pasūtījumu statusa pārbaudes, kas var tikt iesniegtas desmitiem reižu dienā, dod komandai pietiekamu apjomu, lai ātri novērtētu sniegumu.
Skaidri veiksmes kritēriji
Pirms jebkādu uzdevumu veidošanas komandai ir nepieciešams veids, kā pārliecināties, vai aģents strādā. Loģistikas uzņēmums varētu izsekot, cik daudz piegādes jautājumu tiek atrisināti bez cilvēka veiktas informācijas nodošanas. Šis skaitlis kļūst par pamatu, lai izlemtu, vai aģents vēlāk iegūs lielāku lomu.
Ierobežota kļūmes ietekme
Agrīnie aģenti pieļaus kļūdas, tāpēc lietošanas gadījumam vajadzētu ierobežot to, cik lielu kaitējumu var nodarīt kļūda. Aģentam, kas sagatavo iekšējo sanāksmju kopsavilkumus, ir mazāks risks nekā tam, kas automātiski izsniedz atmaksas. Sākot ar uzdevumiem ar mazāku risku, komandai ir iespēja novērst problēmas, pirms tās nonāk pie klienta.
Pareizās infrastruktūras un rīku izvēle
Lēmumi par infrastruktūru parasti tiek pieņemti sasteigti, tiklīdz lietošanas gadījums ir izstrādāts, taču tie nosaka, cik daudz darba nepieciešams pārējam projektam. Dažas komandas visu veido iekšēji, savukārt citas tehnisko pamatu veidošanā izmanto ārējos partnerus.
Šie ir daži no faktoriem, kas parasti ietekmē šo lēmumu:
Iekšējā vai pārvaldītā būvniecība
Aģenta izveide no nulles nozīmē uzņemties atbildību par katru turpmāko integrāciju, atjauninājumu un kļūdu labojumu. Pārvaldīto pakalpojumu sniedzējs bieži vien izmanto esošo infrastruktūru, kas jau ir pārbaudīta citās izvietošanās reizēs.
Tas ir īpaši svarīgi mākslīgā intelekta pārdošanas aģentiem , kuru pakalpojumu sniedzēji piedāvā iepriekš izstrādātas CRM un potenciālo klientu novirzīšanas integrācijas. Pretējā gadījumā to izstrāde iekšēji prasītu mēnešus. Komandai, kas izvērtē abus ceļus, jāņem vērā ne tikai izveides laiks, bet arī sekojošā uzturēšana.
Integrācijas sarežģītība
Dažiem aģentiem ir jāpieslēdzas vienai sistēmai, piemēram, palīdzības dienesta platformai, savukārt citi vienlaikus izveido savienojumu ar vairākiem rīkiem. Pārdošanas komandai var būt nepieciešams aģents, kurš vienlaikus strādā ar CRM, e-pasta platformu un plānošanas rīku. Vairāk integrācijas punktu parasti nozīmē vairāk vietu, kur kaut kas var sabojāties.
Pārdevēju novērtēšanas kritēriji
Ne katrs pakalpojumu sniedzējs piedāvā vienādu atbalsta līmeni, kad aģents sāk darbu. Komandai vajadzētu pajautāt, kā pārdevējs tiek galā ar dīkstāvi, kāda veida pielāgošana ir iespējama un kā cenas mainās atkarībā no lietojuma. Šīs atbildes bieži vien ir svarīgākas par sākotnējo demonstrāciju, jo tās nosaka, kā attiecības saglabāsies laika gaitā.
Aģenta izveide un testēšana pirms palaišanas
Apmācības datu kvalitāte ietekmē visu, kas notiek šajā fāzē, jo aģents darbojas tikai tik labi, cik labi tas mācās no tā. Atbalsta komanda, kas izmanto novecojušu dokumentāciju, galu galā saņems aģentu, kurš sniegs novecojušas atbildes. Avota materiāla pārskatīšana pirms apmācību sākuma pamana šo problēmu jau agrīnā stadijā, nevis pēc tam, kad klienti to ir pamanījuši.
Papildus pašiem datiem skaidru robežu noteikšana neļauj aģentam pārkāpt savas lomas robežas. Aģents bez definētām robežām varētu piedāvāt atlaidi, kuru tam nav tiesību apstiprināt, vienkārši tāpēc, ka nekas tam neliedza to darīt. Nosakot, ko aģents var izlemt pats, nevis to, kam nepieciešams cilvēka apstiprinājums, šādas situācijas tiek novērstas, pirms tās rodas.
Kad apmācība un robežas ir noteiktas, testēšana pret nekārtīgu, reālu ievadi ir svarīgāka nekā testēšana pret ideāliem gadījumiem. Mazumtirdzniecības uzņēmums, kas nodrošina klientu apkalpošanu ar aģenta starpniecību, var atklāt, ka tas labi tiek galā ar pieklājīgiem, skaidri formulētiem jautājumiem, taču tam ir grūtības ar neapmierinātiem, ar drukas kļūdām pilniem ziņojumiem. Īsa iekšējā izmēģinājuma projekta veikšana pirms pilnīgas ieviešanas parasti atklāj šīs nepilnības, kamēr tās vēl ir viegli novērst.
Uzraudzība, atkārtošana un mērogošana pēc izvietošanas
Pirmās nedēļas pēc palaišanas atklāj vairāk par aģenta reālo uzvedību nekā jebkurš pirms palaišanas tests. Loģistikas uzņēmums var atklāt, ka klienti jautā par piegādes kavējumiem tādos veidos, kādus apmācības dati nekad nav paredzējuši. Rūpīga uzraudzība šajā periodā atklāj šīs nepilnības, pirms tās ietekmē lielu skaitu mijiedarbību.
No turienes veiktspējas izsekošana, salīdzinot ar iepriekš iestatītajiem rādītājiem, pārvērš uzraudzību par kaut ko rīcības plānu. Atrisināšanas rādītāja kritums var norādīt uz konkrētu jautājumu veidu, ko aģents pastāvīgi pārprot. Šīs tendences pārskatīšana katru nedēļu, nevis gaidīšana reizi ceturksnī, atvieglo aģenta pielāgošanu, pirms rodas nelielas problēmas.
Kad veiktspēja laika gaitā ir stabila, mērogošana kļūst par saprātīgu nākamo soli, nevis minējumu. Uzņēmums varētu paplašināt atbalsta aģenta pakalpojumus, lai risinātu rēķinu jautājumus pēc vairāku mēnešu ilgas uzticamas veiktspējas piegādes jautājumos. Katrs jauns papildinājums vislabāk darbojas, ja tas atbilst iepriekšējos posmos izklāstītajam pamatam, sākot no lietošanas gadījuma definēšanas līdz tā pareizai testēšanai.
Final Domas
Mākslīgā intelekta aģenta veiksmīga ieviešana ir atkarīga no secības. Posma izlaišana vai steiga, lai nokļūtu nākamajā, parasti atklāj problēmas vēlāk, kad tās ir grūtāk novērst. Uzņēmumi, kas apzināti strādā pie katras fāzes, galu galā izmanto aģentus, kas patiešām darbojas reālos apstākļos.