IA

Ultimo aggiornamento: (Luglio, 2022).

È un momento incredibile per essere un ingegnere dell’apprendimento automatico o uno scienziato dei dati.

Così tante risorse avanzate sono a pochi clic di distanza dalla tastiera. Potenti modelli di apprendimento automatico pre-addestrati, dalla traduzione al riconoscimento delle immagini, sono pubblicamente disponibili e accessibili su larga scala. Un neofita entusiasta dell’apprendimento automatico, dopo aver acquisito alcune competenze di base di codifica il primo giorno, può utilizzare modelli con miliardi di parametri alla frontiera della ricerca AI come smodin italiano.

Eppure, nonostante tale abbondanza di strumenti, lanciare un progetto AI di successo non è facile. Molte scelte devono essere fatte. È necessario scegliere modelli, algoritmi, librerie, segnali, piattaforme – la lista continua. Ma mentre AI potrebbe ora essere onnipresente, non è sempre chiaro come progettare e completare in modo ottimale un progetto AI.

Immaginiamo il seguente scenario: Sei a capo del team di successo dei clienti della tua organizzazione. Ogni giorno, arrivano centinaia di ticket di assistenza clienti, che sovrastano la capacità limitata del tuo team. Vorresti aggiungere un livello di AI a il flusso di lavoro dei ticket di supporto a dare priorità a quelle che sono urgenti e importanti, e automatizzare le risposte quando è il caso.

Come si fa a far decollare un progetto come questo?

3 principi guida per dare il via alla tua iniziativa AI

  • Va bene essere limitati.
  • Pianifica i tuoi errori di IA.
  • Costruisci la fiducia nell’IA.

Va bene essere stretti

La prima regola è iniziare in piccolo e in modo ristretto. Uno dei principali obiettivi dell’IA è l’intelligenza generale, un algoritmo che può eseguire molti compiti diversi, proprio come un umano. Una versione minore è IA stretta o debole, che è specificamente addestrata per eseguire un certo compito, come giocare a scacchi o rilevare le frodi con le carte di credito.

Mentre l’IA stretta sembra meno attraente, in pratica, può essere proprio la strategia giusta. Torniamo ai nostri ticket di supporto scenario. Ogni ticket di supporto contiene del testo che descrive il problema che il cliente sta avendo, quindi abbiamo bisogno di un algoritmo che capisca il testo.

Ma quando si tratta del nostro compito specifico di ottimizzare il flusso di lavoro del supporto, potrebbe non essere ottimale iniziare con un grande modello generalista.

Per illustrare il perché, visualizziamo come un modello linguistico “pensa” alle parole. Possiamo chiedere al modello di giocare all’associazione di parolee. Ge parole come “bill” e “freeze”, quali sono le parole più strettamente correlate?

Per un grande modello, una parola come “bill” porta alla luce concetti relativi a legislazione (come “riforma”, “emendamento” o “bipartisan”). E “freeze” è generalmente associato alle basse temperature (pensate a “freddo”, “gelo” o “disgelo”).

Come il servizio clienti AI trasformerà le industrie in 2022
Mentre ilqueste associazioni di parole sono essenzialmente corretto, sono non rilevanti ai nostri bisogni.

Nel cliente nel contesto dell’assistenza clienti, “fatturare” e “congelare” hanno significati speciali. I clienti si informano spesso sulla fatturazione, e uno dei principali problemi degli utenti è un’interfaccia non reattiva. Anche con un piccolo set di dati di meno di 100,000 possiamo addestrare un modello altamente specializzato che “pensa” più sulla linea del contesto di supporto.

Per questo modello specializzato, “bill” è associato alla fatturazione (come “fattura” o “ricevuta”), e “freeze” è concettualmente legato a un’esperienza utente difettosa (“chiudere”, “crash”, “uscire”).

Così, un’IA per i ticket di supporto può avere un ciclo di sviluppo più veloce quando il modello di linguaggio è specificamente consapevole del caso d’uso del supporto.

Pianifica i tuoi errori di AI

Nessun algoritmo è perfetto. Anche l’IA più avanzata farà degli errori, quindi La progettazione dell’implementazione dell’IA dovrebbe includere anche come commettere errori.

Facciamo continuare con il biglietto di supporto esempio. In questo progetto, proponiamo di avere un modello di apprendimento automatico che classifichi ogni biglietto come urgente o non urgente. In questo compito di classificazione, il modello può avere ragione in due modi: dire che un biglietto è urgente quando è davvero urgente, e dire che un biglietto non è urgente quando non lo è. E il modello può anche essere sbagliato in due modis: dire che un biglietto è urgente quando non lo è, e dire che un biglietto non è urgente quando lo è. Tu potrebbe essere familiare con questo quadro – questi quattro risultati sono le quattro griglie in un matrice di confusione.

Gli scienziati dei dati passano molto tempo a migliorare le metriche delle prestazioni dei modelli. Ma tl modo più rilevante per valutare un modello dovrebbe essere l’impatto aziendale. E quando si tratta di impatto aziendale, l’equilibrio tra precisione e richiamo diventa molto più sfumato del semplice conteggio degli errori.

Per istanza, ci sono due modi di sbagliare, ma il costo di ciascuno può essere molto diverso. Prevedere che un ticket di supporto sia urgente quando non lo è crea un carico extra per il team. D’altra parte, prevedere che un ticket non è urgente quando in realtà lo è potrebbe abbassare la soddisfazione del cliente e aumentare il churn.

Bilanciare questi tipi di costi e benefici aziendali è molto più rilevante che semplicemente scambiare precisione e richiamo. In scenari in cui intraprendere un’azione per errore è troppo costoso, potremmo volere che il nostro algoritmo sia rigoroso – che significa nessuna azione viene presa a meno che non siamo veramente sicuri, anche se questo significa perdere delle opportunità.

Leggi di più dai nostri collaboratori espertiLights, Camera, AI: come abbiamo fatto un film con una sceneggiatura scritta dall’AI

Costruire la fiducia nell’IA

Immaginate di aver fatto enormi progressi con il progetto AI per i ticket di supporto. Avete raccolto molti dati sui ticket passati, costruito un algoritmo che predice se un ticket è urgente, e l’algoritmo sceglie anche la migliore risposta tra alcuni modelli. Il modello funziona.

Ma sarà usato? Come si inserisce un tale algoritmo nel flusso di lavoro del team?

Quando si progetta un progetto di IA, si dovrebbe considerare l’interazione uomo-algoritmo. Uno degli aspetti più importanti di un progetto di IA è l’efficacia e l’usabilità dell’algoritmo – un algoritmo non sarà efficace se non viene adottato dagli utenti, indipendentemente dalla precisione del modello. Gli utenti e gli esperti umani possono migliorare notevolmente l’efficacia dell’algoritmo. Questo potrebbe essere dovuto alla conoscenza del dominio non catturata dai dati, come i venditori che hanno un legame personale con i loro clienti.

Inoltre, c’è qualcosa che gli umani fanno senza sforzo che gli algoritmi non possono (ancora) automatizzare. Gli esseri umani sono molto più bravi nell’analisi causa-effetto e nell’inventare spiegazioni causali. Anche se non abbiamo sempre ragione, la nostra interpretazione meccanicistica – o, semplicemente, buon senso – ci fornisce una certa difesa contro le correlazioni spurie, dove in un set di dati con molte variabili, alcune mostrerebbero una correlazione solo per caso.

Prendete questo problema jellybean come esempio. Troveremmo l’idea che le gelatine siano legate all’acne assurdo, come non possiamo venire con una spiegazione meccanicistica plausibile di tale a relazione causa-effetto.

IA

Quindi come può mettere un umano nel mezzo e costruire la fiducia tra l’IA e gli utenti?

  • Scegliere algoritmi di modelli più facili da interpretare, specialmente quelli che permettono di derivare regole intuitive che possono essere riviste da un esperto (lcome questo modello a misura di esperto che combina un algoritmo ad albero decisionale con esperti clinici per prevedere il rischio di unità di terapia intensiva pazienti).
  • Coinvolgere gli umani per tradurre i punteggi AI e le raccomandazioni in spiegazioni snippet. Ecco un esempio: “Questo caso di supporto è urgente perché l’utente è un cliente pagante per due anni, e la loro attività di prodotto è diminuita del 50 per cento nell’ultimo mese”. Scopri come usare l’intelligenza artificiale
  • Avere un’interfaccia interattiva che accetta gli input dell’utente e regola il comportamento del modello al volo. Se un caso di supporto è classificato come urgente, per esempio, permettere a un revisore umano di approvarlo o declassarlo.
  • Non aspettatevi che l’algoritmo sia statico. Incorporare costantemente gli input dell’utente in algoritmi di apprendimento continuo (come l’apprendimento di rinforzo) per aggiornare il modello. Per esempio, l’algoritmo può rilevare e imparare quando i revisori umani stanno costantemente declassando alcuni casi di supporto classificati come urgenti.

Quindi ricordava bene iniziare in piccolo e in modo ristretto. Progettate un algoritmo specializzato per il vostro compito specifico e pianificate la vostra IA intorno ai suoi errori previsti per massimizzare l’impatto aziendale. Invece di giri di regolazione dei parametri per ottenere una maggiore precisione, investite nella progettazione di come l’algoritmo e l’utente interagiscono in un sistema di produzione dal vivo. Speriamo che questi principi aiutino a mettere in moto yla nostra nuova iniziativa AI.

Di Redazione: Vincenzo Danna

Sviluppatore informatico freelance e web writer SEO, Vincenzo Dani produce regolarmente contenuti per il blog e il forum www.abruzzoscuoladigitale.it. La qualità del suo lavoro e l'unicità del suo background ci hanno spinto a presentarlo a voi.