כיום, לאור ריבוי אמצעי התקשורת בין לקוחות לבין ספקי השירות שלהם, המטרה העיקרית היא להעביר את המידע בדרך פשוטה ויעילה וכן לשלב את האינטראקציות בחיים האישיים ובשגרת העבודה שלהם – בקלות ובנוחות. זאת באמצעות שילוב יכולות של אינטליגנציה מלאכותית (AI). כך לדוגמא, ניתן להסתכל על שירות בנקאי, שמטרתו להעניק גישה מהירה למידע ולספק פתרונות אוטומטיים. בבית חולים, לעומת זאת, האינטליגנציה המלאכותית יכולה לשמש כתמיכה נוספת לרופאים ולאחיות כדי שיוכלו לטפל בחולים טוב יותר.
בכל אחד מהתרחישים האלה, אחת הצורות של AI, שמאפשרת שירות טוב יותר היא צ'טבוטים, המאפשרים שילוב אמצעי דיגיטלי של תקשורת באתרי אינטרנט ובמכשירים ניידים (כמו צ'ט דרך אפליקציה בנייד, או "לדבר" עם מחשב דרך הטלפון), שמקלים על התקשורת, חוסכים זמן ומאפשרים למשתמשים להתמקד בתמונה הגדולה. זו הסיבה שארגונים רבים מיישמים צ'טבוטים או מתנסים בהם – ככל שהלקוח יהיה שבע רצון יותר, כך השורה התחתונה תהיה משמעותית יותר.
למעשה, מחקר שנעשה על ידי חברת המחקרGrand View צופה ששוק הצ'טבוטים יוערך ב-1.25 מיליארד דולר עד לשנת 2025 - זהו שיעור צמיחה שנתי צרוף של 24.3 אחוז. צמיחה זו נובעת בין השאר מההבטחה לירידה בעלויות התפעול, כמו גם מפיתוחים מתמשכים בלמידה ממוחשבת.
אבל, ברובם, הצ'טבוטים של היום לא כוללים בכלל יכולות של אינטליגנציה מלאכותית- הם לינאריים, מתוכנתים עם תסריט מראש קול- טקסט (או טקסט לטקסט) ומבצעים משימות מוגבלות מאד וקבועות מראש. בעוד שיש להם ערך משמעותי בדרכים מסוימות, הם לעיתים קרובות נתקלים בקיר מאחר והם לא מתוכנתים להתמודד עם משימות חדשות. האם אנו מסוגלים לשנות באמת את הצ'טבוטים של היום ולהפוך אותם ל-AI, כדי לגשר על פער זה? מה חסר? התשובה היא למידה ממוחשבת.
רוב הצ'טבוטים היום כוללים יכולות עיבוד שפה בסיסיות (NLP) – הם מוגבלים למערכת מילים, משפטים, שפות ומבטאים קבועה מראש (ועדיין מאד יקרה לביצוע) ויוצרים דיאלוג המתבסס על מערכת מוגבלת זו. אם צ'טבוטים עומדים להפוך לנפוצים, הם צריכים שיהיה להם את היכולת למיין בצורה אקטיבית מידע חדש, לנתח אותו, ללמוד אותו ולספק תשובות המבוססות על הידע החדש הזה. זה המקום שבו הערך האמיתי שלהם טמון- וזה המקום שבו צ'טבוטים הופכים ל-'AI שיחתי'. כמו במקרה של ביג דאטה, האחסון וההסתמכות עליו יכול להיות בעל ערך רב- כאשר הניתוח שלו הופך למשאב עיקרי עבור הארגון.
במונחים של Layman, 'AI שיחתי' הוא צ'טבוט בעל דומיין בודד. כלומר הוא מתוכנת למטרה אחת בלבד- לדוגמא, מערכת חקירת חיוב בנקאית. למרות זאת, המשתנה המבדיל שלו טמון ביכולת ליצור בצורה אוטונומית שיחת דומיין פתוחה עם הלקוח על ידי כך שהוא מסוגל למנף למידה ממוחשבת ולהרחיב את בסיס הידע שלו. זה יכול לנוע בטווח של כניסה למאגרי מידע שונים וליישומים לפי דרישה, ועד לאינטראקציה אקטיבית עם צ'טבוטים אחרים כדי לתקן מידע, ואפילו למנף בלוקצ'יין. כל זה מתרחש בתוך רשת מאובטחת ופרטית כדי להבטיח שהמידע מוגן בכל הזמנים.
ארגון אוסטרלי פיננסי גדול נמצא עכשיו בתהליכי יישום AI שיחתי שיגבירו את האבטחה על חשבונות הלקוחות על ידי שילוב של למידה ממוחשבת וביומטריה קולית. ברגע שהלקוח מתקשר לשירות הלקוחות, המערכת תזהה אותו באמצעות שיחה טבעית, כאשר AI שיחתי מנתח את המידע של הלקוח כדי לצייד את נציג שירות הלקוחות עם כל המידע שהוא צריך כדי לסייע לפתרון הבעיה במהירות האפשרית. זה גם מאפשר למנף בלוקצ'יין במטרה להבטיח שהנתונים הפיננסיים שבהם משתמשים הם אותנטיים, במיוחד אם ישנו חשש לתרמית.
היישום של סוג כזה של מערכת מצריך הבנה בסיסית של המטרות של הארגון. כאשר אנו מדברים על הלקוחות שלנו, אנו מפתחים מפה של מסע הלקוח שמדגישה את נקודות ההשקה עם הלקוח כדי לבנות את האסטרטגיות הטובות ביותר להעצמת חוויית הלקוח. המרכיב הטכנולוגי מיועד לשלב שבו דרישות הארגון כבר נקבעו, שבשלב זה אנו נוקטים בגישה של מודל המרוכז בפיתוח תוכנה שמיועד לבנות פלטפורמות פתוחות ו-APIs. אנו מסתכלים על כל שלב של המסע של הלקוח כדי לפתח את האסטרטגיה המתאימה עבור כל תרחיש ספציפי. אנו לכן יכולים לאפשר ללקוחות שלנו להבין טוב יותר את הלקוחות כשהם באים במגע עם AI שיחתי בתוך התהליך שלהם.
בעוד שרוב הצ'טבוטים לא עונים כרגע על המנטרה של ה-AI במצב הנוכחי, לארגונים יש את ההזדמנות להפיק ערך אמיתי עבור הלקוחות שלהם והארגונים שלהם על ידי חקר של תפקיד הלמידה הממוחשבת כחלק ממפת הדרכים הטכנולוגית. ברגע שנתגבר על המכשול הזה, הצ'טבוט יהפוך ל-AI שיחתי שיוכל לענות על דרישות של נוחות, כך שידרשו פחות משאבים כדי לבצע משימות בצורה מהירה, מה שיוביל לחוויה טובה יותר עבור הלקוחות, העובדים והארגונים.
כיום, לאור ריבוי אמצעי התקשורת בין לקוחות לבין ספקי השירות שלהם, המטרה העיקרית היא להעביר את המידע בדרך פשוטה ויעילה וכן לשלב את האינטראקציות בחיים האישיים ובשגרת העבודה שלהם – בקלות ובנוחות. זאת באמצעות שילוב יכולות של אינטליגנציה מלאכותית (AI). כך לדוגמא, ניתן להסתכל על שירות בנקאי, שמטרתו להעניק גישה מהירה למידע ולספק פתרונות אוטומטיים. בבית חולים, לעומת זאת, האינטליגנציה המלאכותית יכולה לשמש כתמיכה נוספת לרופאים ולאחיות כדי שיוכלו לטפל בחולים טוב יותר.
בכל אחד מהתרחישים האלה, אחת הצורות של AI, שמאפשרת שירות טוב יותר היא צ'טבוטים, המאפשרים שילוב אמצעי דיגיטלי של תקשורת באתרי אינטרנט ובמכשירים ניידים (כמו צ'ט דרך אפליקציה בנייד, או "לדבר" עם מחשב דרך הטלפון), שמקלים על התקשורת, חוסכים זמן ומאפשרים למשתמשים להתמקד בתמונה הגדולה. זו הסיבה שארגונים רבים מיישמים צ'טבוטים או מתנסים בהם – ככל שהלקוח יהיה שבע רצון יותר, כך השורה התחתונה תהיה משמעותית יותר.
למעשה, מחקר שנעשה על ידי חברת המחקרGrand View צופה ששוק הצ'טבוטים יוערך ב-1.25 מיליארד דולר עד לשנת 2025 - זהו שיעור צמיחה שנתי צרוף של 24.3 אחוז. צמיחה זו נובעת בין השאר מההבטחה לירידה בעלויות התפעול, כמו גם מפיתוחים מתמשכים בלמידה ממוחשבת.
אבל, ברובם, הצ'טבוטים של היום לא כוללים בכלל יכולות של אינטליגנציה מלאכותית- הם לינאריים, מתוכנתים עם תסריט מראש קול- טקסט (או טקסט לטקסט) ומבצעים משימות מוגבלות מאד וקבועות מראש. בעוד שיש להם ערך משמעותי בדרכים מסוימות, הם לעיתים קרובות נתקלים בקיר מאחר והם לא מתוכנתים להתמודד עם משימות חדשות. האם אנו מסוגלים לשנות באמת את הצ'טבוטים של היום ולהפוך אותם ל-AI, כדי לגשר על פער זה? מה חסר? התשובה היא למידה ממוחשבת.
רוב הצ'טבוטים היום כוללים יכולות עיבוד שפה בסיסיות (NLP) – הם מוגבלים למערכת מילים, משפטים, שפות ומבטאים קבועה מראש (ועדיין מאד יקרה לביצוע) ויוצרים דיאלוג המתבסס על מערכת מוגבלת זו. אם צ'טבוטים עומדים להפוך לנפוצים, הם צריכים שיהיה להם את היכולת למיין בצורה אקטיבית מידע חדש, לנתח אותו, ללמוד אותו ולספק תשובות המבוססות על הידע החדש הזה. זה המקום שבו הערך האמיתי שלהם טמון- וזה המקום שבו צ'טבוטים הופכים ל-'AI שיחתי'. כמו במקרה של ביג דאטה, האחסון וההסתמכות עליו יכול להיות בעל ערך רב- כאשר הניתוח שלו הופך למשאב עיקרי עבור הארגון.
במונחים של Layman, 'AI שיחתי' הוא צ'טבוט בעל דומיין בודד. כלומר הוא מתוכנת למטרה אחת בלבד- לדוגמא, מערכת חקירת חיוב בנקאית. למרות זאת, המשתנה המבדיל שלו טמון ביכולת ליצור בצורה אוטונומית שיחת דומיין פתוחה עם הלקוח על ידי כך שהוא מסוגל למנף למידה ממוחשבת ולהרחיב את בסיס הידע שלו. זה יכול לנוע בטווח של כניסה למאגרי מידע שונים וליישומים לפי דרישה, ועד לאינטראקציה אקטיבית עם צ'טבוטים אחרים כדי לתקן מידע, ואפילו למנף בלוקצ'יין. כל זה מתרחש בתוך רשת מאובטחת ופרטית כדי להבטיח שהמידע מוגן בכל הזמנים.
ארגון אוסטרלי פיננסי גדול נמצא עכשיו בתהליכי יישום AI שיחתי שיגבירו את האבטחה על חשבונות הלקוחות על ידי שילוב של למידה ממוחשבת וביומטריה קולית. ברגע שהלקוח מתקשר לשירות הלקוחות, המערכת תזהה אותו באמצעות שיחה טבעית, כאשר AI שיחתי מנתח את המידע של הלקוח כדי לצייד את נציג שירות הלקוחות עם כל המידע שהוא צריך כדי לסייע לפתרון הבעיה במהירות האפשרית. זה גם מאפשר למנף בלוקצ'יין במטרה להבטיח שהנתונים הפיננסיים שבהם משתמשים הם אותנטיים, במיוחד אם ישנו חשש לתרמית.
היישום של סוג כזה של מערכת מצריך הבנה בסיסית של המטרות של הארגון. כאשר אנו מדברים על הלקוחות שלנו, אנו מפתחים מפה של מסע הלקוח שמדגישה את נקודות ההשקה עם הלקוח כדי לבנות את האסטרטגיות הטובות ביותר להעצמת חוויית הלקוח. המרכיב הטכנולוגי מיועד לשלב שבו דרישות הארגון כבר נקבעו, שבשלב זה אנו נוקטים בגישה של מודל המרוכז בפיתוח תוכנה שמיועד לבנות פלטפורמות פתוחות ו-APIs. אנו מסתכלים על כל שלב של המסע של הלקוח כדי לפתח את האסטרטגיה המתאימה עבור כל תרחיש ספציפי. אנו לכן יכולים לאפשר ללקוחות שלנו להבין טוב יותר את הלקוחות כשהם באים במגע עם AI שיחתי בתוך התהליך שלהם.
בעוד שרוב הצ'טבוטים לא עונים כרגע על המנטרה של ה-AI במצב הנוכחי, לארגונים יש את ההזדמנות להפיק ערך אמיתי עבור הלקוחות שלהם והארגונים שלהם על ידי חקר של תפקיד הלמידה הממוחשבת כחלק ממפת הדרכים הטכנולוגית. ברגע שנתגבר על המכשול הזה, הצ'טבוט יהפוך ל-AI שיחתי שיוכל לענות על דרישות של נוחות, כך שידרשו פחות משאבים כדי לבצע משימות בצורה מהירה, מה שיוביל לחוויה טובה יותר עבור הלקוחות, העובדים והארגונים.
לפרטים נוספים ויצירת קשר עם נציג אורקל
הודעתך לא התקבלה - נסה שוב מאוחר יותר