Использование преимуществ ИИ

Поиск Google, новостная лента Facebook, рекомендации продуктов Amazon — очевидные примеры цифровых сервисов, которыми ежедневно пользуются миллиарды потребителей, которые успешно используют машинное обучение (ML)¹. На самом деле можно сказать, что звездный рост, который эти компании пережили за последнее десятилетие или даже больше, просто был бы невозможен без него.

Каждый из интернет-гигантов завоевал определенные сегменты повседневной цифровой жизни потребителей и теперь является постоянной привычкой для миллиардов людей во всем мире. Google позволяет людям открывать знания и информацию о продуктах, местах и ​​вещах. Facebook позволяет людям общаться с друзьями, у которых схожие интересы и истории. Amazon позволяет людям покупать почти все, что только можно вообразить, и доставлять их на дом в течение 24 часов.

Интернет-гиганты создали удобные, веселые и удобные цифровые сервисы, к которым потребители хотят возвращаться снова и снова. И чтобы сделать это возможным, каждый из них разработал выдающиеся возможности для (a) сбораогромного количества данных, (b) преобразованияэтих данных, (c) определить шаблоны для понимания, (d) предложитьдействия и (e) монетизировать в масштабе. Однако эти возможности больше не являются прерогативой многомиллиардных корпораций с огромными инвестиционными бюджетами. Достижения в области облачных вычислений и программного обеспечения с открытым исходным кодом за последнее десятилетие означают, что существуют строительные блоки для компаний любого размера, позволяющие разрабатывать аналогичные возможности либо собственными силами, либо с привлечением сторонних поставщиков.

Из пяти описанных выше возможностей машинное обучение в основном используется в (с) для выявления шаблонов для понимания. И именно это богатство понимания позволит компаниям любого размера продвигаться вперед по трем направлениям:

  • Повысить качество обслуживания клиентов
  • Ускорение роста доходов
  • Повысить эффективность работы

Теперь давайте углубимся в каждую из этих областей и поделимся несколькими примерами, чтобы увидеть, как машинное обучение может изменить ситуацию.

Повысьте качество обслуживания клиентов с помощью чат-ботов службы поддержки клиентов

Компании всех размеров выиграют от создания более объединенного опыта для клиентов. Розничные потребители и бизнес-клиенты ожидают получить одинаково высокий уровень поддержки независимо от того, связываются ли они с компанией через Интернет, по телефону или в магазине. И те же самые высокие уровни поддержки должны продолжаться и после покупки, если покупателю необходимо сообщить о неисправности, вернуть продукт или просто получить ответ на вопрос. Постоянные клиенты (и все чаще их комментарии в социальных сетях) являются жизненной силой устойчивого бизнеса.

Один из самых простых и экономически эффективных способов улучшить качество обслуживания клиентов в Интернете — это развернуть чат-бота или виртуального помощника, чтобы отвечать на вопросы клиентов. Чат-боты — один из самых очевидных примеров ИИ в действии сегодня. Созданные с использованием технологий обработки естественного языка и машинного обучения, чат-боты за последние 5 лет получили широкое распространение в Интернете, потому что потребителям нравится взаимодействовать с ними. Часто бывает проще задать быстрый вопрос чат-боту, чем прокручивать страницы с мелким шрифтом в поисках подробной информации о продукте. В равной степени для компании хорошо обученный чат-бот может отклонять многочисленные звонки, которые в противном случае были бы сделаны в их контактный центр. Подобная технология распознавания естественного языка может использоваться для отслеживания систем управления услугами, чтобы помочь контакт-центру или персоналу выездного обслуживания решать проблемы с продуктами клиентов или сбои инфраструктуры намного быстрее, чем когда-либо прежде, обеспечивая эффективную петлю обратной связи, которая может положительно повлиять на показатели удовлетворенности клиентов.

Чат-ботов обычно необходимо обучать терминологии, относящейся к предметной области, и необходимо приложить некоторые усилия для создания подходящего набора рабочих процессов вопросов и ответов. Потоки вопросов и ответов используются для раскрытия цели вопроса клиента и поиска наиболее релевантных ответов. В зависимости от сложности предметной области и разнообразия услуг, которые необходимо будет поддерживать, проект разработки чат-бота может быть завершен от первоначального семинара до развертывания всего за 12 недель.

Фил Уэсткотт, соучредитель Filament.AI, считает:Искусственный интеллект — приоритетный пункт в повестке дня каждого генерального директора. В последние годы многие организации начали свою дорожную карту ИИ с внедрения чат-ботов или цифровых помощников. Для самых разных организаций, от HSBC до NSPCC, они оказались рентабельными в развертывании и — при правильном выполнении — обеспечили превосходную удовлетворенность клиентов. Задача состоит в экономичном обслуживании и развитии этих диалоговых интерфейсов. Как и революция веб-сайтов 2.0, роль систем управления контентом чат-ботов (включая «Enterprise Bot Manager от Filament) заключается в том, чтобы дать организациям возможность переобучать и оптимизировать работу сложных чат-ботов с течением времени, как и ваши лучшие сотрудники».

Ускорьте рост доходов с помощью персонализированных рекомендаций

Amazon почти по всем параметрам является самым успешным онлайн-ритейлером всех времен, и любой, кто купил у него книгу, фильм или календарь Pooping Dogs, знает, что он усовершенствовал искусство управления тележкой для покупок. Сколько раз вы заходили на Amazon с намерением купить только один товар, и их рекомендации Часто покупаемые вместе или Рекомендуется для вас только что были слишком заманчиво, и вы ушли, добавив второй или третий товар в корзину и потратив вдвое больше, чем изначально планировали?

Это ИИ в действии, и не только Amazon освоила его. Google и его рекомендации фильмов на Youtube или рекомендации приложений в магазине Google Play для смартфонов Android используют многие очень похожие технологии машинного обучения либо для увеличения размера вашей корзины покупок, либо для увеличения времени просмотра на их развлекательной платформе, чтобы сделать вы все более популярны среди своих рекламодателей (которые являются реальными клиентами Google).

Секрет хорошего набора рекомендаций заключается в объединении нескольких маршрутов; понимание прошлых просмотров или покупательских привычек вашего клиента; понимание того, как фильмы или продукты в вашем каталоге смотрели или оценивали аналогичные клиенты; и понимание текущего контекста клиента (например, время суток, местоположение, погода), который также может повлиять на то, что он может купить или посмотреть в следующий раз.

Если вы сможете сделать это эффективно, вы сможете добиться значительного роста доходов. В какой-то момент жизненного цикла любого бизнеса наступает время, когда ему необходимо перейти от погони за новыми клиентами к развитию отношений, которые он построил с существующими клиентами; потому что в долгосрочной перспективе кроется наибольшая прибыль. И для достижения этой цели становится критически важным начать сбор данных о ваших клиентах и ​​ваших продуктах; если вы еще этого не делаете!

Однако сегодня нет необходимости осваивать передовые методы машинного обучения, такие как совместная фильтрация, матричная факторизация или широкие и глубокие нейронные сети (инструменты, разработанные и используемые Amazon, Google и другими пионерами). Предположим, например, что вы размещаете свой интернет-магазин на Shopify. Shopify может предоставить вам целую серию плагинов приложений для рекомендаций по продуктам на их рынке приложений; Персонализированные рекомендации от LoopKit — одно из таких приложений, которое использует машинное обучение для повышения показателей перекрестных продаж, дополнительных продаж и конверсии. Конечно, все другие крупные онлайн-торговли и облачные платформы предлагают очень похожие возможности.

Том Адейола, основатель Metail.com и соучредитель Extend Ventures считает:Соответствие дискретных продуктов потребностям и желаниям потребителей — это первоочередная задача, связанная с данными и технологиями. . Перевернуть это для достижения массовой индивидуализации путем пошива предметов одежды, соответствующих размеру и форме отдельных потребителей в масштабе, — это задача следующего порядка с дополнительными измерениями сложности. Это то, чего мы намеревались достичь с помощью Metail, и все еще существуют всевозможные возможности для массовой настройки во многих других отраслях, ориентированных на потребителя. У людей все еще есть много возможностей начать и построить успешный бизнес, который удовлетворяет фундаментальные неудовлетворенные потребности.

Повысьте эффективность работы с помощью аналитики углеродного следа

Для компаний, производящих промышленные продукты, в том числе производителей дискретных, периодических и непрерывных продуктов, сбор данных с датчиков и измерение производительности во время производства и использования в течение десятилетий были стандартной практикой на протяжении десятилетий.

Кроме того, за последние 10 лет неуклонное совершенствование вычислительных и сетевых технологий привело к тому, что производители теперь могут использовать все более компактные датчики IOT с более мощными микросхемами, более низким энергопотреблением и беспроводной связью для сбора и обмена огромными объемами данных в режиме реального времени. время. Машинное обучение теперь может расширить возможности производителей по проведению профилактического обслуживания оборудования и машин, чтобы улучшить такие важные показатели эффективности, как OEE и OOE². Основываясь на количестве данных временных рядов с датчиков или данных изображения, передаваемых в потоковом режиме с камеры, теперь можно использовать ряд совершенно разных моделей ML, чтобы определить вероятность отказа в точном временном окне, которое очень специфично для отдельной машины на производственной линии. . Это упрощает планирование работ по техническому обслуживанию и позволяет избежать незапланированных простоев, сбоев в цепочке поставок и затрат на ремонт, предусмотренных текущими контрактами.

Компетентность, накопленная в одной продвинутой области, может быть очень прибыльно развернута в другом месте. Возьмем Prognostic.io. Это стартап, который уже некоторое время активно работает в сфере профилактического обслуживания. Недавно компания Prognostic сосредоточилась исключительно на смежной области; аналитика углеродного следа. Предвидится огромный спрос на его услуги; правительство Великобритании, например, недавно объявило о планах добиться нулевого уровня выбросов парниковых газов к 2050 г., поставив перед собой цель сократить выбросы на 78% к 2035 г. (по сравнению с уровнем 1990 г.) и закрепив эту цель в законе. Кроме того, Управление финансового надзора (FCA, британский регулятор финансовых рынков) с начала этого года начало применять правила для раскрытия финансовой информации, связанной с климатом. Крупные корпорации, зарегистрированные в Великобритании, теперь юридически обязаны действовать. Нет больше гринвошинга; горнодобывающие, нефтехимические и промышленные производственные компании (и это лишь некоторые из них) теперь будут обязаны по закону показывать, какие меры они принимают для сокращения своих вредных выбросов.

Шраване Балабаскер, основатель Prognostic и CarbonAnalytics.com, считает:Прежде чем компании смогут взять на себя обязательства по сокращению своего углеродного следа по всей цепочке создания стоимости, они должны знать, каковы их выбросы сегодня. И это начинается со сбора данных. Независимо от того, являетесь ли вы промышленным производителем, коммунальной компанией или оператором зданий и сооружений, использование датчиков для сбора данных и аналитики для понимания ваших выбросов имеет жизненно важное значение. Только тогда вы сможете эффективно разработать стратегии по сокращению этих выбросов с течением времени.

В нашей следующей статье «Подготовка к ИИ и погружение в воду» мы хотим дать вам как венчурному руководителю несколько советов по следующим вопросам:

  • Как подготовиться к использованию ИИ в будущем
  • Как получить опыт управления ИИ-проектами
  • Как набирать нужных людей

В последующих статьях серии мы планируем рассказать:

ИИ для венчурных лидеров

  1. Демистификация ИИ
  2. Использование преимуществ ИИ
  3. Подготовка к искусственному интеллекту и погружение в воду
  4. Практические аспекты этики, конфиденциальности и регулирования ИИ
  5. Типичные варианты использования и платформы для ИИ
  6. Цены выхода из венчурного капитала и искусственный интеллект

Я надеюсь, что это сохранило ваш интерес, и вы присоединитесь к нам для будущих статей.

Пожалуйста, дайте нам знать в разделе Комментарии под любыми мыслями или вопросами, которые у вас могут возникнуть.

[1] См. первую статью из серии Демистификация ИИ для краткого разбора различий между ИИ и МО.

[2] OEE = общая эффективность оборудования; OOE = общая операционная эффективность. Перейдите по ссылке, чтобы понять, чем отличаются эти ключевые показатели https://www.machinemetrics.com/blog/oee-ooe-teep