Как опыт текстовой аналитики из CX-исследований поможет в работе с генеративным ИИ

Генеративный ИИ стремительно демократизировал возможности текстового искусственного интеллекта. По сути, любой интернет-пользователь может задавать вопросы и получать ответы от этих сверхумных ботов.

Инструменты ИИ — в частности, большие языковые модели (LLM) — можно использовать для решения многих практических задач текстовой аналитики. Несмотря на новые реалии, изучение предшествующих результатов текстовой аналитики позволит не повторять ошибки и использовать новые инструменты с максимальной отдачей.

Если десять лет назад текстовый анализ не был широко распространен, то сейчас он стал стандартом для большинства масштабных или непрерывно идущих по работе с опытом клиента. Он помогает выявлять и количественно оценивать ключевые темы и настроения как через запрошенную (например, вопросов открытого типа), так и не запрошенную обратную связь (например, через отзывы в социальных медиа).

В этой статье наши CX-эксперты, опираясь на опыт текстовой аналитики за последние 15 лет, используя фреймворк «Truth, Beauty и Justice», разработанный Ipsos, представляют пять ключевых уроков, которые необходимо учитывать при использовании инструментов генеративного ИИ на базе LLM:

1. Прозрачность. Убедитесь, что вы четко представляете себе возможности LLM, характер данных, используемых для обучения модели, способна ли она обучаться и адаптироваться по мере получения новых данных. Прозрачность подразумевает наличие контрактов, управления и инфраструктуры для защиты конфиденциальности и безопасности данных и информации.
2. Качество данных. Если данные не репрезентативны или нерелевантны для вашей бизнес-задачи, или не содержат достаточной детализации для ответа на этот вопрос, результаты не будут соответствовать вашим целям.
3. Важность оценки. Чтобы получить максимальную отдачу от текстовой аналитики, необходимо систематически оценивать качество конкретных ситуаций использования. Использование моделей LLM с тем же строгим подходом к оценке эффективности, гарантирует максимальную отдачу.
4. Управление ожиданиями. Как и с текстовой аналитикой, важно управлять ожиданиями конечных пользователей в отношении результатов, полученными от LLM — результаты работы модели не должны оставаться без проверки.
5. Механизм использования/отчетности должен отвечать потребностям бизнеса. LLM и генеративный ИИ берут данные там же, где и для текстовой аналитики — из существующих настраиваемы интерфейсов для живого взаимодействия. Эти интерфейсы вместе с моделями, поддерживающими нужные функции, должны быть в руках правильных пользователей.

Читать подробнее