Is Machine Learning de beste aanpak voor chatbots voor klantenondersteuning? - DeLaatbusiness
62799703 - tokyo, japan - june 5, 2016: apple iphone 6s with airbnb website on the screen.airbnb is a website for people to list, find,and rent lodging.airbnb an online platform for accommodation

Is Machine Learning de beste aanpak voor chatbots voor klantenondersteuning?

3 min


133
6 gratis internet marketing ebooks, klik hier voor download

Enkele weken geleden besloot ik om gratis een online cursus van Amazon Web Services te volgen. Ik was nieuwsgierig om meer te weten te komen over een concept dat de laatste tijd op ieders lippen ligt, vooral als het gaat om kunstmatige intelligentie of digitale transformatie: machinaal leren. Uit de inleidende video heb ik deze definitie van Machine Learning kunnen bouwen:

Machine Learning bestaat uit het verwerken en analyseren van een enorme hoeveelheid gegevens om gedragsvoorspellingen te doen, met name voor gebruik met verkoopconversie en internet.

In feite valt deze definitie volledig samen met een Amazon-praktijk, dit keer als een wereldwijde website voor productverkoop, die we allemaal hebben meegemaakt: onder het artikel dat we gaan kopen, de sectie geïntroduceerd met de uitdrukking “Klanten hebben ook gewinkeld”, die biedt andere artikelen van mogelijk belang. De inleidende zin van deze sectie weerspiegelt perfect de uitgevoerde procedure: Amazon verzamelt miljoenen gedragingen van zijn gebruikers in termen van aankoopprocessen, analyseert ze om het toekomstige gedrag van hun klanten te voorspellen, en weet met grote waarschijnlijkheid de verkoop op de web. Het lijdt geen twijfel dat deze methode een uiterst krachtig wapen blijkt te zijn als het gaat om gerichte marketing, het voorspellen van de vraag of natuurlijk het omzetten van bezoeken aan het web in verkoop.

In de context van een klantenservicekanaal, zoals een Chatbot, is het belangrijk om te stoppen en na te denken over het concept van voorspellingen, dat niet compatibel is met de nauwkeurigheid of precisie vereist door de realiteit van de ondersteuning. Hoewel een aanbevolen verkoopvoorspelling geen grote risico’s met zich meebrengt – als de verkoop converteert, is dat prima, als het niet converteert, dat is ook goed -, kunnen de antwoorden die aan gebruikers worden gegeven via een officieel ondersteuningskanaal van het bedrijf zeer gevoelig zijn: ze moeten om betrouwbaar, nauwkeurig en gecontextualiseerd te zijn, zowel juridisch als commercieel. De Chatbot is niets anders dan een extra kanaal om twijfels over vliegtickets op te lossen, contractuele aspecten van een bankrekening te controleren, handleidingen van huishoudelijke apparaten te downloaden, raadpleeg gegevens van een hotelreservering of het saldo van een telefoonlijn … De kennis over het bedrijf die via de Chatbot wordt verstrekt, mag niet verschillen van de rest van de website of van de andere klantenservicekanalen, of deze kanalen worden geautomatiseerd of beheerd door menselijke agenten . Een fout antwoord, vooral als antwoord op een delicate vraag, kan rampzalige gevolgen hebben. Stel je voor dat een chatbot ondersteuning biedt aan de polishouders op de website van een verzekeringsmaatschappij, in antwoord op een vraag overborst leidt de gebruiker naar antwoorden over plastische chirurgie, omdat ze volgens Machine Learning vaker voorkomen in plaats van een of meer antwoorden te bieden over pathologieën, gynaecologie, enz. Het imago van deze verzekeringsmaatschappij zou worden beschadigd door de lage betrouwbaarheid van de Chatbot, meer bepaald vanwege het misbruik van een voorspellende methodologie, zoals Machine Learning, met het oog op klantenservice.

Om dit doel te bereiken, is de essentiële vereiste van Machine Learning bovendien dat er een enorme hoeveelheid historische gegevens moet worden verwerkt en geanalyseerd om voorspellende gedragsmodellen te bouwen. Tegenwoordig hebben sommige macro-ondernemingen dit soort gegevensvolumes, na jaren te hebben gemonitord op hun klantenondersteuningskanalen en de informatie handmatig te hebben verwerkt om deze te rationaliseren en classificeren. De waarheid is echter dat de meeste bedrijven deze sporen van activiteit niet van hun klanten hebben en daarom niet op een eenvoudige manier van Machine Learning kunnen profiteren. Het alternatief dat overblijft is om handmatig gegevens te creëren, alsof het sporen zijn die van gebruikers zijn verzameld, om een ​​ad-hoc machine learning-model te ‘trainen’. Dit trainingsproces wordt sterk gepromoot door talloze chatbotproviders, tot het punt dat het de valse overtuiging heeft gecreëerd dat de enige manier om een ​​chatbot te implementeren, is om het systeem maandenlang handmatig te trainen met zoveel mogelijk uitingen – als uitingen beschouwend de vele verschillende manieren om dezelfde intentie te uiten. Deze mythe wordt gevoed door mensen die geen Natural Language Processing-technologie hebben om het gebrek aan eerdere gegevens te verlichten. Evenzo impliceert het handmatig creëren van gegevens die passen bij Machine Learning-modellen een enorme inspanning voor bedrijven, een inspanning die zich vertaalt in zowel een verlenging van de time-to-market van het project als een ontgoocheling met kunstmatige intelligentie. Integendeel, een provider die in staat is om de natuurlijke taal te gebruiken, maakt het mogelijk om de twee problemen op te lossen die Machine Learning met zich meebrengt voor een Chatbot-klantenservice: aan de ene kant vereist het geen uitgebreide hoeveelheden gegevens,

Dit betekent niet dat Machine Learning een slechte benadering is, maar eerder dat het niet altijd de meest geschikte benadering is, afhankelijk van het gebruik. Hoewel om de verkoop op het web met aanbevelingen te stimuleren, het de meest geschikte methode lijkt te zijn – en met aantoonbaar succes – voor iets zo gevoelig als een klantenservice Chatbot, is het waarschijnlijk onjuist en gebrek aan precisie, nadelen die uiteindelijk de pijn doen imago van de bedrijven. Wedden op natuurlijke taalverwerking maakt het daarentegen mogelijk om de betrouwbaarheid van de Chatbot, dus de betrouwbaarheid van het bedrijf, te garanderen, evenals een flexibele time-to-market en vertrouwen in kunstmatige intelligentie te bevorderen. Kijkend naar dit panorama, zou de ideale aanpak kunnen zijn om het beste van elke wereld samen te brengen:


What's Your Reaction?

hate hate
0
hate
confused confused
0
confused
fail fail
0
fail
fun fun
0
fun
geeky geeky
0
geeky
love love
0
love
lol lol
0
lol
omg omg
0
omg
win win
0
win
Erwin@delaatbusiness.com
Dag, Hulp nodig met internet marketing of websites maken? neem dan contact op

0 Comments

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Choose A Format
Personality quiz
Series of questions that intends to reveal something about the personality
Trivia quiz
Series of questions with right and wrong answers that intends to check knowledge
Poll
Voting to make decisions or determine opinions
Story
Formatted Text with Embeds and Visuals
List
The Classic Internet Listicles
Countdown
The Classic Internet Countdowns
Open List
Submit your own item and vote up for the best submission
Ranked List
Upvote or downvote to decide the best list item
Meme
Upload your own images to make custom memes
Video
Youtube, Vimeo or Vine Embeds
Audio
Soundcloud or Mixcloud Embeds
Image
Photo or GIF
Gif
GIF format