Anvendelse af lektioner fra CX Text Analytics til Generativ AI
Ikke dømt til at gentage: at lære fra fortiden med kundeoplevelsestekstanalyse sikrer, at vi får mest muligt ud af store sprogmodeller
Generativ AI har hurtigt demokratiseret kraften i tekstbaseret kunstig intelligens.
Essentielt kan alle og enhver med adgang til internettet nu stille spørgsmål og få svar fra disse super-smarte bots.
AI-værktøjer – især store sprogmodeller (LLM'er) – kan udnyttes til mange praktiske tekstanalyser . Mens vi er i et nyt landskab, vil læring fra fortiden inden for tekstanalyse sikre, at vi ikke gentager fejl og kan udnytte disse nye værktøjer til deres fulde potentiale.
Fra et nichetilbud for over ti år siden er tekstanalyse nu vokset til at blive standard i de fleste store eller igangværende Customer Experience-programmer (CX). Det kan bruges til at give identifikation og kvantificering af centrale emner og følelser på tværs af opfordret (f.eks. åbne spørgsmål) og uopfordret (f.eks. sociale medier) feedback.
Mens vi er i et nyt landskab, vil læring fra fortiden inden for tekstanalyse sikre, at vi ikke gentager fejl og kan udnytte disse nye værktøjer til deres fulde potentiale.
I denne artikel skitserer vores CX-eksperter, der trækker på tekstanalyses erfaringer fra de sidste 15 år og bruger vores AI-ramme for sandhed, skønhed og retfærdighed , fem vigtige lektioner, som teams skal huske på, når de anvender LLM-drevet generativ AI værktøjer:
- Kræv gennemsigtighed. Sørg for, at du er klar over LLM'ens muligheder, arten af data, der bruges til at træne modellen, og om den er i stand til at lære og tilpasse sig, når den oplever nye data. Gennemsigtighed betyder også at indføre kontrakter, ledelse og infrastruktur for at beskytte privatlivets fred og sikkerhed for følsomme data og informationer.
- Glem ikke dataene. Hvis de involverede data ikke er repræsentative eller relevante for dit forretningsspørgsmål, eller ikke indeholder tilstrækkelige detaljer til at besvare disse spørgsmål, vil resultaterne ikke levere i forhold til dine mål.
- Formel evaluering har stadig betydning. For at få mest muligt ud af tekstanalyse skal kvaliteten af specifikke use cases evalueres systematisk. At holde LLM'er på samme strenghed som traditionel tekstanalyse sikrer, at du opnår mest værdi.
- Husk at styre forventningerne. Ligesom for tekstanalyse i fortiden, er vi nødt til at styre slutbrugernes forventninger til kommentarer leveret af LLM'er. Outputtet, det giver, bør ikke forblive ukontrolleret.
- Etabler en rapporterings-/brugsmekanisme, der opfylder forretningsbehov. LLM'er og Generative AI samler op, hvor tekstanalyse allerede er - med eksisterende, konfigurerbare grænseflader til live-interaktioner. Disse grænseflader skal sammen med modeller, der understøtter de rigtige funktionaliteter, lægges i hænderne på de rigtige brugere.
Hvis vi behandler LLM'er med den respekt, de fortjener, lærer af fortiden og omfavner fremtiden, vil de uden tvivl føre til bedre, mere loyale og mere profitable kunderelationer.
For mere information om Ipsos' bredere synspunkt, tjek vores seneste Ipsos CX-tænkning.
Lær mere om Voice of the Customer , Customer Experience Analytics og Customer Experience Advisory hos Ipsos. For at diskutere, hvordan Ipsos kan hjælpe dig og din organisation, skal du kontakte din lokale Ipsos CX-kontakt eller en af Ipsos' globale eksperter.