Видео: Future of Construction Industry: Artificial Intelligence (Ноябрь 2024)
Искусственный интеллект (ИИ) раньше использовался как фраза, используемая почти исключительно в научной фантастике, чтобы привести в движение что угодно, от одержимых Армагеддоном суперкомпьютеров до незадачливых заводских роботов, разрабатываемых случайными вспышками молнии. Но сегодня ИИ используется для описания ближайшего будущего практически каждого аспекта бизнеса, который использует данные организации. Проблема заключается в том, что, как и в первые дни облачных вычислений, разработчики технологии искусственного интеллекта склонны определять ее по-своему. Это вызвало недоумение в области маркетинга из-за искусственного интеллекта, машинного обучения (ML), прогнозной аналитики и даже виртуальных помощников.
Кроме того, как именно эти технологии будут влиять на различные аспекты бизнеса, стало трудно ориентироваться. Электронная коммерция является одной из ключевых областей, в которой ИИ и связанные с ним технологии долгое время оказывались за кулисами. В области электронной коммерции интеллектуальная аналитика предоставляет новые возможности - от персонализированных покупок до прогнозирующего анализа поведения клиентов. Мы поговорили с Крисом Хамриком, руководителем бизнес-подразделения, отвечающим за взаимодействие с клиентами компании Watson, чтобы разобраться в путанице, связанной с искусственным интеллектом и электронной торговлей. Мы также обсудили, как Big Blue будет использовать IBM Watson в сфере электронной коммерции.
PCMag: Спасибо, что нашли время поговорить с нами. Начнем с того, что персонализированную рекламу легко спутать с «когнитивной торговлей», так как они предполагают использование данных и аналитики для сопоставления предложений с предпочтениями и привычками клиентов. Также часто путают когнитивную коммерцию и виртуализированных помощников, таких как Alexa Amazon и Google Assistant. Как IBM видит различия между этими концепциями, основанными на искусственном интеллекте?
Позвольте мне объяснить, как IBM отличает ИИ от когнитивных вычислений. ИИ - это способность компьютера понимать и рассуждать как человек. Когнитивные вычисления включают в себя способность понимать, рассуждать, учиться и взаимодействовать, объединяя человека и машину, чтобы они учились друг у друга и взаимодействовали более мощным способом в сочетании.
Данные прокладывают путь для ИИ. Как насчет всех этих данных вне одного приложения, между подразделениями, внешними источниками, темными данными и т. Д.? Мы живем в мире разнородных систем, которые при объединении, когда установлены соединения между данными или определены новые шаблоны, могут обеспечить значение 1 + 1 = 3. Уникальность Watson заключается в его доступе ко всем этим различным источникам данных в сочетании с когнитивными способностями взаимодействовать с людьми, понимать деловые вопросы, выяснять причину действия и в конечном итоге учиться на этом взаимодействии и использовать это обучение в будущих запросах.
Что касается персонализации и когнитивной коммерции, Watson позволяет пользователям выходить за рамки, скажем, аналитики, основанной на управлении взаимоотношениями с клиентами, чтобы получить более глубокое понимание и принимать меры для получения дополнительной информации, такой как темные данные, такие как социальные сети, чаты, стенограммы обслуживания клиентов и другие. данные, которые могут быть добавлены к современным CRM. Используя Watson, кампании могут работать с более детальной информацией и знаниями, оптимизировать такие вещи, как ценообразование, выполнение, выполнение доставки; предвидеть проблемы, прежде чем они произойдут, и в конечном итоге улучшить ключевые показатели эффективности. Это в геометрической прогрессии улучшает способность пользователей работать вместе по всем функциональным областям и оказывает лучшее влияние на бизнес с меньшими усилиями.
Предприятия пытаются сделать это сегодня с ресурсами, которые они имеют. У них есть отчеты, множество электронных таблиц и множество встреч по поводу всех этих данных и их интуиции. Но, в конечном счете, во многих случаях они выполняются на основе когнитивного смещения, что означает, что они фильтруют все данные и шумы, чтобы найти данные, которые соответствуют тому, как это делалось раньше. По сути, именно предвзятость определяет решение, а не данные.
Подводя итог, можно сказать, что в рамках взаимодействия с клиентами Watson мы встраиваем познавательные возможности в процессы, чтобы максимизировать эффективность бизнеса, улучшать решения по мерчендайзингу / ценообразованию и оптимизировать всю цепочку поставок. Клиенты также могут получить доступ к тем же интерфейсам прикладного программирования Watson напрямую, чтобы включить свои собственные унаследованные приложения и процессы с когнитивными возможностями. Самое важное, что Ватсон выявляет аномалии, рекомендует действия и объясняет, почему .
PCMag: коммерция B2B, возможно, была хитрее, чем B2C, с точки зрения автоматизации, масштабирования ставок и ценообразования, сроков и транзакций. Например, в то время как потребители делают покупки по ценам, предприятия будут добавлять жесткие переговоры о ценах и даже ожидают, что в дополнение к ценовым покупкам будут подсластители сделок. Как когнитивная коммерция или когнитивные вычисления могут изменить способ заключения сделок B2B? И как это будет сдерживать расходы для покупателей и улучшать прибыль для продавцов?
KH: B2B-коммерция является отличным примером того, как предприятие учится использовать некоторые из удивительных революций, происходящих в мире B2C, чтобы максимизировать прибыль и обеспечить лучший опыт торговли клиентов и партнеров. Предприятия, продающие товары малым и средним предприятиям, сталкиваются с теми же проблемами, с которыми сталкиваются их розничные партнеры, включая снижение маржи, конфликты каналов, удовлетворенность клиентов, «эффект Amazon» (через Amazon Business), позволяющий клиентам выбирать желаемый путь покупки, что позволяет продавцы, чтобы сосредоточиться на правильных возможностях, предоставляя транзакционный канал и тому подобное.
Первый шаг - предоставить вашим партнерам и клиентам лучший общий опыт, чем ваши конкуренты, и высокий уровень обслуживания клиентов, которого люди ожидают в наши дни. Если я являюсь вашим клиентом, это означает, что вам нужно знать мои согласованные условия ценообразования, мою историю покупок, показывать мне продукты или предложения, которые имеют отношение к моему бизнесу, и позволять мне потреблять эти продукты и услуги у клиента. дружеское решение. Когнитивные способности могут и должны быть переплетены по всей цепочке создания стоимости для достижения этих целей.
Сегодня мы наблюдаем это во многих отраслях. Чтобы сделать еще один шаг вперед, переведите вопрос не только в «транзакцию» и начните анализировать, что означает B2B в различных отраслях и как они обслуживают своих клиентов.
Например, ведущие производители могут предвидеть погодные условия, чтобы избежать сбоев в цепочке поставок и нехватки запасов во время запуска продукта. Один из наших клиентов, Kone, использует данные IoT от лифтов, чтобы предвидеть износ и расставлять приоритеты по обслуживанию перед прекращением обслуживания. В области медицины Quest Diagnostics использует Watson для анализа биопсии опухоли человека и сравнения последовательности ДНК с миллионами страниц медицинских журналов, исследовательских работ и клинических испытаний, чтобы предоставить онкологу наилучшую рекомендацию по лечению для данного конкретного пациента., Эти примеры, очевидно, сильно различаются, но это только подчеркивает, что возможности безграничны. Мы только в начале познавательного путешествия. Мы только начинаем открывать, как эта технология может помочь улучшить отношения между предприятиями и их клиентами.
PCMag: цифровое преобразование происходит повсюду в бешеном темпе и создает гораздо больше данных, чем мы когда-либо видели. Но ученые считают, что, и IBM, похоже, согласна с этим, что данные не должны существовать изолированно, поскольку их ценность заключается в большей степени в добавлении содержательной глубины и контекста к сложным запросам. Почему Watson уникально подходит для работы с разнородными данными и сложными запросами?
К. Х.: Как мы уже говорили, 88% всех данных фактически темные. Это означает, что данные, содержащие информацию, которую мы все стремимся найти, находятся не в источниках данных, которые легко переваривать или фильтровать. Кроме того, исследователи данных являются дорогостоящим ресурсом и не могут легко масштабировать свои знания по всему бизнесу или до небольших компаний.
С Watson цель состоит в том, чтобы взять эти темные данные и сделать их доступными для тех, кто в них нуждается. Возможности безграничны. Watson обладает уникальными способностями потреблять большие объемы структурированных и неструктурированных данных на разных языках, работать с данными с помощью множества когнитивных услуг, оптимизировать взаимодействие с любой аудиторией, от бизнес-пользователей до потребителей, и предоставлять эти же услуги другим компаниям для встраивания. в своих приложениях.
Здесь много примеров. Например, «Watson Tone Analyzer» позволяет анализировать лингвистический контент, который может обнаруживать и понимать тоны в разговорах и сообщениях, чтобы отвечать соответствующим образом. «Watson Personality Insights» извлекает личностные характеристики на основе того, как человек пишет. «Watson Conversation» позволяет вам развернуть бота или виртуального агента на устройствах, платформах обмена сообщениями, таких как Slack, или даже на роботе.
И «Watson Visual Recognition» понимает содержание изображений. Это один из моих любимых, потому что он такой универсальный. Вы можете использовать Визуальное распознавание, чтобы обнаружить определенный тип платья в розничном магазине, определить испорченные фрукты в инвентаре продуктового магазина, проанализировать ущерб, нанесенный градом крыше одного из ваших страховых клиентов, и многое другое.
PCMag: демократизация данных уже ведется - или, по крайней мере, планируется - в большинстве организаций сегодня. Но обратная сторона - потребление данных - также имеет тенденцию к росту, так как потребители каждый день принимают все больше решений на основе данных. Какую роль играют или могут играть Уотсон и когнитивная коммерция в этой тенденции потребления данных?
КХ: Это замечательный момент: данные используются не только для принятия более важных бизнес-решений, но и для принятия более потребительских решений. Как и предприятия, потребители хотят больше данных, чтобы делать более осознанный выбор, но они не хотят тратить много времени и энергии, просматривая больше данных. Они хотят быстрого результата и знают, что это оптимальное решение, основанное на том, что им нужно в данный конкретный момент. Наконец, они хотят видеть, какие данные послужили основанием для этого решения.
Несколько примеров: Во-первых, 1-800-Flowers недавно представили «Gwyn» в качестве персонального бота-консьержа, чтобы помочь покупателям найти лучший продукт на основе настроений и личных предпочтений получателя подарка. Используя Watson, Gwyn может общаться с онлайн-клиентами, используя естественный язык. Например, клиент может напечатать «Я ищу подарок для моей мамы», и Гвин сможет интерпретировать этот вопрос, а затем задать ряд уточняющих вопросов о поводе и настроении, чтобы убедиться, что она предоставила соответствующий и индивидуальное предложение подарка для каждого клиента. Это персонализирует каталог, показывает меньше данных покупателю и фокусирует взаимодействие именно на том, что покупатель хочет выполнить в этот момент.
Точно так же The North Face предоставляет интерактивный, основанный на диалоге подход, чтобы помочь своим покупателям. Вы, вероятно, не думаете о куртках как о сложном продукте, но они есть. Существует множество факторов, таких как погодные условия, уровень активности и мобильность, которые покупатель может не учитывать изначально. Используя способности Уотсона применять логические рассуждения и его способность понимать, классифицировать и оценивать естественный язык, система North Face задает краткую серию уточняющих вопросов, чтобы предоставить индивидуальные рекомендации по продуктам и контенту, которые соответствуют сформулированным желаниям и предпочтениям покупателя. В нем также указана причина, по которой характеристики продукта соответствуют этим конкретным потребностям. Это предоставляет данные, необходимые для проверки рекомендации.
Мы твердо убеждены, что клиенты ожидают такого уровня персонализированного, персонализированного обслуживания по всем каналам. Они хотят, чтобы этот опыт был скорее разговором, опытом, где их спрашивают: «Как я могу помочь вам сегодня?» Это похоже на услугу, которую вы получаете при входе в розничный магазин, известный отличным обслуживанием клиентов. Компании, которые в состоянии обеспечить лучший опыт бренда, в конечном счете, будут теми, кто захватит большую часть рынка.
PCMag: Похоже, мы уже быстро приближаемся к дню, когда даже анализ данных в реальном времени слишком мал, слишком поздно для некоторых случаев использования. Вскоре нам понадобятся и ожидают проактивные помощники - или виртуальные помощники, - которые не просто предсказывают, но на самом деле предвидят то, что нам нужно или нужно, даже до того, как мы попросим об этом. Мы видим первые проблески этого в недавно анонсированном Google «Проактивном помощнике». Что делает IBM с точки зрения упреждающей аналитики?
КХ: Это та область, которой IBM посвятила много энергии. Мы были сосредоточены на предоставлении когнитивных возможностей, которые помогают компаниям обеспечить значимое взаимодействие с клиентами для сценариев B2C и B2B. Мы уже обсудили несколько примеров.
Я считаю, что компании исторически хотели получить доступ к как можно большему количеству соответствующих данных. С взрывом данных, который произошел за последние несколько лет, теперь у нас есть много данных. Теперь проблема в том, как сделать все эти данные пригодными для использования без предубеждений. Кроме того, мы должны сбалансировать исторические данные, содержащиеся, скажем, в CRM-системе, с реалиями того, что нужно потенциальному покупателю сейчас. Нас не может ослепить только то, что система CRM сообщает, что она куплена раньше.
Когнитивный может включить новую CRM или, по крайней мере, быть эффективной переменной в общем решении. Компании могут иметь тысячи точек данных на любом отдельном клиенте B2B или даже B2C. Но это историческое представление должно учитывать очень мало точек данных, которые могут быть наиболее важными в тот момент, когда клиент рассматривает покупку. Это может включать такие переменные, как намерение, эмоции, тенденции и другие внешние факторы.
Чтобы предсказать следующее лучшее действие, каждому бизнесу необходимо оценить модели покупок своих клиентов и определить, когда текущие или предсказуемые реалии их среды превосходят исторические данные CRM. Это концепция упреждающей аналитики, над которой работает IBM.
