生成式人工智慧在客戶參與度中的演變
新一代的客戶參與度策略
隨著技術的不斷發展，客戶參與度對於銷售和市場專業人員來說仍存在著眾多挑戰。而生成式人工智慧已經成為解決這些挑戰的有效方式之一。Sendbird 產品總監 Shailesh Nalawadi 表示：“生成式人工智慧可以讓你與客戶進行對話，並在客戶需要答案或支援的任何時間和地點提供智慧、個性化和有助益的回應。”過去，對話式人工智慧主要依賴於基於規則的系統和預先定義的回應，這約束了面向客戶的解決方案的靈活性和有用性。客戶被迫找出正確提問的方式，因為機器只會回應它們預先設定的問題。這常常讓客戶感到惱怒，放棄與機器對話，並要求與人對話。生成式人工智慧，憑藉 ChatGPT 等機器學習模型，取得了重大的進步。它們可以理解問題的語義含義，而不僅僅是尋找關鍵詞，生成具有人性聲音的回應，並根據對話內容自動適應，使對話式人工智慧更加有效。
生成式人工智慧的應用案例
其中一個 LLM 模型的最有效特點之一是，它能夠消化並準確總結大量的文字資料。例如，Sendbird 的客戶支援功能可以將客戶的所有對話摘要在一個工單中，這有助於實現代理人的無縫對接。代理人不再需要閱讀長達數週的故障排除記錄，或者忽視背景故事並讓客戶重複講述，所有相關訊息都以直觀的英語呈現。Nalawadi 解釋道：“這可能是一個很簡單的例子，但對於接收新的工單的代理人來說這節省了大量的生產力時間。”另一個例子是預約排程。對於繁忙的醫生辦公室來說預約排程是前線行政助手的一個巨大時間浪費。可以透過生成式人工智慧提供基於對話的自助服務體驗。在一個非常人性化的對話中，患者可以解釋他們的需求和可用時間，而人工智慧則可以提供符合客戶要求的時間、日期和醫生。在金融科技領域，生成式人工智慧解決方案可以代替客戶篩選和搜尋長時間的交易記錄，總結交易記錄並提供客戶需要的答案，甚至解釋他們的財務狀況。
管理生成式人工智慧的風險
Nalawadi 表示生成式人工智慧存在更廣泛的社會問題，每家公司都應理解有關該技術的道德考慮，包括資料隱私、AI 生成內容中的潛在偏見以及 AI 跳到不正確結論並返回錯誤結果的幻覺。他解釋道：“重要的是，這些模型必須在多樣且具有代表性的資料集上進行訓練，以避免產生偏見的結果。”此外需要定期監測並對模型進行調整，以維持準確性和相關性。這包括確保 LLM 模型使用的資料盡可能新鮮，因為當前最好的 LLM 模型只使用了 18 個月前的資料，這是由於培訓的成本所限。同時在將人工智慧整合到客戶體驗中時，與客戶透明溝通並為那些不希望與人工智慧助手對話的客戶提供退出選項也至關重要。他解釋道：“某些人群，如年長者，可能無法打字，或對自動化系統感到不舒服，如果你是一個希望提供包容性的品牌，你必須尊重這些客戶不希望選擇這種方式。同時在設定中存在許多願意透過非同步的基於聊天的方式獲得所需商品的消費者。這不會是一種“一刀切”的解決方案。不同品牌將需要兼顧兩者。”另一個重要因素是人工審核。為了確保對話還符合預期，並且在客戶需要升級時可以提供支援，人類操作員需要定期監測客戶和 AI 之間的互動。
生成式人工智慧和客戶參與度的未來
Nalawadi 表示：“人類之間的交流非常細膩，每一代人工智慧都將在理解人們在說什麼以及人們對其期望方面變得更加複雜和精緻。”這將是持續不斷的演進，在這個過程中，將出現更多的能力。其中一個是多回合對話的重大突破，它是一種複雜的對話能力，可以讓機器對話參與者進行更長更複雜的對話。它需要理解每一個對話中回應的上下文以及已經獲得的訊息。這對於人類對話來說是根本的，但對於自然語言 AI 來說一直是一個挑戰。“隨著這些能力的演進，品牌在客戶參與度方面將獲得更好的客戶體驗，自動化例行任務的程度將提高，並可能在越來越多的行業中實現更深入的整合，”他解釋道。但這也將引發更多道德問題，有關負責任的使用的對話將是必要的，特別是宕機器開始吸收和重建資訊時，界定哪些資料屬於公共領域，版權和合理使用的邊界在哪裡。“LLM 模型引發了一系列問題，不僅是技術人員和開發者，政府和政策圈子也應該參與其中”他說道。“但我現在看到的讓我感到振奮的是，開發 LLM 模型的社區與監管機構和更廣泛的社會之間有非常積極的互動。”
生成式人工智慧在客戶參與度中的演變
新一代的客戶參與度策略
隨著技術的不斷發展，客戶參與度對於銷售和市場專業人員來說仍存在著眾多挑戰。而生成式人工智慧已經成為解決這些挑戰的有效方式之一。Sendbird 產品總監 Shailesh Nalawadi 表示：“生成式人工智慧可以讓你與客戶進行對話，並在客戶需要答案或支援的任何時間和地點提供智慧、個性化和有助益的回應。”過去，對話式人工智慧主要依賴於基於規則的系統和預先定義的回應，這約束了面向客戶的解決方案的靈活性和有用性。客戶被迫找出正確提問的方式，因為機器只會回應它們預先設定的問題。這常常讓客戶感到惱怒，放棄與機器對話，並要求與人對話。生成式人工智慧，憑藉 ChatGPT 等機器學習模型，取得了重大的進步。它們可以理解問題的語義含義，而不僅僅是尋找關鍵詞，生成具有人性聲音的回應，並根據對話內容自動適應，使對話式人工智慧更加有效。
生成式人工智慧的應用案例
其中一個 LLM 模型的最有效特點之一是，它能夠消化並準確總結大量的文字資料。例如，Sendbird 的客戶支援功能可以將客戶的所有對話摘要在一個工單中，這有助於實現代理人的無縫對接。代理人不再需要閱讀長達數週的故障排除記錄，或者忽視背景故事並讓客戶重複講述，所有相關訊息都以直觀的英語呈現。Nalawadi 解釋道：“這可能是一個很簡單的例子，但對於接收新的工單的代理人來說這節省了大量的生產力時間。”另一個例子是預約排程。對於繁忙的醫生辦公室來說預約排程是前線行政助手的一個巨大時間浪費。可以透過生成式人工智慧提供基於對話的自助服務體驗。在一個非常人性化的對話中，患者可以解釋他們的需求和可用時間，而人工智慧則可以提供符合客戶要求的時間、日期和醫生。在金融科技領域，生成式人工智慧解決方案可以代替客戶篩選和搜尋長時間的交易記錄，總結交易記錄並提供客戶需要的答案，甚至解釋他們的財務狀況。
管理生成式人工智慧的風險
Nalawadi 表示生成式人工智慧存在更廣泛的社會問題，每家公司都應理解有關該技術的道德考慮，包括資料隱私、AI 生成內容中的潛在偏見以及 AI 跳到不正確結論並返回錯誤結果的幻覺。他解釋道：“重要的是，這些模型必須在多樣且具有代表性的資料集上進行訓練，以避免產生偏見的結果。”此外需要定期監測並對模型進行調整，以維持準確性和相關性。這包括確保 LLM 模型使用的資料盡可能新鮮，因為當前最好的 LLM 模型只使用了 18 個月前的資料，這是由於培訓的成本所限。同時在將人工智慧整合到客戶體驗中時，與客戶透明溝通並為那些不希望與人工智慧助手對話的客戶提供退出選項也至關重要。他解釋道：“某些人群，如年長者，可能無法打字，或對自動化系統感到不舒服，如果你是一個希望提供包容性的品牌，你必須尊重這些客戶不希望選擇這種方式。同時在設定中存在許多願意透過非同步的基於聊天的方式獲得所需商品的消費者。這不會是一種“一刀切”的解決方案。不同品牌將需要兼顧兩者。”另一個重要因素是人工審核。為了確保對話還符合預期，並且在客戶需要升級時可以提供支援，人類操作員需要定期監測客戶和 AI 之間的互動。
生成式人工智慧和客戶參與度的未來
Nalawadi 表示：“人類之間的交流非常細膩，每一代人工智慧都將在理解人們在說什麼以及人們對其期望方面變得更複雜和細膩。”這將是持續不斷的演進，在這個過程中，將出現更多的能力。其中一個是多回合對話的重大突破，它是一種複雜的對話能力，可以讓機器對話參與者進行更長更複雜的對話。它需要理解每一個對話中回應的上下文以及已經獲得的訊息。這對於人類對話來說是根本的，但對於自然語言 AI 來說一直是一個挑戰。“隨著這些能力的演進，品牌在客戶參與度方面將獲得更好的客戶體驗，自動化例行任務的程度將提高，並可能在越來越多的行業中實現更深入的整合，”他解釋道。但這也將引發更多道德問題，有關負責任的使用的對話將是必要的，特別是宕機器開始吸收和重建資訊時，界定哪些資料屬於公共領域，版權和合理使用的邊界在哪裡。“LLM 模型引發了一系列問題，不僅是技術人員和開發者，政府和政策圈子也應該參與其中”他說道。“但我現在看到的讓我感到振奮的是，開發 LLM 模型的社區與監管機構和更廣泛的社會之間有非常積極的互動。”
