Ada GPT‑4‑ს იყენებს მომხმარებელთა მომსახურების ახალი სტანდარტის მისაწოდებლად

Ada ხელს უწყობს მომხმარებელთა მომსახურებაზე დანახარჯების $100 მლრდ-იან ცვლილებას⁠(იხსნება ახალ ფანჯარაში), და ამ გარდამავალი პროცესის წინა ხაზზე დგას მათი AI-ზე ნატიური მომხმარებელთა მომსახურების ავტომატიზაციის პლატფორმა. 2016 წელს დაფუძნებული Ada⁠(იხსნება ახალ ფანჯარაში) ახლა $1.2 მლრდ-ად არის შეფასებული და ჯამში $200 მლნ დაფინანსება აქვს მიღებული; მის კლიენტებს შორის არიან Verizon, YETI, Canva და Square.

Ada-სთვის AI სიახლე არ არის — ის დაარსებიდანვე AI-ზე ნატიური პლატფორმაა. პროდუქტის პირველი თაობა აგებული იყო მორგებულ Natural Language Processing (NLP) მოდელებზე, რომლებიც კომპანიის შიგნით შეიქმნა და გაიწვრთნა. მაგრამ მათ შენიშნეს სხვაობა იმაში, რამდენ მომხმარებლის კითხვას უმკლავდებოდა მათი პლატფორმა და რამდენი მოთხოვნა წყდებოდა რეალურად დამაკმაყოფილებლად.

მომხმარებელთა მომსახურების ინდუსტრიის სტანდარტული მეტრიკა, containment rate, ზომავს მომხმარებლის იმ მოთხოვნების რაოდენობას, რომლებიც სრულად მუშავდება ჩატბოტის მიერ და არასდროს გადაეცემა ცოცხალ აგენტს. თუ containment rate-ს გაზრდით, თეორიულად მომხმარებელთა მომსახურების საოპერაციო ხარჯებს შეამცირებთ. მაგრამ Ada-ს გუნდმა ამ მეტრიკაში პრობლემა დაინახა.

„ბევრ გადაწყვეტას, მათ შორის Ada-საც, შეეძლო მარტივად მიეღო 80–100% containment rate, მაგრამ თუ რეალურად გახსნიდით ამ საუბრის ტრანსკრიპტებს და წაიკითხავდით, როგორი გამოცდილება ჰქონდათ მომხმარებლებს, ისინი საკმაოდ ცუდი იყო,“ თქვა Gozzo-მ.

იმაზე ფოკუსირებით, თუ რამდენად კარგად წყდებოდა რეალურად საუბრები, Ada-ს გუნდმა იცოდა, რომ შეეძლო მომხმარებელთა მომსახურების ინდუსტრიაში ახალი სტანდარტი დაემყარებინა.

თავდაპირველად GPT‑4‑ის გამოყენებით და საკუთარ ისტორიულ მონაცემებთან ერთად, Ada-მ შექმნა ახალი შეფასების ჩარჩო, რომელსაც შეეძლო შეეფასებინა საუბრები იმის მიხედვით, თუ რამდენად კარგად გადაწყდა ისინი ავტომატურად. Ada-ს სისტემა თითოეულ საუბარს აფასებს იმით, თუ რამდენად იღებენ მომხმარებლები შესაბამის, ზუსტ და უსაფრთხო პასუხებს — ადამიანის ჩარევის გარეშე. „ჩვენს ტესტირებაში ჩვენმა სისტემამ მიაღწია 80–90%-იან თანხვედრას ადამიანთან, რომელიც საუბარს კითხულობდა,“ თქვა Gozzo-მ.

გადაწყვეტის მაჩვენებლის გაგებით Ada-მ თავისი პროდუქტისათვის მთავარი ორიენტირი იპოვა. შეფასებისთვის OpenAI-ის API-ის გამოყენების გარდა, მათ OpenAI-თან თანამშრომლობაც გადაწყვიტეს, რათა თავიანთი AI აგენტის ახალი თაობა შეექმნათ.

Ada-მ OpenAI-ის მოდელები ადრეც გამოიყენა, ძირითადად მათი NLP მოდელებისთვის სასწავლო მონაცემების გენერირებისთვის. როცა თავიანთი ახალი გამოყენების შემთხვევებისთვის OpenAI-ის API გამოსცადეს, Ada-მ რამდენიმე განმასხვავებელი უპირატესობა შენიშნა:

• ინფერენციის ხარისხი: Ada-მ შექმნა სინთეტიკური სატესტო ჩარჩო, რომელიც ასიათასობით საბოლოო მომხმარებლის მათ სისტემასთან საუბარს სიმულირებს, ამიტომ ისინი მოდელებს მასშტაბირებადობასა და ხარისხზე სტრეს-ტესტავენ. „ჩვენ ყველა ძირითად მოდელს რეგულარულად ვაფასებთ, მათი გამოშვებიდან რამდენიმე კვირაშიც კი, და ამ დრომდე ჩვენს შეფასების ნაკრებში OpenAI-სთვის არავის გადაუჯობებია,“ თქვა Gozzo-მ.
• ლატენტურობა: Ada-ს ხმოვან გამოყენების შემთხვევებში საუკეთესო წარმადობის უზრუნველსაყოფად დაბალი ლატენტურობის მოდელები გადამწყვეტია. „რეალურ დროში მსჯელობისთვის GPT‑4o‑სთან ლატენტურობასა და საერთო ხარისხში დიდი ნახტომი ვნახეთ,“ თქვა Gozzo-მ.
• ფაინ-ტიუნინგი: Ada OpenAI-ის fine-tuning API-ს იყენებს, რათა კონკრეტულ პასუხში ჰალუცინაციების დონის შესახებ ნდობის ქულა მიიღოს, და ამ ქულას ინსტრუმენტების დანარჩენ ჯაჭვში იყენებს, რომ სისტემაში ჰალუცინაციების რაოდენობა შეამციროს. „გვაინტერესებს ასევე დროთა განმავლობაში fine tuning-ის გამოყენების შესაძლებლობა, რათა კიდევ უფრო გავაუმჯობესოთ ჩვენი სისტემის მსჯელობის უნარი, ასევე ამ ტექნიკის პოტენციალი, რომ პატარა, ნაკლებად ძვირადღირებულმა მოდელებმა მოწინავე მოდელების წარმადობას მიბაძონ,“ თქვა Gozzo-მ.

დღეს Ada-ს AI აგენტი იყენებს მრავალაგენტიან კონფიგურაციას — ცენტრალური დაგეგმვის აგენტითა და ქვეაგენტების ნაკრებით, რომლებიც 모두 OpenAI-ის API-ით მუშაობს. „ნებისმიერ დროს, როცა დაუკავშირდებით ბიზნესს, რომელიც Ada-ს იყენებს, თქვენი კითხვა OpenAI-ის მოდელების მრავალ ეტაპს გაივლის — გაიგებს მას, დაფიქრდება მასზე, გამოიძახებს ხელსაწყოებს და მოიზიდავს ცოდნას მანამ, სანამ პასუხი გენერირდება,“ განმარტა Gozzo-მ.

Ada-ს პროდუქტის წინა ვერსიას 70%-იანი containment rate ჰქონდა, მაგრამ 30%-იანი გადაწყვეტის მაჩვენებელი. იმ კლიენტებში, რომლებიც Ada-მ ახალ სისტემაზე გადაიყვანა, containment-ის შედეგები მსგავსია, თუმცა, როგორც წესი, ხედავენ გადაწყვეტის მაჩვენებელს 60%-მდე, ხოლო საუკეთესო შედეგის მქონე კლიენტებში — 80%-ზე მეტს.

„ერთი ტექნოლოგიიდან მეორეზე გადასვლისას ორჯერ გავზარდეთ იმ საუბრების რაოდენობა, რომელთა ავტომატურად გადაწყვეტაც შესანიშნავი გამოცდილებით შეგვიძლია,“ თქვა Gozzo-მ. Ada-ს კლიენტებისთვის ამ მეტრიკას უზარმაზარი შემდგომი გავლენა აქვს ROI-ზე, მათ შორის full time equivalent (FTE) დანაზოგზე, მომხმარებელთა კმაყოფილებაზე, შენარჩუნებასა და ახალ რეგისტრაციებზე.

Ada იმდენად დარწმუნებულია მომხმარებლის მოთხოვნების გადაწყვეტის საკუთარ უნარში, რომ მიზნად 100%-იანი გადაწყვეტის მაჩვენებელი დაისახა — რაც სულ რამდენიმე წლის წინ ფანტაზიას ჰგავდა. „ახლა 100%-იანი გადაწყვეტა არა ‘თუ’, არამედ ‘როდის’ საკითხია,“ თქვა Gozzo-მ.

ბაზარიც შეიცვალა — როცა Ada ავტომატიზებულ გადაწყვეტაზე საუბრობს, დიდ სკეპტიციზმს იშვიათად აწყდება. „საწარმოები სულ უფრო უკეთ ერკვევიან,“ თქვა Gozzo-მ. „ისინი სერიოზულად ფიქრობენ AI სტრატეგიებზე და მხარს უჭერენ, რომ მსგავსი ტექნოლოგია თავიანთ ოპერაციებში შეიტანონ.“ კლიენტებს შეუძლიათ Ada-ს LLM-ზე დაფუძნებული AI აგენტების ონბორდინგი, გაზომვა და გაწვრთნა ისევე, როგორც ადამიანური აგენტის. Ada-ს მიზნები მომდევნო 12 თვის განმავლობაში არის მკვეთრად გაზარდოს თავისი პროდუქტის გამჭვირვალობა და ის მართვის ბერკეტები, რომლებსაც კლიენტებს სთავაზობს.

შესაძლებლობის განცდა ორმხრივია. „ერთი რამ, რაც OpenAI-ში გამოირჩევა სხვა პარტნიორებთან შედარებით, არის უდიდესი აღფრთოვანებისა და ცნობისმოყვარეობის გრძნობა,“ თქვა Gozzo-მ. „იგრძნობა, რომ გუნდში ყველას ეს საქმე მართლა უყვარს. ბიზნესურთიერთობის ფარგლებსაც სცდება — საქმე იმაშია, რომ რაღაცას ერთად ვაშენებთ, და ეს მართლაც გამაგრილებელია.“