مرکز تماس، میوه رسیده و دم‌دست صنعت هوش مصنوعی بوده است. از هر رهبر فناوری اطلاعات یا کسبوکار بپرسید میخواهد از هوش مصنوعی عاملمحور چه کاری بگیرد، میگوید بهبود تجربه مشتری، که از مرکز تماس شروع میشود. اما صنعت دو سال گذشته را صرف بحث بر سر این کرد که کدام عامل هوش مصنوعی باهوشتر است. این بحث اشتباه است. توانایی مدل‌ها چنان سریع بهتر و چنان سریع ارزان‌تر میشود که هوش و استدلال خام، کم‌تمایزترین بخش این پشته در حال تبدیل شدن است.
چالش واقعی سازمان‌ها، اداره قابل اعتماد مجموعه‌ای از عاملهای هوش مصنوعی در تمام سفر مشتری، با دید و کنترلی است که یک کسبوکار بزرگ میخواهد. بدون آن، این انسان است، یا بدتر از آن مشتری، که باید میان خروجی‌های فزاینده عامل‌هایی که با آن‌ها در ارتباط است نقطه‌ها را به هم وصل کند.
این همان تز نسل تازه Cognigy است که نایس (NiCE Ltd.) این هفته عرضه کرد. این نسخه شامل استودیوی تجربه عاملمحور بازطراحیشده، دستیاری به نام AI Assist که در ساخت، آزمون و بهبود عامل همراه است، «مهارت‌های» قابل استفاده مجدد که دستورها و ابزارها را بسته‌بندی می‌کنند، ردیابی گامبهگام و پشتیبانی بومی از مدل گفتار به گفتار است.
تبدیل گفتار به متن، متن به گفتار و مدل‌های زبانی بزرگ پیش‌فرض اکنون در قیمت هر گفتگو گنجانده شده‌اند و مدل‌های حرفه‌ای دیپ‌گرام، الون‌لبز و آنتروپیک با چند کلیک و بر پایه مصرف قابل انتخاب‌اند. پیش از عرضه، در یک جلسه توجیهی تحلیلی با نهو هو، مدیر ارشد بازاریابی محصول در نایس Cognigy، و کلمان بوتیه، مدیر محصول که تیم سازنده این نسخه را رهبری می‌کند و مالک نقشه راه پلتفرم است، حضور داشتم. مهم‌ترین نکته‌ها از این عرضه:
توانمند بودن با قابل اتکا بودن یکی نیست
هو با نموداری شروع کرد که نشان می‌داد هوش مصنوعی چه مدت می‌تواند خودش کار کند تا انسان باید وارد شود: در ۲۰۲۰ ثانیه‌ها، در ۲۰۲۴ دقیقه‌ها و امسال حدود ۱۶ ساعت. پانویس نمودار جالب بود، چون این عدد را با نرخ موفقیت ۵۰ درصد محاسبه کرده بود. هو گفت: «توانمند بودن و قابل اتکا بودن همیشه یک معنا نمی‌دهند. دقیقاً همین‌جاست که پلتفرم اهمیت پیدا می‌کند.»
برای رهبران تجربه مشتری این یک معیار سنجش خوب است. نرخ موفقیت ۵۰ درصد در پژوهش یک نقطه عطف است؛ در مرکز تماس یعنی از دست دادن مشتری یا نقض مقررات. با کالایی‌شدن مدل‌ها، ارزش به سیستم اطرافشان منتقل میشود: آزمون، ردیابی، حفاظ‌ها و مسیرهای بازگشت قطعی. نایس مدل پیشرو نمی‌سازد و سازندگان مدل پیشرو مرکز تماس اداره نمی‌کنند. جا دادن Cognigy در جایگاه لایه‌ای که هوش مصنوعی را قابل اتکا می‌کند انتخاب هوشمندانه‌ای است.
سادگی یک اصلاح استراتژیک است، نه آرایشی
Cognigy پیش از خرید، جایگاه رهبری خود را با اجرای استقرارهای پیچیده تولیدی برای برندهای بزرگی مثل لوفت‌هانزا، مرسدس و دی‌اچ‌ال به دست آورده بود. اما همین انعطاف و قابلیت سفارشی‌سازی، پیچیدگی اضافه می‌کرد. بوتیه این‌طور گفت: «تعداد زیاد گزینه‌ها هنگام پیکربندی یک عامل، اصطکاک شروع کار ایجاد می‌کند و همه‌چیز را کند می‌کند.» استودیوی تازه به سازنده اجازه می‌دهد در چند کلیک عاملی را بالا بیاورد، با مدل‌های از پیش آماده، در حالی که ابزارهای کاربر حرفه‌ای، از جمله دسترسی کامل به دستور سیستمی عامل، در بخش‌های پیشرفته در دسترس است.
این مهم است چون نایس میخواهد برای مشتریان فعلی خود ارزشی «۱+۱=۳» بسازد و Cognigy باید در کل پایگاه مشتریان CXone گسترده شود، نه فقط در تیم‌های خبره بزرگ‌ترین شرکت‌ها. بوتیه سه شخصیت سازنده توصیف کرد: کسب‌وکارهای کوچک‌تر با عاملهای ساده، مدیران و سرگروه‌های مرکز تماس، و مهندسان شرکت‌های فنی پیشرفته. AI Assist دقیقاً برای دو گروه اول هدف‌گذاری شده. در نمایش، یک عامل ساخت، آزمون کرد، مشکلاتی را که پیدا کرد اصلاح کرد و آن را روی واتساپ مستقر کرد. روی دیگر سکه این است که پایین آمدن سد ورود یعنی عاملهای بیشتری به دست افراد کم‌تجربه ساخته میشود و همین ویژگی‌های حاکمیتی را به داستان اصلی این عرضه تبدیل می‌کند.
ترکیبی، همان جایی است که بازار واقعاً زندگی می‌کند
با همه هیاهوی عامل‌محوری، بیشتر سازمان‌ها آماده نیستند کل سفر را به یک عامل خودمختار بسپارند. بوتیه سه حالت را توصیف کرد: درک زبان طبیعی سنتی، ترکیبی و کاملاً عاملمحور. به گفته او حالت ترکیبی «واقعاً جایی است که بیشتر مشتریان ما هستند» و استقرار کاملاً عاملمحور در «ابتدای منحنی پذیرش» قرار دارد. این رویکرد به مشتری اجازه می‌دهد آرام‌آرام وارد شود، اعتماد بسازد و با سرعت خودش به خودمختاری کامل برسد.
نایس محصول را برای همین رویکرد طراحی کرده است. یک عامل می‌تواند لایه ارکستراسیون باشد و جریان‌های موجود را به‌عنوان ابزار صدا بزند. جریان‌ها هم می‌توانند جلوی عامل‌ها قرار بگیرند، مثلاً برای پاک کردن شماره کارت یا داده شخصی پیش از رسیدن هر داده به مدل. هو این عرضه را «تکامل، نه جایگزینی» توصیف کرد؛ استقرارهای تولیدی، رابط‌های برنامه‌نویسی و یکپارچه‌سازی‌ها بدون تغییر کار می‌کنند. این مزیتی معنادار در برابر رقبای بومی هوش مصنوعی است که پیشنهادشان عملاً بازسازی از صفر میخواهد. جریان‌های قطعی بار اضافی نیستند؛ آن‌ها همان چیزی هستند که کسبوکار با آن تعیین می‌کند مدل زبانی نباید چه تصمیمی بگیرد.
مشاهده‌پذیری میدان نبرد تازه است
بوتیه گفت: «شاید بهترین تجربه ساخت را داشته باشید، اما اگر حلقه بازخوردی از چیزی که می‌سازید نداشته باشید، هرگز عامل خوبی نمی‌سازید.» ردیابی تازه هر گام را نشان می‌دهد: کدام مهارت بارگذاری شد، کدام ابزار با چه آرگومان‌هایی صدا زده شد و عامل چه زمانی به یک جریان تحویل داد. شبیه‌ساز حالا آزمون چندمتغیره تا ۱۰ نسخه را با «مدل به‌عنوان داور» و مشتریان مصنوعی پشتیبانی می‌کند. بوتیه همان عامل را روی دو مدل اجرا کرد و دید یکی سریع‌تر است و توکن کمتری مصرف می‌کند؛ همین انتخاب مدل را از یک سلیقه به یک تصمیم اقتصادی مبتنی بر داده تبدیل می‌کند.
گفتار به گفتار احتمالاً نخستین قابلیتی است که مشتریان مستقر می‌کنند. بوتیه گفت خریداران با ترکیب تبدیل گفتار به متن و متن به گفتار راحت‌اند «اما متوجه می‌شوند مدل‌های گفتار به گفتار فقط بهتر صدا می‌دهند.» در نمایش، عامل همزمان که حرف می‌زد فراخوانی ابزار را به مدل دیگری می‌سپرد و مکالمه طبیعی‌تر به نظر می‌رسید. Cognigy حالا هم کلاینت و هم سرور پروتکل زمینه مدل (MCP) است و اتصال عامل به عامل را پشتیبانی می‌کند، از جمله مشتری‌ای که Cognigy را به عاملهای ساخته‌شده با ابزار مایکروسافت وصل کرده. نایس همچنین در حال هم‌توسعه «پروتکل عامل شخصی» با متا و سیرا است که هنوز فعال نشده. بوتیه Cognigy را «درِ ورودی» مرکز تماس توصیف می‌کند، جایی که عامل شخصی مشتری باید پیش از ادامه احراز هویت شود. همکاری نایس با سیرا، رقیب مستقیمش، برای مشتری کار را ساده‌تر می‌کند.
موجی از شرکت‌ها عاملهای شخصی را ممنوع کرده‌اند که به نظر من اشتباه است. اگر چیزی به نفع مصرف‌کننده باشد، اتفاق می‌افتد؛ بهتر است در لبه پیشروِ ممکن‌کردن آن باشیم تا در حال جنگیدن با آن.
توصیه به متخصصان فناوری اطلاعات
مرز حالت ترکیبی را ترسیم کنید: تعیین کنید کدام فرایندها قطعی می‌مانند، مثل پرداخت، احراز هویت و افشاهای مقرراتی، و کدام به عامل سپرده می‌شوند. نگذارید این مرز به‌طور پیش‌فرض جابه‌جا شود. ردیابی را شرط ورود به تولید کنید: هیچ عاملی نباید بدون کسی که بتواند توضیح دهد چرا هر اقدام انجام شده به تولید برسد. از شبیه‌سازی برای پایان دادن به بحث مدل استفاده کنید: نسخه‌ها را با هزینه هر گفتگوی حل‌شده مقایسه کنید نه با حکایت، و آزمون‌ها را با عرضه مدل‌های تازه تکرار کنید. مالکیت انطباق را بپذیرید؛ بوتیه گفت مسئولیت مشترک است: «ما ابزار و پلتفرم را می‌دهیم اما نمی‌توانیم صد درصد کنترل کنیم چه چیزی در آن گذاشته میشود.» قواعد منطقه‌ای افشای هوش مصنوعی و ارجاع به انسان باید توسط مشتری ساخته شود. حفاظ‌ها را یک ردیف بودجه بدانید: هر حفاظ توکن و تأخیر اضافه می‌کند و به گفته بوتیه «هرچه بیشتر اضافه کنید، عامل چاق‌تر میشود»؛ این بودجه را جایی خرج کنید که ریسک بیشتر است. و خود را برای مشتریان ماشینی آماده کنید: عاملهای شخصی را ممنوع نکنید، بلکه حالا سیاست تعیین کنید که کدام عامل شخصی را می‌پذیرید و چه کاری می‌تواند بکند.
جمع‌بندی
این عرضه کمتر درباره قابلیت‌های تازه است و بیشتر درباره این شرط که نایس روی کجا تجمع ارزش در بلوغ عاملهای هوش مصنوعی حساب باز کرده است. هوش ارزان‌تر میشود؛ اما قابلیت اتکا، حاکمیت و توان ترکیب استدلال خودمختار با کنترل قطعی، ارزان نمی‌شوند. نایس رهبر بازار مرکز تماس به‌عنوان سرویس است، همان‌طور که Cognigy در هوش مصنوعی مکالمه‌ای بود. چالش تازه رساندن نسخه‌ای آسان‌تر از Cognigy به دست هزاران مشتری CXone است، بدون آنکه انبوهی از عاملهای جداگانه با حاکمیت مستقل ساخته شود.