首页 > 国际新闻

AI和机器学习如何改善用户体验?

文章作者:来源:www.kuisparlay.com时间:2019-09-07



人工智能(AI)和机器学习(ML)可以做些什么来改善客户体验?自网上购物开始以来,AI和ML一直密切参与整个网上购物过程。如果您没有购物建议,您可能无法享受淘宝或任何其他购物网站的质量。这些建议通常基于供应商对您的特征的理解,包括您的购买历史记录,浏览历史记录。和更多。淘宝和其他在线企业希望发明一个了解您和您的品味的销售人员的数字版本,并可以指导您完成您购买的产品而不会出错。

为了实现这一愿景,我们需要从后端的一些繁重工作开始。谁是你的客户?你真的知道他们是谁吗?所有客户都留下了数据路径,但数据路径是一系列碎片,并且很难将这些碎片相互关联起来。如果客户有多个帐户,您能找到吗?如果客户为业务和其他目的拥有单独的帐户,您可以链接它们吗?如果组织使用许多不同的名称,您是否可以发现它们实际上是一个组织?客户体验始于准确了解客户是谁以及他们如何关联,并且擦除客户列表以消除重复称为实体解析。它曾经是一个可以涉及大量数据的公司。随着时间的推移,我们可以看到实体解析的解决方案正在实现民主化:已经有大量的初创公司为中小型组织提供物理解析软件和服务。

一旦你知道你的客户是谁,你必须问你对它们了解多少。彻底了解客户的活动对于了解客户的需求至关重要,例如他们拥有哪些数据以及如何使用这些数据? ML和AI现在被广泛用作数据收集工具:处理来自传感器,应用程序和其他来源的数据流。收集客户数据可能具有侵入性和道德性,因此当您了解客户时,请确保他们同意并且不会损害他们的隐私。

ML与任何其他类型的计算之间没有根本区别:“进入垃圾,从垃圾中出来”的规则仍然适用。如果您的培训数据质量很差,您的结果将会很差。随着数据源数量的增加,潜在数据字段和变量的数量也会增加,并且可能发生错误,例如转录错误,印刷错误等。在过去,我们能够手动更正和修复数据,但手动更正数据是一项容易出错且繁琐的任务,占据了数据科学家的大部分时间。与实体解析一样,数据质量和数据恢复已成为最近研究的热门话题,并且已经开始出现用于自动数据清理的新机器学习工具。

机器学习和AI对客户体验的常见应用是个性化推荐系统。近年来,混合推荐系统与多种推荐策略相结合的应用变得更加普遍。许多混合推荐系统依赖于来自许多不同来源的数据,并且深度学习模型通常是这种系统的一部分。虽然大多数现有模型大多数是在培训后部署的,但高级建议和个性化系统是实时的。许多公司开始使用强化学习,在线学习和个性化算法来构建推荐系统,不断训练模型与实时数据。

机器学习和人工智能可以自动执行许多不同的企业任务和工作流程,包括客户交互。目前市场上有“经验丰富”的聊天机器人可以自动化客户服务的各个方面。到目前为止,聊天机器人还没有达到人类水平,但如果设计得很好,简单的“常见问题”机器人可以带来良好的客户转换率。我们处于自然语言处理和理解的早期阶段,但在过去的一年中,我们已经看到了许多突破。随着我们构建复杂语言模型的能力的提高,我们可以看到聊天机器人的多个阶段的进展:从提供通知到管理简单的问答场景,理解上下文和参与简单的对话,最后“理解”用户需求。私人助理。随着聊天机器人的改进,我们希望它们可以成为客户服务的一个组成部分。为了让聊天机器人达到这种性能水平,他们需要整合实时建议和个性化,他们需要了解客户和人性。

欺诈检测是另一种应用机器学习的技术。欺诈检测涉及好人和坏人之间的持续战斗,欺诈专家正在发明更复杂的在线犯罪技术。欺诈不再是人对人:它是自动化的,就像机器人购买音乐会的所有门票一样,因为它们可以再次出售。正如我们在最近的许多选举中所看到的那样,犯罪分子很容易通过创建一个充满自动化响应的机器人来渗透社交媒体。很难找到这些机器人并实时阻止它们。只有机器学习是可能的。即便如此,这也是一个难以解决的问题。

语音技术和情绪检测的进步将进一步减少自动化客户交互中的摩擦。结合不同类型输入(音频,文本,视觉)的多模式模型将使您更容易对客户做出适当的响应;客户可以向您展示他们想要的内容,或者发送他们所面临问题的实时视频。虽然人类和机器人之间的互动经常让用户陷入一个令人毛骨悚然的“神秘山谷”,但可以肯定的是,未来的客户将比我们今天更熟悉机器人。

但如果我们希望我们的客户通过这个神秘山谷的另一边,我们也必须尊重他们的价值。影响客户的AI和ML应用程序必须尊重隐私,它们必须是安全的,它们必须公平公正。这些挑战并不简单,但如果客户最终感到受到虐待,技术将无法改善客户体验。

机器学习和人工智能将如何为客户体验做些什么?它已经做了很多。但它还有更多工作要做,必须做的是在未来建立更自然的客户体验。

作者:老虎说八。

阅读原文

本文是云栖社区的原创内容,未经许可,不得转载。

阿里云云栖社区

0.4

2019.08.12 13: 38

字数1975年

人工智能(AI)和机器学习(ML)可以做些什么来改善客户体验?自网上购物开始以来,AI和ML一直密切参与整个网上购物过程。如果您没有购物建议,您可能无法享受淘宝或任何其他购物网站的质量。这些建议通常基于供应商对您的特征的理解,包括您的购买历史记录,浏览历史记录。和更多。淘宝和其他在线企业希望发明一个了解您和您的品味的销售人员的数字版本,并可以指导您完成您购买的产品而不会出错。

为了实现这一愿景,我们需要从后端的一些繁重工作开始。谁是你的客户?你真的知道他们是谁吗?所有客户都留下了数据路径,但数据路径是一系列碎片,并且很难将这些碎片相互关联起来。如果客户有多个帐户,您能找到吗?如果客户为业务和其他目的拥有单独的帐户,您可以链接它们吗?如果组织使用许多不同的名称,您是否可以发现它们实际上是一个组织?客户体验始于准确了解客户是谁以及他们如何关联,并且擦除客户列表以消除重复称为实体解析。它曾经是一个可以涉及大量数据的公司。随着时间的推移,我们可以看到实体解析的解决方案正在实现民主化:已经有大量的初创公司为中小型组织提供物理解析软件和服务。

一旦你知道你的客户是谁,你必须问你对它们了解多少。彻底了解客户的活动对于了解客户的需求至关重要,例如他们拥有哪些数据以及如何使用这些数据? ML和AI现在被广泛用作数据收集工具:处理来自传感器,应用程序和其他来源的数据流。收集客户数据可能具有侵入性和道德性,因此当您了解客户时,请确保他们同意并且不会损害他们的隐私。

ML与任何其他类型的计算之间没有根本区别:“进入垃圾,从垃圾中出来”的规则仍然适用。如果您的培训数据质量很差,您的结果将会很差。随着数据源数量的增加,潜在数据字段和变量的数量也会增加,并且可能发生错误,例如转录错误,印刷错误等。在过去,我们能够手动更正和修复数据,但手动更正数据是一项容易出错且繁琐的任务,占据了数据科学家的大部分时间。与实体解析一样,数据质量和数据恢复已成为最近研究的热门话题,并且已经开始出现用于自动数据清理的新机器学习工具。

机器学习和AI对客户体验的常见应用是个性化推荐系统。近年来,混合推荐系统与多种推荐策略相结合的应用变得更加普遍。许多混合推荐系统依赖于来自许多不同来源的数据,并且深度学习模型通常是这种系统的一部分。虽然大多数现有模型大多数是在培训后部署的,但高级建议和个性化系统是实时的。许多公司开始使用强化学习,在线学习和个性化算法来构建推荐系统,不断训练模型与实时数据。

机器学习和人工智能可以自动执行许多不同的企业任务和工作流程,包括客户交互。目前市场上有“经验丰富”的聊天机器人可以自动化客户服务的各个方面。到目前为止,聊天机器人还没有达到人类水平,但如果设计得很好,简单的“常见问题”机器人可以带来良好的客户转换率。我们处于自然语言处理和理解的早期阶段,但在过去的一年中,我们已经看到了许多突破。随着我们构建复杂语言模型的能力的提高,我们可以看到聊天机器人的多个阶段的进展:从提供通知到管理简单的问答场景,理解上下文和参与简单的对话,最后“理解”用户需求。私人助理。随着聊天机器人的改进,我们希望它们可以成为客户服务的一个组成部分。为了让聊天机器人达到这种性能水平,他们需要整合实时建议和个性化,他们需要了解客户和人性。

欺诈检测是另一种应用机器学习的技术。欺诈检测涉及好人和坏人之间的持续战斗,欺诈专家正在发明更复杂的在线犯罪技术。欺诈不再是人对人:它是自动化的,就像机器人购买音乐会的所有门票一样,因为它们可以再次出售。正如我们在最近的许多选举中所看到的那样,犯罪分子很容易通过创建一个充满自动化响应的机器人来渗透社交媒体。很难找到这些机器人并实时阻止它们。只有机器学习是可能的。即便如此,这也是一个难以解决的问题。

语音技术和情感检测方面的进步将进一步减少自动化客户交互中的摩擦。结合不同类型输入(音频,文本,视觉)的多模式模型将使其更容易适应客户;客户可以向您展示他们想要的内容,或者发送他们所面临问题的实时视频。虽然人与机器人之间的互动经常将用户置于一个令人毛骨悚然的“神秘山谷”中,但可以肯定的是,未来的客户将比我们现在更熟悉机器人。

但如果我们希望我们的客户穿过这个神秘山谷的另一边,我们也必须尊重他们的价值。影响客户的AI和ML应用程序必须尊重隐私,它们必须是安全的,必须公平公正。这些挑战并不简单,但如果客户最终感到被滥用,该技术将无法改善客户体验。

机器学习和人工智能将为客户体验做些什么?它已经做了很多。但它还有更多工作要做,它必须做的是在未来建立更自然的客户体验。

本文作者:老虎说了八件事

阅读原文

本文是云栖社区的原创内容,未经许可不得转载。

AI和ML可以做些什么来改善客户体验?自网上购物开始以来,AI和ML一直密切参与整个网上购物过程。如果您没有购物建议,您可能无法享受淘宝或任何其他购物网站的高品质服务。这些建议通常是根据供应商对您的功能的理解进行个性化匹配,包括您的购买历史记录,浏览历史记录等。淘宝和其他在线企业希望创建一个了解您和您的品味的销售人员的数字版本,并可以指导您使用您购买的产品而不会出错。

为了实现这一愿景,我们需要从后端的一些繁重工作开始。谁是你的客户?你真的知道他们是谁吗?所有客户都留下了数据路径,但数据路径是一系列碎片,并且很难将这些碎片相互关联起来。如果客户有多个帐户,您能找到吗?如果客户为业务和其他目的拥有单独的帐户,您可以链接它们吗?如果组织使用许多不同的名称,您是否可以发现它们实际上是一个组织?客户体验始于准确了解客户是谁以及他们如何关联,并且擦除客户列表以消除重复称为实体解析。它曾经是一个可以涉及大量数据的公司。随着时间的推移,我们可以看到实体解析的解决方案正在实现民主化:已经有大量的初创公司为中小型组织提供物理解析软件和服务。

一旦你知道你的客户是谁,你必须问你对它们了解多少。彻底了解客户的活动对于了解客户的需求至关重要,例如他们拥有哪些数据以及如何使用这些数据? ML和AI现在被广泛用作数据收集工具:处理来自传感器,应用程序和其他来源的数据流。收集客户数据可能具有侵入性和道德性,因此当您了解客户时,请确保他们同意并且不会损害他们的隐私。

ML与任何其他类型的计算之间没有根本区别:“进入垃圾,从垃圾中出来”的规则仍然适用。如果您的培训数据质量很差,您的结果将会很差。随着数据源数量的增加,潜在数据字段和变量的数量也会增加,并且可能发生错误,例如转录错误,印刷错误等。在过去,我们能够手动更正和修复数据,但手动更正数据是一项容易出错且繁琐的任务,占据了数据科学家的大部分时间。与实体解析一样,数据质量和数据恢复已成为最近研究的热门话题,并且已经开始出现用于自动数据清理的新机器学习工具。

机器学习和AI对客户体验的常见应用是个性化推荐系统。近年来,混合推荐系统与多种推荐策略相结合的应用变得更加普遍。许多混合推荐系统依赖于来自许多不同来源的数据,并且深度学习模型通常是这种系统的一部分。虽然大多数现有模型大多数是在培训后部署的,但高级建议和个性化系统是实时的。许多公司开始使用强化学习,在线学习和个性化算法来构建推荐系统,不断训练模型与实时数据。

机器学习和人工智能可以自动执行许多不同的企业任务和工作流程,包括客户交互。目前市场上有“经验丰富”的聊天机器人可以自动化客户服务的各个方面。到目前为止,聊天机器人还没有达到人类水平,但如果设计得很好,简单的“常见问题”机器人可以带来良好的客户转换率。我们处于自然语言处理和理解的早期阶段,但在过去的一年中,我们已经看到了许多突破。随着我们构建复杂语言模型的能力的提高,我们可以看到聊天机器人的多个阶段的进展:从提供通知到管理简单的问答场景,理解上下文和参与简单的对话,最后“理解”用户需求。私人助理。随着聊天机器人的改进,我们希望它们可以成为客户服务的一个组成部分。为了让聊天机器人达到这种性能水平,他们需要整合实时建议和个性化,他们需要了解客户和人性。

欺诈检测是另一种应用机器学习的技术。欺诈检测涉及好人和坏人之间的持续战斗,欺诈专家正在发明更复杂的在线犯罪技术。欺诈不再是人对人:它是自动化的,就像机器人购买音乐会的所有门票一样,因为它们可以再次出售。正如我们在最近的许多选举中所看到的那样,犯罪分子很容易通过创建一个充满自动化响应的机器人来渗透社交媒体。很难找到这些机器人并实时阻止它们。只有机器学习是可能的。即便如此,这也是一个难以解决的问题。

语音技术和情绪检测的进步将进一步减少自动化客户交互中的摩擦。结合不同类型输入(音频,文本,视觉)的多模式模型将使您更容易对客户做出适当的响应;客户可以向您展示他们想要的内容,或者发送他们所面临问题的实时视频。虽然人类和机器人之间的互动经常让用户陷入一个令人毛骨悚然的“神秘山谷”,但可以肯定的是,未来的客户将比我们今天更熟悉机器人。

但如果我们希望我们的客户通过这个神秘山谷的另一边,我们也必须尊重他们的价值。影响客户的AI和ML应用程序必须尊重隐私,它们必须是安全的,它们必须公平公正。这些挑战并不简单,但如果客户最终感到受到虐待,技术将无法改善客户体验。

机器学习和人工智能将如何为客户体验做些什么?它已经做了很多。但它还有更多工作要做,必须做的是在未来建立更自然的客户体验。

作者:老虎说八。

阅读原文

本文是云栖社区的原创内容,未经许可,不得转载。

http://plus.ziyoutu.com.cn