Time-to-Market of Conversational AI: Er chatbots verdt det?

Innhold
-Hvorfor tar det for lang tid å lansere noen konversasjons-AI-prosjekter
-Hvorfor mislykkes chatbots for maskinlæring?
-Zero-Training AI: Hvordan raskt starte en chatbot
-Så... Er chatbots effektive nok?

Et av de første spørsmålene som dukker opp når man ser for seg et nytt konversasjons-AI-prosjekt er hvor mye tid det kommer til å ta å ha det oppe og gå. 

Noen undervurderer implementeringstiden når det kommer til chatbot-løsninger, men også tiden som trengs for å oppnå gode resultater. Selv om avkastningen på investeringen (ROI) alltid er en nøkkelmåling, kan verdien av investeringen reduseres hvis prosjektet tar måneder eller et år før det fungerer helt. 

En langsom time-to-market kan definitivt gjøre eller ødelegge suksessen.

Hvorfor tar noen konversasjons-AI-prosjekter for lang tid å starte?

Det er mange grunner til at noen AI-prosjekter tar lengre tid enn forventet for å gi de ønskede resultatene. 

Først: Chatbot-prosjektplanlegging

Mens noen kunder kanskje allerede har en utformet implementeringsplan som definerer teamet som har ansvaret for prosjektet, budsjettet, målene og de forventede resultatene, begynner noen andre å tenke på det først etter å ha kjøpt programvaren. Dette forlenger tiden til noen reelle resultater blir sett.

For det andre: Støtteinnhold for Chatbot

Disse kan inkludere vanlige spørsmål, svar, samtaleflyter og andre innholdskilder. Du har kanskje en veldig robust Conversational AI-løsning på plass, men hvis du ikke har bygget noe innhold for å svare på vanlige spørsmål fra brukerne dine, så er det for ingenting.

For det tredje, og viktigst av alt: selve teknologien.

Avhengig av tilnærmingen din Samtale AI bruker, kan det ta mer eller mindre tid å få prosjektet til å fungere ordentlig til gode standarder. Det er derfor du må vite hva du kan forvente av ulike Conversational AI-teknologier på markedet. Vi analyserer dem nedenfor.

Er da chatbots virkelig verdt investeringen og tiden? 

Til tross for noen utfordringer, vil svært sjelden et selskap bestemme at en chatbot ikke er verdt investeringen. Gjeldende selvbetjeningspriser kan nå opptil 90 %, men selv med en sterkt uoptimalisert chatbot, kan Conversational AI enkelt svare på 40-50 % av spørsmålene selv. 

Hvorfor mislykkes chatbots for maskinlæring?

En av de vanligste teknologiene som brukes for chatbots er Maskinlæring, som tar en statistisk tilnærming til å løse spørsmål. 

Dette betyr at en chatbot eller en virtuell assistent bare vil kunne svare på et spørsmål hvis de har sett en lignende forespørsel før. Dette er grunnen til at chatboten må mates med data, dvs. forskjellige fraseringer og ytringer av kundeforespørsler. Det er det vi kaller 'opplæring' AI.

Maskinlæringstrening krever tonnevis av data, for at algoritmene statistisk skal kunne bestemme hvordan de skal svare på et spesifikt spørsmål. I løpet av de siste årene har sprøytenarkoman og løftene om maskinlæring klart å ikke gjøre noe med dette enorme problemet. For å produsere anstendige resultater trenger kundene mye data.

Når vi ikke har disse dataene tilgjengelig, mangler chatbots drevet av maskinlæring kontekst, og vet ikke hvordan de skal løse tvetydighet, noe som fører til suboptimale resultater og frustrasjon blant brukere. 

I tillegg krever opplæring mye tid og ressurser: maskinlæringsingeniører og uker og uker med kuratere data slik at løsningen kan begynne å svare på forespørsler med nøyaktighet.

Zero-Training AI: Hvordan raskt starte en Chatbot

For å takle «treningsproblemet» har noen få Conversational AI-løsninger valgt å satse på forskjellige tilnærminger. 

Målet? For å eliminere langvarig opplæring, og øke hastigheten på time-to-market for chatbots, virtuelle assistenter og andre Conversational AI-prosjekter. Også for å gjøre brukernes liv enklere og redusere gjettingen ved å lete etter potensielle nye ytringer. 

Nevro-symbolsk AI er en hybrid tilnærming som bruker semantiske relasjoner for å etablere forbindelser mellom brukerens spørring og intensjonen. 

La oss si at vi driver en forsikringsselskap og vi setter opp en chatbot for å hjelpe eksisterende og potensielle kunder. Hvis vi trenger en forsikring, kan vi gå og spørre "Jeg ønsker å forsikre eiendommen min" eller "Jeg trenger en boligforsikring" eller til og med "hvordan beskytter jeg huset mitt mot tyver". 

Forsikringsselskapet vil kanskje svare på alle disse spørsmålene med samme svar, og veilede brukerne til å velge den boligforsikringen som passer best for dem, men hvordan kan vi sørge for at vi ikke trenger å se for oss alle mulige fraseringer?

Inbentas Neuro-Symbolic AI kommer med en ferdigtrent leksikon som er i stand til å matche "eiendom" med "hjem" eller "hus", så vel som "forsikre" med "forsikring" og til og med "beskytte". På denne måten kan chatboten finne det riktige svaret uansett hvilken av disse tre spørringene som brukes uten opplæring. 

I tillegg legger vi til noen lag med maskinlæring for å lære av brukernes atferd, samtidig som vi gir resultater fra dag én.

Så ... Er chatbots effektive nok?

Det korte svaret er ja. Chatbots kan ha stor innvirkning på ytelsen til teamene dine, og gi dem tid til å fokusere på komplekse forespørsler mens de automatiserer en stor del av forespørslene og besvarer opptil 90 % av kundeforespørslene dine.

Men hvis du vil at de skal være effektive fra dag én, vil du sannsynligvis velge en teknologi som allerede er forhåndsopplært, kan gi svar uten å kreve tonnevis av data og som er smart nok til å forstå konteksten og den virkelige hensikten bak spørringer. 

Hvis du vil prøve, registrer deg for en 14-dagers gratis prøveperiode her og oppdag underverkene ved null-trening AI.

Sjekk ut våre lignende artikler