Наше исследование показывает, что программы когнитивного взаимодействия в настоящее время не представляют угрозы для службы поддержки или отдела продаж. В большинстве изученных проектов цель состояла не в том, чтобы уменьшить количество сотрудников, а в том, чтобы справиться с растущим числом взаимодействий между ними и клиентами без найма дополнительного персонала. Некоторые организации планировали передать машинам управление рутинными коммуникациями, высвобождая персонал службы поддержки для более сложных задач, таких как решение сложных вопросов клиентов, ведение неструктурированных диалогов или выход на связь с клиентами еще до того, как они обратятся за решением проблемы.
Чем больше компании знакомятся с когнитивными инструментами, тем чаще они пытаются экспериментировать, запуская проекты, которые объединяют все три типа ИИ для большей эффективности. Например, один итальянский страховщик разработал «службу когнитивной поддержки» для своего ИТ-отдела. Система взаимодействует с сотрудниками, используя технологию глубокого обучения (из категории когнитивного прогнозирования) для поиска ответов на часто задаваемые вопросы, прецедентов решения проблем и документации. Она использует возможности интеллектуальной маршрутизации в автоматизированных бизнес-процессах для передачи наиболее сложных проблем специалистам, а также умеет обрабатывать пользовательские запросы на естественном, в данном случае итальянском, языке.
Однако, несмотря на быстро растущий опыт работы с когнитивными инструментами, компании сталкиваются со значительными препятствиями на этапах их разработки и внедрения. Опираясь на наше исследование, мы разработали четырехступенчатую структуру для интеграции технологий искусственного интеллекта, которые могут помочь компаниям в достижении их целей, будь то прорывные проекты или оптимизация бизнес-процессов.
1. Понимание технологий
Прежде чем запустить инициативу в области ИИ, компании должны разобраться в том, какие технологии решают какие типы задач, а также понять сильные и слабые стороны каждой из них. Например, основанные на четких правилах экспертные системы и RPA просты и понятны, но не способны к самообучению и улучшению. Глубокое обучение, с другой стороны, отлично подойдет для исследования больших массивов данных, но принципы, по которым оно строит свои модели, почти недоступны человеческому пониманию. Применение таких «черных ящиков» очень проблематично в отраслях с высоким уровнем государственного регулирования, таких как финансовый сектор, в которых регулирующие органы требуют доступа к механизмам принятия решений.
Мы столкнулись с несколькими организациями, которые впустую потратили время и деньги, выбрав технологию, просто подвернувшуюся под руку. Но, если компания