Video: Ateitis Cup 2018 U-13. Closing ceremony (Lapkritis 2024)
Dirbtinis intelektas (AI) būdavo frazė, naudojama beveik vien mokslinėje fantastikoje, siekiant paleisti bet ką - nuo Armagedono apsėstų superkompiuterių iki nelaimingų gamyklinių robotų, kuriuos pajuto klystantys žaibolaidžiai. Tačiau šiandien AI yra naudojama apibūdinti beveik kiekvieno verslo aspekto, naudojančio organizacijos duomenis, netolimą ateitį. Problema ta, kad, kaip ir ankstyvosiomis debesų kompiuterijos dienomis, AI technologijos kūrėjai linkę ją apibrėžti skirtingai. Dėl to iš AI, mašininio mokymosi (ML), numatomosios analizės ir net virtualių padėjėjų atsirado painus rinkodaros būdas.
Be to, sunku tiksliai orientuotis, kaip šios technologijos paveiks įvairius verslo aspektus. El. Komercija yra viena pagrindinių sričių, kurioje PG ir su ja susijusios technologijos jau seniai daro įtaką užkulisiuose. Elektroninėje komercijoje intelektualioji analizė suteikė naujų galimybių, pradedant personalizuota apsipirkimo patirtimi ir baigiant numatoma klientų elgsenos analize. Kalbėjomės su Krisu Hamricku, verslo padalinio vadovu, atsakingu už „IBM Watson“ klientų įtraukimą, kad išsiaiškintume tam tikrą painiavą, susijusią su AI ir elektronine prekyba. Taip pat diskutavome, kaip „Big Blue“ pasinaudos „IBM Watson“ elektroninės komercijos erdvėje.
PCMag: Ačiū, kad skyrėte laiko pasikalbėti su mumis. Pradėjus, nesudėtinga supainioti suasmenintą reklamą su „pažintine komercija“, nes abu dalykai apima duomenų ir analizės naudojimą, kad pasiūlymai atitiktų klientų pageidavimus ir įpročius. Taip pat įprasta supainioti pažintinę komerciją ir virtualizuotus padėjėjus, tokius kaip „Amazon“ „Alexa“ ir „Google“ padėjėjas. Kaip IBM vertina šių AI pagrįstų koncepcijų skirtumus?
Leiskite man paaiškinti, kaip IBM skiria AI nuo kognityvinio skaičiavimo. PG yra kompiuterio sugebėjimas suprasti ir pagrįsti kaip žmogus. Pažintinis skaičiavimas apima sugebėjimą suprasti, samprotauti, mokytis ir bendrauti, suartinant žmogų ir mašiną, kad jie mokytųsi vieni iš kitų ir sąveikautų galingesniu būdu, kai jie derinami.
Duomenys paruošia kelią AI. O kaip su visais tais duomenimis, esančiais ne vienoje programoje, verslo padaliniuose, išoriniuose šaltiniuose, tamsiuose duomenyse ir dar daugiau? Mes gyvename skirtingų sistemų pasaulyje, kurios, sujungus duomenis ar nustatant naujus modelius, gali suteikti 1 + 1 = 3 vertę. „Watson“ išskirtinumas yra galimybė naudotis visais šiais skirtingais duomenų šaltiniais, kartu su kognityviniais gebėjimais bendrauti su žmonėmis, suprasti verslo klausimus, sužinoti veiksmo priežastį ir galiausiai pasimokyti iš šios sąveikos ir panaudoti tą mokymąsi atliekant būsimas užklausas.
Kalbant apie personalizavimą, palyginti su kognityvine komercija, „Watson“ suteikia vartotojams galimybę peržengti, tarkime, ryšių su klientais valdymo analizę, kad įgytų gilesnių įžvalgų ir imtųsi veiksmų dėl daugiau informacijos, pavyzdžiui, tamsių duomenų, tokių kaip socialinė žiniasklaida, pokalbių kambariai, klientų aptarnavimo nuorašai ir kita. duomenys, kurie gali būti pridedami prie šiuolaikinių CRM. Naudodamiesi „Watson“, kampanijos gali naudoti išsamesnę informaciją ir įžvalgas, optimizuoti tokius dalykus kaip kainodara, įvykdymas, pristatymo vykdymas; numatyti iššūkius, kol jie neįvyks, ir galiausiai pagerinti KPI. Tai eksponentiškai pagerina vartotojų galimybes dirbti kartu įvairiose funkcinėse srityse ir daro geresnį poveikį verslui su mažesnėmis pastangomis.
Verslai šiandien bando tai padaryti turėdami išteklius. Jie turi ataskaitas, daugybę skaičiuoklių ir daugybę susitikimų apie visus tuos duomenis ir jų intuiciją. Galų gale, daugeliu atvejų jie vykdo veiklą remdamiesi pažintine paklaida - tai reiškia, kad jie filtruoja visus duomenis ir triukšmą, kad rastų duomenis, kurie atitiktų tai, kas anksčiau buvo daroma. Iš tikrųjų tai yra šališkumas, formuojantis sprendimą, o ne duomenys.
Apibendrinant galima pasakyti, kad „Watson Engagement“ programoje mes įtraukiame pažinimo galimybes į procesus, siekdami maksimaliai padidinti verslo efektyvumą, patobulinti rinkodaros / kainų nustatymo sprendimus ir optimizuoti visą tiekimo grandinę. Klientai taip pat gali tiesiogiai pasiekti tas pačias „Watson“ programų programavimo sąsajas, kad įgalintų jų pačių paliktas programas ir procesus su pažinimo galimybėmis. Svarbiausia, kad Watsonas pašalina anomalijas, rekomenduoja veiksmus ir paaiškina, kodėl .
PCMag: B2B komercija, be abejo, buvo sudėtingesnė nei B2C, automatizuojant ir didinant kainų pasiūlymus bei kainodarą, sąlygas ir operacijas. Pvz., Kol vartotojai perka kainas, verslas pridės derybas dėl kainų ir net tikėsis, kad prekybos saldikliais papildomai nusipirks kainą. Kaip kognityvinė komercija arba kognityvinė kompiuterija gali pakeisti tai, kaip sudaromi B2B sandoriai? Ir kaip tai apims pirkėjų išlaidas ir padidins pardavėjų pelną?
KH: B2B komercija yra puikus pavyzdys, kaip įmonė mokosi panaudoti kai kurias nuostabias revoliucijas, vykstančias B2C pasaulyje, norėdama padidinti pelną ir suteikti geresnę klientų ir partnerių prekybos patirtį. Mažoms ir vidutinėms įmonėms parduodančios įmonės susiduria su tais pačiais iššūkiais, kaip ir jų mažmeninės prekybos kolegos, įskaitant maržos mažėjimą, kanalų konfliktus, klientų pasitenkinimą, „Amazon efektą“ (per „Amazon Business“), leidžiant klientams pasirinkti norimą pirkimo kelią, leidžiant pardavimų žmonėms sutelkti dėmesį į tinkamas galimybes teikiant operacijų kanalą ir panašiai.
Pirmasis žingsnis yra suteikti partneriams ir klientams geresnę bendrą patirtį nei jūsų konkurencija ir aukštą klientų aptarnavimo lygį, kurio žmonės tikisi šiais laikais. Jei aš esu jūsų klientas, tai reiškia, kad turėsite žinoti mano sutartas kainų nustatymo sąlygas, mano pirkimo istoriją, parodyti man produktus ar pasiūlymus, susijusius su mano verslu, ir leisti man vartoti šiuos produktus ir paslaugas kliento draugiškas sprendimas. Norint pasiekti šiuos tikslus, pažinimo galimybes galima ir reikia austi visoje vertės grandinėje.
Šiandien matome, kad tai nutinka daugelyje pramonės šakų. Norėdami žengti žingsnį toliau, perduokite ne tik „sandorio“ klausimą ir pradėkite svarstyti, ką B2B reiškia įvairiose pramonės šakose ir kaip jie aptarnauja savo klientus.
Pavyzdžiui, pagrindiniai gamintojai gali numatyti orų tendencijas, kad, pristatydami gaminį, išvengtų tiekimo grandinės sutrikimų ir atsargų trūkumo. Vienas iš mūsų klientų, „Kone“, naudojasi elevatorių internetine informacija, kad galėtų numatyti susidėvėjimą ir pagal svarbą nustatyti techninę priežiūrą prieš nutraukiant aptarnavimą. Medicinos srityje „Quest Diagnostics“ naudoja „Watson“ norėdama ištirti asmens naviko biopsiją ir palyginti DNR seką su milijonų puslapių medicininiais žurnalais, tyrimų dokumentais ir klinikiniais tyrimais, kad onkologui būtų pateiktos geriausios gydymo rekomendacijos tam konkrečiam pacientui..
Šie pavyzdžiai akivaizdžiai labai skiriasi, tačiau tai tik pabrėžia, kad galimybės yra begalinės. Mes esame tik pažintinės kelionės pradžioje. Mes tik pradedame atrasti daugybę būdų, kaip ši technologija gali padėti pagerinti ryšius tarp verslo ir jų klientų.
PCMag: Skaitmeninė transformacija visur vyksta beprotiškai greitai ir sukuria žymiai daugiau duomenų, nei mes kada nors matėme. Tačiau duomenų mokslininkai mano, kad ir IBM, atrodo, sutinka, kad duomenys neturėtų egzistuoti atskirai, nes jų vertė daugiausia yra susijusi su sudėtingesnių užklausų prasmingumo ir konteksto pridėjimu. Kodėl „Watson“ išskirtinai tinka darbui su skirtingais duomenimis ir sudėtingomis užklausomis?
KH: Kaip jau aptarėme anksčiau, 88 procentai visų duomenų yra tamsūs. Reiškia, duomenų, kuriuose yra įžvalgų, kurių mes visi siekiame rasti, nėra duomenų šaltiniuose, kuriuos būtų lengva suvirškinti ar filtruoti. Be to, duomenų mokslininkai yra brangūs ištekliai ir jiems nėra lengva pritaikyti savo žinias visame versle ar mažesnėms įmonėms.
Su Watsonu siekiama paimti šiuos tamsius duomenis ir padaryti juos veiksmais tiems, kuriems to reikia. Galimybės yra begalinės. „Watson“ pasižymi unikaliomis galimybėmis sunaudoti didelius kiekius struktūruotų ir nestruktūruotų duomenų skirtingomis kalbomis, veikti pagal duomenis su daugybe pažintinių paslaugų, optimizuoti bet kurios auditorijos patirtį nuo verslo vartotojų iki vartotojų ir teikti tas pačias paslaugas kitoms įmonėms. per jų programas.
Čia yra daug pavyzdžių. Pirma, „Watson Tone Analyzer“ įgalina kalbinio turinio analizę, kuri gali aptikti ir suprasti pokalbių ir komunikacijos tonus, kad būtų galima tinkamai reaguoti. „Watson Personality Insights“ ištraukia asmenybės savybes pagal tai, kaip žmogus rašo. „Watson Conversation“ leidžia dislokuoti robotą ar virtualų agentą visuose įrenginiuose, pranešimų platformose, tokiose kaip „Slack“, ar net robotuose.
„Watson Visual Recognition“ supranta vaizdų turinį. Tai yra vienas iš mano mėgstamiausių, nes jis toks universalus. Vizualinį atpažinimą galite naudoti norėdami aptikti tam tikro tipo drabužius mažmeninės prekybos parduotuvėje, atpažinti sugadintus vaisius maisto prekių parduotuvės inventoriuje, išanalizuoti žalą, kurią kruša padarė vieno iš jūsų draudimo klientų stogui ir dar daugiau.
PCMag: Daugelio šių dienų duomenų demokratizacija vyksta arba bent jau planuojama. Tačiau tiesioginė duomenų vartojimo tendencija taip pat didėja, nes vartotojai kiekvieną dieną priima labiau į duomenis orientuotus sprendimus. Kokius vaidmenis gali atlikti „Watson“ ir kognityvinė komercija šioje duomenų vartojimo tendencijoje?
KH: Puiku: duomenys naudojami ne tik siekiant priimti daugiau verslo sprendimų, bet ir priima daugiau vartotojų sprendimų. Kaip ir įmonės, vartotojai nori daugiau duomenų, kad galėtų pasirinkti pagrįstą informaciją, tačiau jie nenori praleisti daug laiko ir energijos, norėdami daugiau informacijos praleisti. Jie nori greito rezultato ir žino, kad tai yra optimaliausias sprendimas atsižvelgiant į tai, ko jiems reikia tuo metu. Galiausiai jie nori sužinoti, kokie duomenys lėmė tą sprendimą.
Keletas pavyzdžių: Pirma, „1-800-Flowers“ neseniai pristatė „Gwyn“ kaip asmeninį konsjeržo robotą, kuris padėtų pirkėjams surasti geriausią produktą, atsižvelgiant į dovanos gavėjo nuotaikas ir asmenines nuostatas. Naudodamas „Watson“, Gwyn gali bendrauti su klientais internete, naudodamasis natūralia kalba. Pvz., Klientas gali įvesti „Aš ieškau dovanos savo motinai“ ir Gwyn galės tą klausimą išaiškinti, tada užduoti keletą tinkamų klausimų apie šią progą ir nuotaikas, kad užtikrintų, jog ji pateikia tinkamą ir pritaikytą dovanų pasiūlymą kiekvienam klientui. Tai suasmenina katalogą, rodo mažiau duomenų pirkėjui ir sutelkia dėmesį į tai, ką pirkėjas nori tuo metu atlikti.
Panašiai „The North Face“ siūlo interaktyvų, dialogu paremtą požiūrį, kad padėtų savo pirkėjams. Jūs turbūt negalvotumėte apie striukes kaip sudėtingą produktą, tačiau jie yra. Yra daug veiksnių, tokių kaip oro diapazonas, aktyvumo lygis ir mobilumas, į kuriuos pirkėjas iš pradžių negali atsižvelgti. Pasinaudodama Watsono sugebėjimais pritaikyti loginius samprotavimus ir gebėjimu suprasti, klasifikuoti ir vertinti natūralią kalbą, „North Face“ sistema užduoda trumpą rafinuotų klausimų seriją, kad pateiktų pritaikytas gaminio ir turinio rekomendacijas, atitinkančias pirkėjo suformuluotus norus ir nuostatas. Taip pat nurodoma priežastis, kodėl produkto savybės atitinka tuos specifinius poreikius. Tai atskleidžia duomenis, kurių jums reikia norint patvirtinti rekomendaciją.
Esame tvirtai įsitikinę, kad klientai tikisi tokio lygio individualizuotų paslaugų visais kanalais. Jie nori, kad patirtis būtų daugiau pokalbis, patirtis, kai jų paklaustų: „Kaip aš galiu tau padėti šiandien?“ Tai yra panaši į paslaugą, kurią gaunate įėję į mažmeninės prekybos parduotuvę, žinomą dėl puikaus klientų aptarnavimo. Galiausiai didžiausią rinkos dalį užims bendrovės, kurios gali pateikti geriausią prekės ženklo patirtį.
PCMag: Atrodo, kad mes jau greitai artėjame prie dienos, kai net realiojo laiko duomenų analizė yra per maža, per vėlu kai kuriais atvejais. Netrukus mums prireiks ir tikimės aktyvių padėjėjų - arba virtualių padėjėjų -, kurie ne tik nenumato , bet ir iš tikrųjų numato, ko mums reikės ar norime, net prieš tai paprašę. Neseniai paskelbtame „Proaktyviajame padėjėju“ tai pastebime anksti. Ką veikia IBM, kalbant apie aktyvią analizę?
KH: Tai sritis, kuriai IBM skyrė daug energijos. Mes sutelkėme dėmesį į kognityvinių galimybių, kurios padeda įmonėms suteikti prasmingą klientų įsitraukimo patirtį tiek esant B2C, tiek ir B2B scenarijams, teikimą. Mes jau aptarėme keletą pavyzdžių.
Manau, kad verslas istoriškai norėjo gauti kuo daugiau svarbių duomenų. Dėl duomenų sprogimo, kuris įvyko per pastaruosius kelerius metus, dabar turime daug duomenų. Dabar kyla problema, kaip visus šiuos duomenis naudoti be šališkumo. Be to, turime suderinti istorinius duomenis, sakykime, CRM sistemoje, su realybe to, ko dabar reikia potencialiam pirkėjui. Negalime užtemdyti vien to, ką CRM sistema sako, kad ji anksčiau įsigijo.
Pažintinis gali įgalinti naują CRM arba bent jau būti efektyviu viso sprendimo kintamuoju. Įmonės gali turėti tūkstančius duomenų taškų apie bet kurį B2B ar net B2C klientą. Tačiau šiame istoriniame vaizde reikia atsižvelgti į labai nedaug duomenų, kurie gali būti svarbiausi tuo metu, kai klientas svarsto pirkinį. Tai gali būti kintamieji, tokie kaip ketinimas, emocijos, tendencijos ir kiti išoriniai veiksniai.
Kad galėtų numatyti kitą geriausią veiksmą, kiekvienas verslas turi įvertinti savo klientų pirkimo įpročius ir nustatyti, kada dabartinė ar nuspėjama jų aplinkos tikrovė lenkia istorinius CRM duomenis. Tai yra aktyvi analizės vizija, kuria IBM dirba.
