دیمیتری ماسین مدیرعامل و بنیانگذار آزمایشگاههای شیبنمایندگان پشتیبانی مشتری خودمختار ساختمان راه اندازی هوش مصنوعی که به طور خاص برای صنایع تنظیم شده مانند خدمات مالی طراحی شده اند. قبل از تأسیس آزمایشگاه های شیب در سال 2023 ، ماسین نقش های ارشد رهبری را در بانک مونزو از جمله معاون رئیس جمهور علوم داده ، جرم مالی و کلاهبرداری برگزار کرد و قبلاً در Google کار می کرد. تحت رهبری وی ، Gradient Labs به سرعت کشش را به دست آورد و در طی پنج ماه از زمان راه اندازی ، درآمد مکرر سالانه به 1 میلیون پوند رسید. تمرکز ماسین بر توسعه سیستم های هوش مصنوعی است که عملکرد بالا را با رعایت دقیق نظارتی ترکیب می کند و اتوماسیون ایمن و مقیاس پذیر را برای عملیات پیچیده مشتری امکان پذیر می کند.
چه چیزی شما را به راه اندازی آزمایشگاه های شیب پس از چنین سفر موفق در مونزو القا کرد؟
در مونزو ، ما سالها صرف کار در اتوماسیون پشتیبانی مشتری کرده بودیم ، به طور معمول سود 10 ٪ بهره وری را هدف قرار دادیم. اما در اوایل سال 2023 ، ما با انتشار GPT-4 شاهد تغییر فن آوری لرزه ای بودیم. ناگهان ، امکان خودکار سازی 70-80 ٪ از کارهای دستی و تکراری کاملاً مستقل از طریق هوش مصنوعی امکان پذیر شد.
این پیشرفت فناوری که ما در حال حاضر از طریق الهام بخش ما برای شروع آزمایشگاه های شیب هستیم. در حرفه من ، دو موج انقلابی را دیده ام: انقلاب موبایل (که در اوایل کار من اتفاق افتاد) ، و اکنون هوش مصنوعی. وقتی می دانید که در وسط چنین تحولی هستید که نحوه عملکرد جهان را به طور کامل تغییر می دهد ، باید لحظه ای را به دست آورید. تیم ما می دانست – این زمان است.
در مونزو ، شما به رهبری این شرکت از طریق Hypergrowth گسترده کمک کردید. برخی از بزرگترین درس های آن تجربه ای که اکنون در آزمایشگاه های شیب اعمال می کنید چیست؟
اول ، استقلال را با جهت تعادل برقرار کنید. در مونزو ، ما در ابتدا فرض كردیم كه مردم به سادگی از استقلال رونق می گیرند – این چیزی است كه بیشتر آنها را انگیزه می دهد. با این حال ، این دیدگاه اکنون بسیار ساده است. من معتقدم که مردم نیز راهنمایی می کنند. استقلال واقعی به مردم نمی گوید “هر کاری را که تصمیم دارید انجام دهید” انجام دهید ، بلکه در حالی که به آنها آزادی می دهد برای حل مشکلات خوب تعریف شده ، جهت روشنی را فراهم می کند.
دوم ، استعداد برتر نیاز به جبران خسارت دارد. اگر قصد دارید 5 ٪ برتر در عملکرد خود را استخدام کنید ، باید بر این اساس بپردازید. در غیر این صورت ، شرکت های بزرگ فناوری هنگامی که مشخص شود شما استعدادی برتر دارید که کم هزینه است ، آنها را استخدام می کنند.
سوم ، چرخ را دوباره اختراع نکنید. در مونزو ، ما سعی کردیم رویکردهای خلاقانه ای برای ساختار کار ، سیستم های جبران خسارت و نردبان های شغلی ایجاد کنیم. غذای اصلی: نوآوری انرژی را در اصول سازمانی هدر ندهید – هزاران شرکت قبلاً بهترین شیوه ها را ایجاد کرده اند. من هنوز پست های LinkedIn را در مورد “خلاص شدن از شر همه عناوین و سلسله مراتب” می بینم – من این نمایشنامه را بارها و بارها تماشا کرده ام و تقریباً همه شرکت ها در نهایت به ساختارهای سنتی برمی گردند.
آزمایشگاه های شیب بر صنایع تنظیم شده متمرکز است ، که به طور سنتی نیازهای پیچیده ای دارند. چگونه به ساخت یک عامل هوش مصنوعی (مانند OTTO) نزدیک شدید که می تواند به طور مؤثر در این محیط کار کند؟
ما یک رویکرد غیر متعارف اتخاذ کردیم و توصیه های معمولی را برای انتشار سریع و تکرار محصول زنده رد کردیم. درعوض ، ما 14 ماه قبل از انتشار اتو گذراندیم و از ابتدا نوار بسیار با کیفیت را حفظ کردیم. ما باید چیزی را ایجاد کنیم که بانک ها و موسسات مالی به آن اعتماد کنند تا از حمایت آنها کاملاً مستقل استفاده کنیم.
ما در حال ساخت خلبان نبودیم-ما در حال ساخت اتوماسیون نهایی به پشتیبانی مشتری بودیم. با سابقه ما در خدمات مالی ، ما یک معیار داخلی دقیق برای “چه خوب به نظر می رسد” داشتیم و به ما امکان می داد بدون تکیه بر بازخورد مشتری ، کیفیت را ارزیابی کنیم. این امر به ما این آزادی را داد که در حالی که سریع تکرار می شویم ، وسواس بر کیفیت را وسواس دهیم. بدون مشتریان زنده ، ما می توانیم جهش های بیشتری را انجام دهیم ، چیزها را آزادانه بشکنیم و به سرعت محوری کنیم – در نهایت یک محصول برتر را در هنگام عرضه ارائه می دهیم.
اتو فراتر از پاسخ دادن به سؤالات ساده است و گردش کار پیچیده را به خود اختصاص می دهد. آیا می توانید ما را طی کنید که چگونه Otto وظایف چند مرحله ای یا پرخطر را مدیریت می کند که مأمورین AI معمولی در آن شکست می خورند؟
ما Otto را در مورد مفهوم SOPS (رویه های عملیاتی استاندارد) ساخته ایم – اساساً اسناد راهنمایی که به زبان انگلیسی ساده نوشته شده است که جزئیات نحوه رسیدگی به موضوعات خاص را شرح می دهد ، مشابه آنچه به یک عامل انسانی می دهید.
دو تصمیم اصلی معماری ، اتو را به ویژه در مدیریت گردش کار پیچیده مؤثر می کند:
اول ، ما قرار گرفتن در معرض ابزار را محدود می کنیم. یک حالت خرابی مشترک برای عوامل هوش مصنوعی ، انتخاب نادرست از گزینه های بسیار زیاد است. برای هر روش ، ما فقط یک زیر مجموعه کوچک از ابزارهای مربوطه را در معرض اتو قرار می دهیم. به عنوان مثال ، در یک گردش کار جایگزینی کارت ، Otto ممکن است به جای 30 ثبت شده در سیستم ، 1-2 ابزار را ببیند. این امر با کاهش فضای تصمیم گیری ، دقت را به طرز چشمگیری بهبود می بخشد.
دوم ، ما بخش اعظم زیرساخت های دستیار هوش مصنوعی معمولی را بازسازی کرده ایم تا استدلال گسترده ای از زنجیره ای را فعال کنیم. معماری ما به جای اینکه به سادگی رویه ها را به یک دستیار OpenAI یا انسان شناسی پرتاب کند ، امکان پردازش چندگانه بین ورودی ها و خروجی ها را فراهم می کند. این استدلال عمیق تر و نتایج قابل اطمینان تر را امکان پذیر می کند.
آزمایشگاه های گرادیان از دستیابی به “کیفیت فوق بشری” در پشتیبانی مشتری یاد می کند. “کیفیت فوق بشری” برای شما چه معنایی دارد و چگونه آن را در داخل اندازه گیری می کنید؟
کیفیت فوق بشری به معنای ارائه پشتیبانی مشتری به طور قابل اندازه گیری بهتر از آنچه انسان می تواند به دست آورد. سه مثال زیر این را نشان می دهد:
اول ، دانش جامع. نمایندگان هوش مصنوعی می توانند مقادیر زیادی از اطلاعات را پردازش کرده و دانش مفصلی از یک شرکت داشته باشند. در مقابل ، انسان ها معمولاً فقط یک زیر مجموعه کوچک از اطلاعات را می آموزند ، و وقتی چیزی را نمی دانند ، باید با پایگاه های دانش مشورت کنند یا به همکاران تشدید شوند. این منجر به تجربه ناامید کننده ای می شود که مشتریان بین تیم ها به سر می برند. در عوض ، یک عامل هوش مصنوعی درک عمیقی از شرکت و فرآیندهای آن دارد و پاسخ های مداوم و پایان را ارائه می دهد-نیازی به تشدید نیست.
دوم ، جستجوی غیر تنبل-هوش مصنوعی سریع جمع آوری اطلاعات است. در حالی که انسان سعی می کند با پرسیدن سوالات از مشتریان قبل از بررسی ، وقت خود را صرفه جویی کند ، هوش مصنوعی قبل از شروع مکالمه ، اطلاعات حساب ، پرچم ها ، هشدارها و پیام های خطا را بررسی می کند. بنابراین ، هنگامی که مشتری به طور مبهم می گوید “من با X مشکل دارم” ، هوش مصنوعی می تواند به جای پرسیدن چندین سؤال شفاف ، بلافاصله راه حل ارائه دهد.
سرانجام ، صبر و قوام کیفیت. بر خلاف انسانهایی که برای رسیدگی به تعداد مشخصی از پاسخ ها در هر ساعت با فشار روبرو هستند ، هوش مصنوعی ما به طور مداوم با کیفیت ، صبر و ارتباطات مختصر حفظ می کند. این پاسخ با صبر و حوصله تا زمانی که نیاز داشته باشد بدون عجله.
ما این را در درجه اول از طریق نمرات رضایت مشتری اندازه گیری می کنیم. برای همه مشتریان فعلی ، ما به نمرات CSAT می رسیم که به طور متوسط 80 ٪ -90 ٪-به طور معمول بالاتر از تیم های انسانی آنها است.
شما عمداً از اتصال آزمایشگاه های شیب به یک ارائه دهنده LLM جلوگیری کرده اید. چرا این انتخاب مهم بود و چگونه بر عملکرد و قابلیت اطمینان برای مشتریان شما تأثیر می گذارد؟
در طول دو سال گذشته ، ما مشاهده کرده ایم که بزرگترین پیشرفت های عملکرد ما از توانایی ما در تغییر به بهترین مدل بعدی هر زمان که Openai یا Anthropic چیزی سریعتر ، بهتر یا دقیق تر منتشر می کرد ، ناشی می شود. چابکی مدل مهم بوده است.
این انعطاف پذیری به ما امکان می دهد ضمن مدیریت هزینه ها به طور مداوم کیفیت را بهبود بخشیم. برخی از کارها به مدل های قدرتمند تری نیاز دارند ، برخی دیگر کمتر. معماری ما ما را قادر می سازد تا با گذشت زمان سازگار و تکامل پیدا کنیم و مدل بهینه را برای هر موقعیت انتخاب کنیم.
سرانجام ، ما از LLMS با منبع باز خصوصی که در زیرساخت های مشتریان میزبان هستند پشتیبانی خواهیم کرد. به دلیل معماری ما ، این یک انتقال ساده خواهد بود ، که به ویژه در هنگام خدمت به بانکهایی که ممکن است نیازهای خاصی در مورد استقرار مدل داشته باشند ، از اهمیت ویژه ای برخوردار است.
آزمایشگاه های شیب فقط ساختن یک چت بابات نیستند-شما قصد دارید فرآیندهای پشتی را نیز اداره کنید. بزرگترین چالش های فنی یا عملیاتی در اتوماسیون این نوع کارها با هوش مصنوعی چیست؟
دو دسته فرآیند مجزا وجود دارد که هر کدام چالش های خاص خود را دارند:
برای فرآیندهای ساده تر ، این فناوری تا حد زیادی در حال حاضر وجود دارد. چالش اصلی ادغام است – اتصال به بسیاری از سیستم های پس زمینه و ابزاری که موسسات مالی از آن استفاده می کنند ، زیرا بیشتر عملیات مشتری شامل سیستم های داخلی بی شماری است.
برای فرآیندهای پیچیده ، چالش های فنی قابل توجهی باقی مانده است. این فرایندها به طور معمول نیاز به استخدام و آموزش به مدت 6-12 ماه برای توسعه تخصص ، مانند تحقیقات کلاهبرداری یا ارزیابی پولشویی دارند. چالش در اینجا انتقال دانش است – چگونه می توانیم به عوامل هوش مصنوعی همان تخصص دامنه را بدهیم؟ این یک مشکل سخت است که همه در این فضا هنوز در تلاش برای حل آن هستند.
چگونه آزمایشگاه های شیب نیاز به سرعت و کارآیی هوش مصنوعی را با الزامات دقیق انطباق صنایع تنظیم شده متعادل می کنند؟
مطمئناً تعادل است ، اما در سطح مکالمه ، نماینده ما به سادگی زمان بیشتری برای فکر کردن می گیرد. این چندین عامل را ارزیابی می کند: آیا من می دانم مشتری چه می پرسد؟ آیا من جواب صحیح می دهم؟ آیا مشتری علائم آسیب پذیری را نشان می دهد؟ آیا مشتری می خواهد شکایت کند؟
این رویکرد عمدی تأخیر را افزایش می دهد-زمان پاسخ متوسط ما ممکن است 15-20 ثانیه باشد. اما برای موسسات مالی ، این یک تجارت عادلانه است. یک پاسخ 15 ثانیه ای هنوز بسیار سریعتر از پاسخ انسان است ، در حالی که ضمانت های کیفیت برای شرکتهای تنظیم شده ای که با آنها کار می کنیم بسیار مهمتر است.
آیا آینده ای را پیش بینی می کنید که به نمایندگان هوش مصنوعی نه تنها به پشتیبانی بلکه به کارهای تصمیم گیری بالاتر در موسسات مالی نیز اعتماد داشته باشد؟
مؤسسات مالی قبلاً از تکنیک های سنتی هوش مصنوعی برای تصمیمات بالا قبل از موج فعلی AI تولیدی استفاده می کردند. جایی که من می بینم فرصت واقعی اکنون در ارکستراسیون است – نه تصمیم گیری ، بلکه هماهنگی کل روند.
به عنوان مثال ، مشتری اسناد را بارگذاری می کند ، یک عامل هوش مصنوعی آنها را به یک سیستم اعتبار سنجی هدایت می کند ، تأیید اعتبار را دریافت می کند ، و سپس اقدامات مناسب و ارتباطات مشتری را تحریک می کند. این عملکرد ارکستراسیون جایی است که عوامل هوش مصنوعی برتری دارند.
برای تصمیم گیری های بالاترین امتیاز ، من در کوتاه مدت تغییر زیادی نمی بینم. این مدل ها نیاز به توضیح ، پیشگیری از تعصب و تصویب از طریق کمیته های ریسک مدل دارند. مدل های بزرگ زبان در این زمینه ها با چالش های قابل توجهی روبرو خواهند شد.
از نظر شما ، چگونه AI تجربه مشتری را برای بانک ها ، شرکت های fintech و سایر بخش های تنظیم شده در طی 3-5 سال آینده تغییر می دهد؟
من پنج روند اصلی را می بینم که تجربه مشتری را تغییر می دهند:
اول ، تعامل واقعی همه کانال. تصور کنید که یک گپ را در برنامه بانکی خود شروع کنید ، سپس یکپارچه با همان عامل هوش مصنوعی به صدا بروید. صدا ، تماس و گپ در یک تجربه مداوم واحد قرار می گیرد.
دوم ، UI های تطبیقی که ناوبری را در برنامه به حداقل می رساند. مشتریان به جای شکار در منوها برای کارکردهای خاص ، نیازهای خود را به سادگی ابراز می کنند: “لطفاً محدودیت های من را افزایش دهید” – و این عمل بلافاصله از طریق مکالمه اتفاق می افتد.
سوم ، اقتصاد واحد بهتر. پشتیبانی و OPS مراکز عظیم هزینه است. کاهش این هزینه ها می تواند به بانک ها اجازه دهد تا به مشتریان قبلاً بی سود خدمت کنند یا پس انداز خود را به کاربران منتقل کنند – به ویژه در بخش های زیرین.
چهارم ، پشتیبانی استثنایی در مقیاس. در حال حاضر ، استارتاپ هایی با تعداد کمی از مشتریان می توانند پشتیبانی شخصی را ارائه دهند ، اما با رشد شرکت ها ، کیفیت به طور معمول تخریب می شود. هوش مصنوعی پشتیبانی عالی را مقیاس پذیر می کند ، نه فقط ممکن.
سرانجام ، پشتیبانی مشتری از یک ضرورت ناامیدکننده به یک سرویس واقعاً مفید تبدیل می شود. این دیگر به عنوان یک هزینه زیرساخت های فشرده کار ، بلکه به عنوان یک نقطه لمسی با ارزش و کارآمد مشتری که تجربه کلی را افزایش می دهد ، تلقی نمی شود.
با تشکر از شما برای مصاحبه عالی ، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید بازدید کنند آزمایشگاههای شیببشر
