Večina podjetij, ki prvič preizkušajo agente umetne inteligence, se takoj loti izbire orodja. To je običajno napaka. Podjetja, ki dobijo resnično vrednost, običajno začnejo nekje manj vznemirljivo: ugotovijo, kateri problem rešujejo, še preden se kdo dotakne platforme.
Ta načrt prikazuje štiri faze, ki ločujejo delujočega agenta umetne inteligence od dragega eksperimenta, začenši z opredelitvijo primera uporabe in končajoč s tem, kaj se zgodi po lansiranju.
Berite dalje in si oglejte, kako se vsaka faza nadgrajuje nad prejšnjo.
Določanje pravega primera uporabe za vašega prvega agenta umetne inteligence
Izbira pravega izhodišča je pomembnejša, kot večina ekip pričakuje, saj določa, ali se bo agent počutil koristnega ali pa bo tiho zapuščen. Obstaja skušnjava, da bi ciljali na velike cilje, vendar so majhni in specifični cilji običajno boljši za prvo uvajanje.
Tukaj je nekaj dejavnikov, ki oblikujejo močan začetni primer uporabe:
Ponovljivost naloge
Dober prvi primer uporabe se zgodi dovolj pogosto, da v nekaj tednih, ne mesecih, ustvari smiselne podatke . Agent, ki obravnava pet vprašanj strank na dan, ne bo razkril veliko o svojih prednostih ali slabostih. Nekaj, kot so zahteve za ponastavitev gesla ali preverjanje stanja naročila, ki lahko pride več desetkrat na dan, daje ekipi dovolj prostora za hitro oceno uspešnosti.
Jasna merila uspeha
Preden ekipa karkoli zgradi, potrebuje način, da ugotovi, ali agent deluje. Logistično podjetje lahko spremlja, koliko vprašanj o pošiljanju je rešenih brez človeškega posredovanja. To število postane izhodišče za odločitev, ali si agent kasneje prisluži večjo vlogo.
Vpliv omejene napake
Zgodnji agenti bodo delali napake, zato bi moral primer uporabe omejiti, koliko škode lahko povzroči napaka. Agent, ki pripravlja povzetke internih sestankov, nosi manjše tveganje kot tisti, ki samodejno izdaja vračila. Začetek z nalogami z nižjim tveganjem daje ekipi prostor za odpravljanje težav, preden te dosežejo stranko.
Izbira prave infrastrukture in orodij
Odločitve o infrastrukturi se običajno sprejemajo prenagljeno, ko je primer uporabe določen, vendar vplivajo na to, koliko dela bo potreboval preostali del projekta. Nekatere ekipe vse gradijo interno, druge pa se za tehnično delo zanašajo na zunanje partnerje.
Pri tej odločitvi običajno vodijo naslednji dejavniki:
Lastna gradnja v primerjavi z upravljano gradnjo
Gradnja agenta iz nič pomeni prevzem odgovornosti za vsako integracijo, posodobitev in popravek napak v prihodnje. Ponudnik upravljanih storitev pogosto prinese obstoječo infrastrukturo, ki je bila že preizkušena v drugih uvedbah.
To je še posebej pomembno za prodajne agente z umetno inteligenco , kjer ponudniki ponujajo vnaprej vgrajene integracije CRM in usmerjanja potencialnih strank. Njihov razvoj bi sicer trajal več mesecev. Ekipa, ki tehta obe poti, bi morala upoštevati ne le čas izdelave, temveč tudi vzdrževanje, ki sledi.
Kompleksnost integracije
Nekateri agenti se morajo povezati z enim samim sistemom, kot je platforma za pomoč uporabnikom, medtem ko se drugi povežejo z več orodji hkrati. Prodajna ekipa lahko potrebuje agenta, ki hkrati uporablja CRM, platformo za e-pošto in orodje za razporejanje. Več integracijskih točk običajno pomeni več mest, kjer se lahko kaj pokvari.
Merila za ocenjevanje prodajalcev
Ko agent enkrat zažene delovanje, ne ponuja vsak ponudnik enake ravni podpore. Ekipa bi se morala vprašati, kako prodajalec ravna z izpadi, kakšne vrste prilagoditev so možne in kako se cene prilagajajo uporabi. Ti odgovori so pogosto pomembnejši od začetne predstavitve, saj določajo, kako se bo odnos obnesel skozi čas.
Izdelava in testiranje agenta pred zagonom
Kakovost podatkov za usposabljanje oblikuje vse, kar sledi v tej fazi, saj agent deluje le toliko dobro, kolikor dobro se uči. Podporna ekipa, ki črpa iz zastarele dokumentacije, bo na koncu dobila agenta, ki daje zastarele odgovore. Pregled izvornega gradiva pred začetkom usposabljanja to odkrije zgodaj in ne šele po tem, ko stranke to opazijo.
Poleg samih podatkov postavljanje jasnih meja preprečuje agentu, da bi prekoračil svojo vlogo. Agent brez določenih omejitev lahko ponudi popust, ki ga nima pooblastil za odobritev, preprosto zato, ker mu nič ne prepoveduje. Določitev, kaj lahko agent sam odloči, v primerjavi s tem, kaj potrebuje človeško odobritev, preprečuje te situacije, preden se zgodijo.
Ko sta usposabljanje in meje postavljeni, je testiranje na podlagi neurejenih, resničnih vnosov pomembnejše od testiranja na podlagi idealnih primerov. Trgovsko podjetje, ki upravlja storitve za stranke prek agenta, lahko ugotovi, da dobro obravnava vljudna, jasno formulirana vprašanja, vendar se spopada z frustrirajočimi sporočili, polnimi tipkarskih napak. Izvedba kratkega internega pilotnega projekta pred popolno uvedbo običajno odkrije te vrzeli, medtem ko jih je še enostavno odpraviti.
Spremljanje, iteriranje in skaliranje po uvedbi
Prvih nekaj tednov po lansiranju razkrije več o vedenju agenta v resničnem svetu kot kateri koli test pred lansiranjem. Logistično podjetje lahko odkrije, da stranke sprašujejo o zamudah pri dostavi na načine, ki jih podatki o usposabljanju niso predvideli. Skrbno spremljanje v tem obdobju zajame te vrzeli, preden vplivajo na veliko število interakcij.
Sledenje uspešnosti glede na prej določene metrike spremeni spremljanje v nekaj uporabnega. Padec stopnje reševanja lahko kaže na določeno vrsto vprašanja, ki ga agent vedno znova napačno razume. Tedenski pregled tega vzorca, namesto čakanja na četrtletno preverjanje, olajša prilagajanje agenta, preden se majhne težave poslabšajo.
Ko se učinkovitost delovanja sčasoma stabilizira, postane skaliranje razumen naslednji korak in ne le ugibanje. Podjetje lahko po mesecih zanesljivega delovanja pri poizvedbah o pošiljanju razširi število agentov za podporo, ki bodo obravnavali vprašanja o obračunavanju. Vsak nov dodatek deluje najbolje, če sledi istim temeljem, ki so bili določeni v prejšnjih fazah, od opredelitve primera uporabe do ustreznega testiranja.
Končna thoughts
Uspešna namestitev agenta umetne inteligence se zreducira na zaporedje. Preskakovanje faze ali hitenje skozi eno, da bi prišli do naslednje, ponavadi kasneje privede do težav, ko jih je težje odpraviti. Podjetja, ki namerno preidejo skozi vsako fazo, končajo z agenti, ki dejansko delujejo v resničnih pogojih.