Forbedre AI-assistert samtale med nullskuddslæring

GettyImages 1169246375

[ad_1]

Klarte du ikke å delta på Remodel 2022? Sjekk ut alle toppmøtene i vårt on-demand-bibliotek nå! Se her.


Zero-shot studying er en relativt ny teknikk innen maskinlæring (ML) som allerede har stor innvirkning. Med denne metoden krever ML-systemer som nevrale nettverk null eller svært få “skudd” for å komme frem til det “riktige” svaret. Den har først og fremst vunnet terreng innen felter som bildeklassifisering og gjenstandsdeteksjon og for Pure Language Processing (NLP), og adresserer de to utfordringene i ML med å ha “for mye knowledge” så vel som “ikke nok knowledge”.

Males potensialet for nullskuddslæring strekker seg langt utover de statiske visuelle eller språklige feltene. Mange andre brukstilfeller dukker opp med applikasjoner på tvers av nesten alle bransjer og felt, og bidrar til å stimulere til ny fantasi om måten mennesker nærmer seg den mest menneskelige aktiviteten – samtale.

Hvordan fungerer nullskuddslæring?

Zero-shot studying lar modeller lære å gjenkjenne ting de ikke har blitt introdusert for før. I stedet for den tradisjonelle metoden for å hente inn og merke enorme datasett – som deretter brukes til å trene overvåkede modeller – virker null-shot-læring lite mindre enn magisk. Modellen trenger ikke å bli vist hva noe er for å lære å gjenkjenne det. Enten du trener den til å identifisere en katt eller et karsinom, bruker modellen forskjellige typer hjelpeinformasjon knyttet til dataene for å tolke og utlede.

Å assimilere nullskuddslæring med ML-nettverk har mange fordeler for utviklere på tvers av et bredt spekter av felt. For det første setter det fart på ML-prosjekter dramatisk fordi det reduserer de mest arbeidskrevende fasene, dataforberedelser og opprettelsen av tilpassede, overvåkede modeller.

Begivenhet

MetaBeat 2022

MetaBeat vil samle tankeledere for å gi veiledning om hvordan metaversteknologi vil transformere måten alle bransjer kommuniserer og driver forretninger på 4. oktober i San Francisco, CA.

Registrer her

For det andre, når utviklere har lært det grunnleggende om nullskuddslæring, utvides det de kan oppnå radikalt. I økende grad setter utviklere pris på at når et beskjedent innledende kunnskapsgap er overbygd, gjør null-shot læringsteknikker dem i stand til å drømme mye, mye større med det de kan oppnå med ML.

Til slutt er teknikken veldig nyttig når modeller må trå en fin linje mellom å være generelle nok til å forstå et bredt spekter av situasjoner, samtidig som de kan finne betydning eller related informasjon innenfor den brede konteksten. Dessuten kan denne prosessen foregå i sanntid.

Hvordan nullskuddslæring forbedrer samtaleintelligens

Evnen til å plukke ut den rette betydningen fra et bredt spekter i sanntid betyr at nullskuddslæring transformerer kunsten å samtale. Spesifikt har banebrytende virksomheter funnet måter å bruke null-skuddslæring for å forbedre resultater i interaksjoner med høy verdi, vanligvis innen kundestøtte og salg. I disse scenariene blir mennesker assistert av AI coachet til å svare bedre på informasjon som kunden gir, for å avslutte avtaler raskere og til slutt levere høyere kundetilfredshet.

Generer salgsmuligheter

Conversational AI, utviklet ved hjelp av null-shot studying, er allerede i bruk for å gjenkjenne mersalgsmuligheter, for eksempel hver gang et prospekt eller kunde snakker om priser. Det er hundrevis av forskjellige måter emnet kan presentere seg på – for eksempel “Jeg har stramt budsjett”, “Hvor mye koster det?”, “Jeg har ikke det budsjettet”, “Prisen er for høy. ” I motsetning til tradisjonelle overvåkede modeller, der dataforskere trenger å samle knowledge, trene systemet, og deretter teste, evaluere og måle det, kan maskinen bruke nullskuddslæring, for veldig raskt å begynne å trene seg selv.

Utover naked å identifisere bestemte emner, kan sporere i sanntidsstrømmer gi anbefalinger som svar på bestemte situasjoner. Underneath en samtale med en kundeservice eller salgsagent i et finansselskap, for eksempel, hvis en tracker oppdager at en particular person er i økonomiske vanskeligheter, kan den tilby et passende svar på denne informasjonen (for eksempel et lån).

Utvikle AI-assisterte menneskelige interaksjoner

Teaching og opplæring er blant de mest lovende bruksområdene for null-kort læring i slike samtalebaserte scenarier. I disse tilfellene jobber AI sammen med mennesker, og hjelper dem til å bedre oppfylle sin rolle.

Det er to hovedmåter dette fungerer. Etter at en kunde-agent-samtale er over, kan systemet generere en rapport som oppsummerer interaksjonen, vurdere hvordan den ble utført i henhold til forhåndsavtalte Key Efficiency Indicators (KPIer) og gi anbefalinger. Den andre tilnærmingen er at systemet svarer i sanntid beneath samtalen med målrettede anbefalinger basert på kontekst, og trener effektivt agenter på den optimale måten å håndtere samtaler på.

Opplæring på jobb med nullskuddslæring

På denne måten løser nullskuddslæringssystemer en viktig, evigvarende utfordring for salgsteam som til nå har vært avhengige av arbeidskrevende, kostbar opplæring supplert med salgsmanus for ansatte som tar sikte på å veilede dem om den beste måten å identifisere og svare på behovene på. av kunden.

Opplæring representerer en stable investering for bedrifter, spesielt i salgsmiljøer med høy mengde. Omsetningen av selgere har nylig steget rundt 10 prosentpoeng høyere. Bransjestudier tyder på at selv blant de største selskapene har selgere en tendens til å naked forbli i jobben 18 måneder før churning. Det er en bekymringsfull development, spesielt når man tenker på at det tar i gjennomsnitt tre måneder å trene dem innledningsvis. Zero-shot inferenssystemer hjelper ikke naked med innledende trening. Den mest effektive funksjonen deres er deres evne til å gi anbefalinger på jobben som hjelper selgeren – og selskapet – til å lykkes.

Utover trening til karrierecoaching

Denne evnen til å forbedre produksjon og ytelse gjennom AI-assistert teaching kommer ikke naked bedrifter til gode, den kan skreddersys for å akselerere en ansatts personlige karrierebane. Tenk på et state of affairs der et nullskuddslæringssystem samarbeider med en ansatt for å hjelpe dem med å nå sine personlige 360-mål. Et mål som “konverter X % flere potensielle salg” blir mer oppnåelig når det assisteres av en ML-modell som er klargjort for å oppdage og utvikle muligheter ansatte alene kan gå glipp av.

Gjør samtaler til innsikt

Zero-shot studying er en relativt ny teknikk, og vi begynner naked så vidt å forstå dens fulle bredde av applikasjoner. Spesielt egnet for situasjoner der modeller må trenes for å finne mening innenfor en bred kontekst, er samtaleintelligens raskt i ferd med å dukke opp som et ledende utviklingsområde. Både for dataforskere, utviklere og tidssensitive kostnadsbevisste bedriftsledere krever samtaleintelligenssystemer ingen spesialistmodellopplæring, akselererer prosesser og reduserer ledetider.

Selv om applikasjoner for samtaleintelligens blomstrer, sammen med de mer kjente bildegjenkjennings- og NLP-brukssakene, er realiteten at vi knapt har skrapet overflaten av hva nullskuddslæring kan oppnå.

For eksempel jobber firmaet mitt med kunder som søker å løse problemer for å radikalt forbedre samtale-AIs evner når det gjelder ikke naked teaching og opplæring, males også hvordan ML-systemer forbedrer produktiviteten ved å komprimere og kontekstualisere forretningsinformasjon, hvordan de forbedrer compliance, klemmer ned. på trakasserende atferd eller banning og øke engasjementet i virtuelle arrangementer, alt gjennom bruk av nullskuddslæringsmodeller.

Toshish Jawale er CTO for Symbl.ai

DataDecision Makers

Velkommen til VentureBeat-fellesskapet!

DataDecisionMakers er der eksperter, inkludert de tekniske personene som driver med dataarbeid, kan dele datarelatert innsikt og innovasjon.

Hvis du vil lese om banebrytende ideer og oppdatert informasjon, beste praksis og fremtiden for data- og datateknologi, kan du bli med oss ​​på DataDecisionMakers.

Du kan til og med vurdere å bidra med en egen artikkel!

Les mer fra DataDecisionMakers

[ad_2]

admin

Leave a Reply

Your email address will not be published. Required fields are marked *