Aplicando as lições de análise de texto de Experiência do Cliente à IA generativa
Não estamos condenados a repetir: aprender com o passado da análise de texto da experiência do cliente garantirá que obtenhamos o máximo valor dos grandes modelos de linguagem.
A IA generativa democratizou rapidamente o poder da Inteligência Artificial baseada em texto. Essencialmente, qualquer pessoa com acesso à Internet pode agora fazer perguntas e obter respostas destes bots superinteligentes.
As ferramentas de IA – especialmente os Large Language Models (LLMs ou em português, os Grandes Modelos de Linguagem) – podem ser aproveitadas para muitos casos de utilização práticos de análise de texto. Embora estejamos num novo cenário, aprender com o passado da análise de texto garantirá que não repetiremos erros e que poderemos aproveitar todo o potencial dessas novas ferramentas.
De uma oferta de nicho há mais de uma década, a análise de texto cresceu agora e tornou-se padrão na maioria dos programas grandes, ou que estão a decorrer, de Experiência do Cliente (CX). Pode agora ser utilizada para fornecer identificação e quantificação dos principais tópicos e sentimentos em feedback solicitado (por exemplo, perguntas abertas) e não solicitado (por exemplo, media social).
Embora estejamos num novo cenário, aprender com o passado da análise de texto garantirá que não repetiremos erros e que poderemos aproveitar todo o potencial dessas novas ferramentas.
Neste artigo, os nossos especialistas em CX, baseando-se nas aprendizagens de análise de texto dos últimos 15 anos e utilizando a nossa estrutura de IA de Verdade, Beleza e Justiça, descrevem cinco lições principais que as equipas devem ter em mente ao aplicarem as ferramentas de IA Generativa com base em LLM:
- Exija transparência. Certifique-se que tem clareza sobre os recursos do LLM, a natureza dos dados utilizados para treinar o modelo e se ele é capaz de aprender e de se adaptar à medida que experimenta novos dados. A transparência também significa estabelecer contratos, governação e infraestruturas para proteger a privacidade e a segurança de dados e informações sensíveis.
- Não se esqueça dos dados. Se os dados envolvidos não forem representativos ou relevantes para a sua questão comercial, ou não contiverem detalhes suficientes para responder a essas perguntas, os resultados não atingirão os seus objetivos.
- A avaliação formal ainda é importante. Para obter o máximo valor da análise de texto, a qualidade dos casos de uso específicos deve ser avaliada sistematicamente. Manter os LLMs com o mesmo rigor da análise de texto tradicional garante que se obterá o máximo valor.
- Lembre-se de gerir as expectativas. Tal como aconteceu com a análise de texto no passado, é preciso gerir as expectativas dos utilizadores finais sobre os comentários fornecidos pelos LLMs. Os resultados que ele fornece não devem ficar por confirmar.
- Estabeleça um mecanismo de relatório/uso que atenda às necessidades do negócio. LLMs e IA generativa vão onde a análise de texto já está – com interfaces existentes e configuráveis para interações ao vivo. Estas interfaces, juntamente com modelos que suportam as funcionalidades certas, têm de ser colocadas nas mãos dos utilizadores certos.
Se tratarmos os LLMs com o respeito que merecem, aprendermos com o passado e abraçarmos o futuro, eles sem dúvida levarão a relacionamentos melhores, mais leais e mais lucrativos com os clientes.