یکی از مقوله‌های داغ در فضای هوش مصنوعی مولد، پشتیبانی از مشتری است، که واقعاً تعجب‌آور نیست، وقتی پتانسیل فناوری را برای کاهش هزینه‌های مرکز تماس و در عین حال افزایش مقیاس در نظر بگیرید. منتقدان استدلال می‌کنند که فناوری پشتیبانی مشتری مبتنی بر هوش مصنوعی می‌تواند دستمزدها را کاهش دهد، منجر به اخراج کارکنان شود و در نهایت تجربه کاربر نهایی مستعد خطا را به ارمغان بیاورد. از سوی دیگر، حامیان می‌گویند که هوش مصنوعی مولد کارگران را تقویت می‌کند - نه جایگزین - و در عین حال آنها را قادر می‌سازد تا روی کارهای معنادارتر تمرکز کنند.

جسی ژانگ در اردوی طرفداران است. البته او کمی مغرضانه است. ژانگ همراه با آشوین سرینواس، Decagon را تأسیس کرد، یک پلتفرم هوش مصنوعی مولد برای خودکارسازی جنبه‌های مختلف کانال‌های پشتیبانی مشتری.

ژانگ به خوبی از سختی رقابت در بازار برای پشتیبانی مشتری مبتنی بر هوش مصنوعی آگاه است که نه تنها غول‌های فناوری مانند گوگل و آمازون، بلکه استارت‌آپ‌هایی مانند Parloa، Retell AI و Cognigy را در بر می‌گیرد (که اخیراً ۱۰۰ میلیون دلار جمع‌آوری کرده‌اند). بر اساس یک تخمین، ارزش این بخش تا سال 2032 به 2.89 میلیارد دلار می رسد که از 308.4 میلیون دلار در سال 2022 بیشتر است.

اما ژانگ فکر می‌کند که هم تخصص مهندسی Decagon و هم رویکرد عرضه به بازار به آن مزیت می‌دهد. ژانگ به TechCrunch گفت: «زمانی که برای اولین بار شروع کردیم، توصیه غالبی که دریافت کردیم این بود که فضای پشتیبانی مشتری را دنبال نکنیم، زیرا خیلی شلوغ بود. «در نهایت، چیزی که برای ما کارساز بود این بود که به شدت آنچه را که مشتریان می‌خواستند، اولویت بندی کنیم و تمرکز لیزری را روی آنچه مشتریان از آن ارزش دریافت می‌کنند، حفظ کنیم. این تفاوت بین یک کسب و کار واقعی و یک نسخه نمایشی هوش مصنوعی پر زرق و برق است. "

ژانگ و سرنیواس هر دو دارای سوابق فنی هستند و در استارتاپ ها و سازمان های بزرگتر فناوری کار کرده اند. ژانگ قبل از تبدیل شدن به یک معامله گر در Citadel، شرکت بازارساز، مهندس نرم افزار در گوگل بود و Lowkey، یک پلتفرم بازی اجتماعی را که توسط Niantic سازنده Pokémon Go در سال 2021 خریداری شد، تأسیس کرد. Sreenivas قبل از تأسیس یک استراتژیست در Palantir بود. استارتاپ بینایی کامپیوتر Helia که در سال 2020 به هوش مصنوعی یونیکورن Scale فروخت.

Decagon، که عمدتاً به شرکت‌ها و استارت‌آپ‌های «با رشد بالا» می‌فروشد، چت‌بات‌های پشتیبانی مشتری را توسعه می‌دهد. ربات‌ها که توسط مدل‌های هوش مصنوعی شخص اول و شخص ثالث هدایت می‌شوند، قابل تنظیم هستند و می‌توانند پایگاه‌های دانش کسب‌وکار و مکالمات تاریخی مشتریان را برای به دست آوردن درک زمینه‌ای بیشتر از مسائل جذب کنند.

ژانگ گفت: «هنگامی که ساختن را شروع کردیم، متوجه شدیم که «ربات‌های شبیه انسان» مستلزم چیزهای زیادی است، زیرا عوامل انسانی قادر به استدلال پیچیده، انجام اقدامات و تجزیه و تحلیل مکالمات پس از این واقعیت هستند. از صحبت با مشتریان، واضح است که در حالی که همه خواهان بهره وری عملیاتی بیشتر هستند، نمی توانند به قیمت تجربه مشتری تمام شوند – هیچ کس چت ربات ها را دوست ندارد.

پس چگونه ربات های Decagon مانند چت ربات های سنتی نیستند ؟ خوب، ژانگ می گوید که آنها از مکالمات و بازخوردهای گذشته درس می گیرند. شاید مهمتر از آن، آنها می توانند با برنامه های دیگر ادغام شوند تا از طرف مشتری یا نماینده اقداماتی مانند پردازش بازپرداخت، دسته بندی پیام دریافتی یا کمک به نوشتن یک مقاله پشتیبانی انجام دهند.

در انتهای صفحه، شرکت ها تجزیه و تحلیل و کنترل ربات های Decagon و مکالمات آنها را دریافت می کنند.

ژانگ گفت: «کارگزاران انسانی قادرند مکالمات را تجزیه و تحلیل کنند تا روندها را متوجه شوند و پیشرفت‌ها را بیابند. داشبورد تحلیلی مبتنی بر هوش مصنوعی ما به‌طور خودکار مکالمات مشتریان را تحلیل و برچسب‌گذاری می‌کند تا مضامین را شناسایی کند، ناهنجاری‌ها را علامت‌گذاری کند و گفت نی‌هایی را به پایگاه دانش آن‌ها پیشنهاد کند تا به سؤالات مشتری بهتر رسیدگی شود.»

در حال حاضر، هوش مصنوعی مولد به این شهرت دارد که بسیار کم‌نقص است - و در برخی موارد، از نظر اخلاقی به خطر افتاده است. ژانگ به شرکت‌هایی که مراقب باشند ربات‌های Decagon به کسی بگویند که چسب بخورد یا مقاله‌ای پر از محتوای سرقت ادبی بنویسد، یا اینکه Decagon مدل‌های داخلی خود را بر اساس داده‌های آنها آموزش دهد، چه او میگوید ؟

اصولاً می گوید نگران نباشید. او گفت: «ارائه حفاظ‌های لازم برای مشتریان و نظارت بر عوامل هوش مصنوعی آنها مهم بوده است. ما مدل‌های خود را برای مشتریان خود بهینه‌سازی می‌کنیم، اما این کار را به‌گونه‌ای انجام می‌دهیم که اطمینان حاصل شود که غیرممکن است هر داده‌ای به طور ناخواسته در معرض دید مشتری دیگر قرار گیرد. به عنوان مثال، مدلی که پاسخی برای مشتری A ایجاد می کند، هرگز در معرض داده های مشتری B قرار نمی گیرد.

فناوری Decagon - در حالی که دارای محدودیت‌های مشابهی با سایر برنامه‌های مولد مبتنی بر هوش مصنوعی است - اخیراً مشتریان نام تجاری مانند Eventbrite، Bilt و Substack را جذب کرده است و به Decagon کمک می‌کند تا به نقطه سربه‌سر برسد. سرمایه‌گذاران قابل‌توجهی نیز از جمله، آرون لوی، مدیرعامل باکس، هاوی لیو، مدیر عامل ایرتابل و جک آلتمن، مدیرعامل لاتیس، وارد این سرمایه‌گذاری شده‌اند.

تا به امروز، دکاگون 35 میلیون دلار در دورهای اولیه و سری A جمع آوری کرده است که با مشارکت اندریسن هوروویتز، اکسل (که رهبری سری A)، A* و کارآفرین الاد گیل را داشت. ژانگ می گوید که این پول برای توسعه محصول و گسترش نیروی کار مستقر در سانفرانسیسکو در Decagon صرف می شود.

ژانگ گفت: «یک چالش کلیدی این است که مشتریان عوامل هوش مصنوعی را با چت‌بات‌های نسل قبلی یکی می‌دانند، که در واقع کار را انجام نمی‌دهند. "بازار پشتیبانی مشتری از چت ربات های قدیمی اشباع شده است که اعتماد مصرف کنندگان را از بین برده اند. راه‌حل‌های جدید این نسل باید سر و صدای مدیران فعلی را از بین ببرد.»

خبرکاو