Che cos'è l'intelligenza artificiale? Semplificare l'IA per i professionisti dei clienti e di Employee Experience

L'intelligenza artificiale è di gran moda, ma cosa può significare per il settore dell'esperienza? Il primo passo è capire cosa sia e cosa non sia l'IA. Ecco cosa c'è da sapere su IA, apprendimento automatico, elaborazione del linguaggio naturale e molto altro.

Sembra che al giorno d'oggi non si possa guardare o leggere nulla senza che l'intelligenza artificiale o "AI" venga menzionata circa un milione di volte, in senso conservativo. A volte, negli stessi mezzi di comunicazione, può comparire anche il termine "machine learning" o "ML". Ma cosa significa tutto questo? Che cos'è l'IA generativa? Che cos'è l' intelligenza artificiale? Supervisionata? Non supervisionata? Semi-supervisionata? PNL? Il vocabolario diventa presto ingombrante. 

We keep hearing how much AI will revolutionize work, healthcare, finance, literature, art, and everything else, including customer experience and employee experience, as if AI were some sort of otherworldly, omniscient technology. Some even proudly declare that AI will replace people in these roles. In reality, AI truly is a valuable tool that has already been used to enhance people’s productivity, but it is neither a panacea nor a replacement for humans. There are limitations, but you may not know that based on popular interpretation of AI. 

Sto scrivendo questo blog per voi, le persone non tecniche, per aiutarvi a capire un po' cosa sta succedendo con l'IA e come potrebbe avere un impatto sulla CX e sull'EX. Non è richiesta una laurea in matematica. L'ho già fatto per voi. Quindi, partiamo dall'inizio.

IA, apprendimento automatico, PNL e metodi generativi - Oh, mio Dio!

Che cos'è l'IA?

Una cosa importante da notare sull'IA è che si tratta più di un concetto che di una tecnologia pienamente realizzata. In sostanza, l'IA è la capacità delle macchine o dei programmi informatici di pensare, agire e apprendere come una persona, compresa la nostra capacità di adattare il nostro modo di fare le cose in base a nuove informazioni, di creare lavori veramente nuovi e di gestire l'ambiguità. Tutto questo non esiste. Il cervello umano è una cosa davvero incredibile e la creazione di tecnologie in grado di fare ciò che facciamo noi è ancora un futuro lontano.

Che cos'è l'apprendimento automatico?

Quando si usa il termine "AI", quasi certamente si parla di un insieme completo di metodi di apprendimento automatico (ML) che consentono ai computer di "imparare" sulla base di modelli emersi da grandi insiemi di dati. I due termini sono usati in modo intercambiabile e spesso vengono confusi l'uno con l'altro, anche laddove la distinzione è importante. Dire che l'IA non esiste sarebbe corretto quanto dire che esiste. Confuso, vero? Per semplificare le cose, Microsoft definisce l'apprendimento automatico come "il processo di utilizzo di modelli matematici di dati per aiutare un computer ad apprendere senza istruzioni dirette [che] consente a un sistema informatico di continuare a imparare e migliorare da solo, sulla base dell'esperienza". 

In sostanza, l'analisi ML è costituita da una serie di matematiche e statistiche complesse applicate a grandi insiemi di dati che consentono di trovare modelli, imitando l'apprendimento umano. I metodi di ML sono generalmente suddivisi in tre classificazioni: supervisionato, semi-supervisionato e non supervisionato. Molte soluzioni che utilizzano il ML spesso utilizzano un mix di tutti questi metodi, adattati ai compiti specifici che vengono loro assegnati. Anche gli esempi tradizionali di alcuni tipi di metodi di apprendimento automatico possono essere eseguiti con metodi diversi a seconda dello strumento utilizzato. In una definizione semplice e rapida, c'è:

• Il ML supervisionato utilizza insiemi di dati etichettati - cioè, l'utente fornisce etichette come un essere umano nell'insieme di dati che dicono come una data cosa dovrebbe essere classificata per addestrare gli algoritmi che predicono i risultati. Esempi: filtri antispam per le e-mail, classificazione del testo, riconoscimento vocale.
• Il ML semi-supervisionato utilizza una piccola quantità di dati etichettati e una grande quantità di dati non etichettati per prevedere i risultati. Esempi: classificazione di contenuti web, classificazione di immagini o discorsi, identificazione di anomalie nei registri bancari.
• Il ML non supervisionato utilizza una grande quantità di dati non etichettati per prevedere i risultati. Esempi: MedalliaTheme Explorer, motori di raccomandazione, segmentazione dei clienti.

Ognuno di questi metodi mira a identificare modelli che imitano l'apprendimento umano in modi diversi, con la speranza che portino a intuizioni preziose a seconda del tipo di attività e di dati con cui si ha a che fare. Ad esempio, immaginiamo di dover consigliare dei prodotti a un determinato cliente. Non avrebbe senso passare il tempo a etichettare i dati per ogni cliente, quindi l'apprendimento automatico non supervisionato è probabilmente il modello migliore. 

La parte "imitare" è molto importante. Il ML - e quindi l'IA - richiede molto materiale in ingresso per cercare di trovare modelli, che vengono poi utilizzati per fornire approfondimenti su un set di dati o per generare contenuti con risultati piuttosto accurati. La prima situazione è particolarmente preziosa per l'analisi del testo e del parlato, che si basano entrambe su dati testuali e audio. 

Che cos'è l'elaborazione del linguaggio naturale?

In Medallia, quando si utilizza l'analisi del testo, l'analisi vocale o la trascrizione speech-to-text, si utilizza invariabilmente l'AI/ML. A tal fine utilizziamo l'elaborazione del linguaggio naturale (NLP), talvolta definita nel nostro settore come comprensione del linguaggio naturale (NLU). NLP/NLU è un sottoinsieme dell'apprendimento automatico, ovvero NLP/NLU è una serie di metodi di apprendimento automatico applicati al linguaggio naturale umano. Siri, Alexa, Google Home e probabilmente anche la vostra auto utilizzano metodi NLP per trascrivere in testo ciò che dite. I modelli linguistici di grandi dimensioni (LLM) come ChatGPT/GPT-3 di OpenAI, BERT, LLaMA di Meta e Ernie di Baidu sono tutti NLP perché si occupano di apprendere dal linguaggio naturale per generare contenuti testuali simili a quelli umani. 

Cosa sono le IA generative o i modelli generativi?

Nessun contenuto generato è veramente o completamente nuovo. Inoltre, tutti i modelli di AI/ML generativi non si applicano solo al testo. L'utilizzo di metodi di ML per generare informazioni "nuove" o mancanti è chiamato AI generativa o modelli generativi. L 'IA generativa, secondo la definizione di IBM, "si riferisce a modelli di apprendimento profondo in grado di generare testi, immagini e altri contenuti di alta qualità in base ai dati su cui sono stati addestrati". Poiché l'intelligenza artificiale imita l'apprendimento umano, è limitata dal set di dati su cui è stata addestrata per produrre o generare altri risultati. Questi output possono essere immagini, come DALL-E, audio o text-to-speech, come Meta Voicebox, ma anche cruscotti analitici, testi e molto altro. 

Il settore dell'esperienza deve essere cauto nei confronti dell'IA generativa?

Il motivo del clamore che circonda l'IA - soprattutto se si considera che questi modelli generativi esistono da anni - è che finalmente sono nelle mani dell'utente di tutti i giorni e sono preziosi per la sua vita quotidiana. 

Tuttavia, tutti gli utenti dell'IA generativa dovrebbero considerare anche alcuni rischi legati all'utilizzo di questi modelli, alcuni dei quali sono inerenti all'analisi dei dati e all'IA in generale. In particolare, è fondamentale conoscere i dati su cui è stato addestrato un modello per ridurre le distorsioni e altri rischi. Come tutti i modelli AI/ML, dati di addestramento distorti, imprecisi o dannosi si tradurranno in risultati distorti, imprecisi o dannosi. Dati incompleti o dati che involontariamente - o intenzionalmente, in caso di dolo - sovrarappresentano alcuni gruppi possono portare a risultati generati che riflettono tali dati. Libri come Invisible Women di Caroline Criado Perez e Weapons of Math Destruction di Cathy O'Neil sono solo due dei molti libri scritti sui pregiudizi nell'analisi dei dati che dimostrano perché questo può essere un problema importante per l'IA di tutti i tipi. Procurare e garantire dati di addestramento di alta qualità, ben gestiti e ben curati può aiutare a minimizzare alcuni di questi problemi. 

Inoltre, l'IA generativa può incorrere in problemi di proprietà intellettuale e plagio se è stata addestrata su quel tipo di contenuti. I modelli di IA non sanno di essere addestrati su immagini o testi online protetti da copyright o correttamente attribuiti. Di conseguenza, questi modelli possono finire per generare "nuovi" contenuti che trascurano di fornire le corrette attribuzioni open-source o di eliminare i dati protetti da copyright dai dati di addestramento. A partire dal 2023 sono in corso numerose cause legali contro le aziende di IA generativa proprio per questo tipo di problemi. È quindi fondamentale per ogni azienda comprendere i dati su cui viene addestrata l'IA generativa.

How can AI help customer and employee experience?

Quando si parla dell'utilità dell'IA, di solito si fa riferimento all'automazione. Sebbene l'automazione sia una parte importante del motivo per cui l'IA è utile, non è l'automazione in sé a essere preziosa. L'automazione di per sé può essere rischiosa quando le situazioni cambiano o quando l'IA potrebbe commettere un errore, soprattutto perché nessuna IA o essere umano sarà mai preciso al 100% o avrà successo nel prendere decisioni. 

That being said, a lot of businesses with customer experience, contact center, and employee experience teams are being asked to do more with less time and money. AI-powered automations can help your teams take huge volumes of feedback data and substantially reduce time to insight and increase employee productivity, all while improving customer experiences. Beyond using NLP to surface insights into your data, the future of AI in customer and employee experience is bright.

Ad esempio, i riepiloghi automatici delle chiamate potrebbero eliminare le note post-call per il contact center. La riepilogazione dei record dei clienti, dei dipendenti e dell'azienda potrebbe consentire agli utenti di comprendere più rapidamente le esperienze collettive che un individuo ha avuto con la vostra azienda e di prendere decisioni in base a tali dati. La determinazione delle azioni successive migliori potrebbe essere ulteriormente informata dall'intelligenza artificiale per personalizzare esattamente i passi successivi da compiere per migliorare l'esperienza e la soddisfazione di un individuo nei confronti della vostra azienda. 

L'intelligenza artificiale per il professionista dell'esperienza quotidiana

Non è necessario essere uno scienziato dei dati o uno statistico per sfruttare l'IA nella vita di tutti i giorni. Semplicemente utilizzando Siri o una piattaforma come Medallia, si sfrutta l'IA per migliorare la propria produttività. In futuro, i metodi generativi diventeranno sempre più il motore di una maggiore produttività e personalizzazione dei flussi di lavoro e delle interazioni con le aziende. 

Se c'è un messaggio da trarre da questo blog, è questo: L'intelligenza artificiale non è una nuova tecnologia spaventosa che vi toglierà il lavoro. È uno strumento che probabilmente richiederà un'assistenza umana costante per essere efficace come promesso. Ciò significa che il personale dovrà monitorare e mantenere costantemente i modelli di IA di qualsiasi tipo - interni o open-source - per soddisfare i requisiti di conformità, qualità e regolamentazione. Per mantenere la sicurezza dei dati, la trasparenza dei dati di formazione e la qualità dei risultati occorrono persone, dagli etici agli ingegneri dei dati. In definitiva, anche se l'AI/ML utilizzabile è una vera e propria svolta, dobbiamo essere cauti nel suo utilizzo e allo stesso tempo godere della comodità che porta nelle nostre vite.

Registrati a Experience '24 per saperne di più su come Medallia ha utilizzato l'IA e continua a cambiare il gioco.