Categories
Artykuły

AI ♥ HI

Artificial Intelligence loves Human Intelligence.
Gwałtowny rozwój Sztucznej Inteligencji (AI) stał się możliwy między innymi dzięki zgromadzonym w niewyobrażalnych ilościach danym. Algorytmy poprawiające zdjęcia z mikroskopijnych matryc w telefonach stały się tak dobre, bo miały morze zdjęć do analizy.

Kto uczy sztuczną inteligencję? Uczy się sama. Ekonomiczne i wygodne w dzisiejszych, pędzących do przodu czasach. Recepta jest prosta: weź trochę mocy obliczeniowej, dosyp trochę danych i pożywka dla algorytmu gotowa. Istne perpetuum mobile? Zgadza się, dopóki nie odkryjemy, ile to jest “trochę”.

Uczenie maszynowe (ang. machine learning, ML), gdyż o takiej sztucznej inteligencji tutaj mowa, to nic innego jak analizowanie mnóstwa przykładów i znajdywanie między nimi podobieństw. Im zatem więcej danych do analizy, tym lepszy otrzymujemy rezultat. Tym wynikiem jest miara prawdopodobieństwa, że jakaś hipoteza, wysnuta z analizy, może być prawdziwa.

Przenosząc to na grunt e-commerce mamy dane charakteryzujące klienta: jego cechy, historię zakupową, a nawet historię przeglądania asortymentu sklepowego i w końcu podjętych przez klienta decyzji zakupowych. Przemnażając je przez liczbę klientów e-commerce albo liczbę decyzji zakupowych tworzymy zbiór danych do analizy porównawczej.

Skąd moda na AI?

Wytłumaczenie jest dużo bardziej racjonalne niż w przypadku mody. Początki sztucznej inteligencji sięgają lat 60-tych XX wieku – tak, to 60 lat temu. Komputery wtedy raczkowały, więc moc obliczeniowa była znikoma. Jeden z warunków niezbędnych do rozwoju AI nie był wówczas możliwy do spełnienia. AI rozwijała się więc teoretycznie, doskonaląc algorytmy trudne do empirycznego przetestowania.

Wraz z postępem technologicznym rosła efektywność ekonomiczna sprzętu komputerowego: procesorów, pojemności dysków i pamięci operacyjnej. Dobrze obrazuje to prawo Moore’a, które mówi, że liczba tranzystorów w mikroprocesorach podwaja się co ok. 24 miesiące.

W wyniku istotnego zwiększenia dostępności mocy obliczeniowej i przestrzeni do przechowywania danych (m.in za sprawą chmur obliczeniowych), nastąpił renesans zastosowań AI. Algorytmy stały się finansowo opłacalne i coraz bardziej powszechne.

Fabryka fasadowej wiedzy

Wg Wikipedii sztuczna inteligencja jest to hipotetyczna inteligencja realizowana w procesie inżynieryjnym, a nie naturalnym. Algorytm “zgaduje” wnioski z analizy danych i oblicza ich prawdopodobieństwo wystąpienia w całym zbiorze dostępnych danych. Następnie zamienia je na “wiedzę” z dołączoną do niej skutecznością działania. W ten sposób rozwiązania e-commerce wzbogaciły się o szereg rozwiązań potrafiących podpowiedzieć (czytaj: zgadnąć), co klient chciałby kupić.

Algorytmy AI działają na zasadzie magicznej czarnej skrzynki (ang. black box). Coś się do niej wkłada, coś z niej wyciąga, ale nikt nie widzi, co dzieje się w środku i skąd ten wynik. W występie iluzjonisty ten brak wiedzy jest pożądany, tworząc klimat uczestniczenia w czymś niezwykłym. Natomiast z punktu widzenia procesu sprzedaży, zwłaszcza w internecie, przydają się bardziej racjonalne podstawy. Dla klienta, zwłaszcza tego nieprzekonanego, dużo większą wartość będzie miała propozycja uzasadniona w zrozumiały sposób. Takie argumenty mogą zaważyć na jego decyzji zakupowej. Niestety, sztuczna inteligencja nie potrafi się wytłumaczyć z tego, co proponuje klientowi.

Szeroki margines błędów

Tak jak nie istnieją identyczne odciski palców, tak nie ma identycznych klientów. Nawet ten sam klient podczas dwóch kolejnych sesji  zakupowych będzie się różnić, choćby o historię poprzednich zakupów i przeglądania e-sklepu. Choćby z tego powodu nie można uzyskać pewności, że jego potrzeby są identyczne i rekomendacje powinny pozostać takie same. Prosty przykład: klient poprzednio szukał lodówki i być może ją kupił, czy więc dalej uparcie podpowiadać mu lodówki?

O ile w typowych sytuacjach takie rozwiązanie sprawdza się, zgodnie z dołączoną skutecznością (miarą prawdopodobieństwa), o tyle w przypadkach nietypowych algorytm jest praktycznie bezradny. Dlaczego? Przypadki skrajne występują rzadko i AI po prostu nie miała szans przeanalizować ich wystarczająco dużo, aby uznać te wnioski za przydatne (istotne z punktu widzenia statystyki). 

Klient regularnie kupuje dla siebie pewne produkty, ale tym razem z jego komputera korzysta inna osoba albo nawet on sam, ale robi zakupy dla kogoś innego. AI gubi się, gdyż widzi odmienne zachowania. Inny przykład: klient po raz pierwszy zawitał do e-sklepu. AI nic o nim nie wie, co może podpowiedzieć? Może wnioskować tylko z całej populacji klientów. I w ten sposób zaserwuje klientowi kategorię Bestsellery.  

Pierwiastek ludzki

Jak więc sprawić by sztuczna inteligencja stała się bardziej przekonywująca? Jak dobry sprzedawca w sklepie. 

Pójdźmy tą drogą – w tradycyjnym sklepie wiedza, co zaproponować klientowi, znajduje się w głowach sprzedawców. Im bardziej doświadczona osoba, tym lepiej radzi sobie z pomocą klientowi i doradza w przekonywujący sposób. Mamy więc zidentyfikowane źródło wiedzy. Teraz tylko sprawić, by sztuczna inteligencja zasilana danymi nie uczyła się sama w inżynieryjno-statystycznym procesie, ale skorzystała z gotowców wypracowywanych, czasem latami, przez naturalną inteligencję (ang. human intelligence) najlepszych sprzedawców.

Proces uczenia kogoś jest długi i pracochłonny. Warto w nim podeprzeć się nomen-omen sztuczną inteligencją, ale w zupełnie innym celu – aby go kontrolować. Sztuczna inteligencja może więc pomóc sobie pozyskać wiedzę od sprzedawców. Jak? Zadając właściwe pytania, o to co zarekomendowałby klientowi, który… Takich pytań można wygenerować nieskończenie wiele – wszak proces uczenia nigdy się nie kończy. Chcąc zmieścić go w rozsądne ramy czasowe wykorzystujemy AI, która w optymalny sposób generuje pytania, aby nie było ich za wiele i aby odpowiedź, którą uzyska, wnosiła istotną wiedzę do procesu uczenia się. A przy okazji, aby na bieżąco wyjaśniać niespójności w odpowiedziach, bo sprzedawca to człowiek i po prostu może się pomylić. Ten sposób można zaaplikować do pozyskiwania wiedzy od kilku sprzedawców równolegle. Tak właśnie działa feeCOMPASS.

AI loves HI, really?

Skoro AI przejmie wiedzę od najlepszych sprzedawców, trzeba ich zwolnić? Nic bardziej błędnego. Asortyment w sklepie się zmienia, potrzeba douczenia wcześniej czy później się pojawi. Ponadto wymagający klienci będą mieli dodatkowe pytania, wykraczające poza przyswojoną podstawową wiedzę i kontakt z prawdziwym sprzedawcą okaże się niezbędny. 

Rozwiązanie feeCOMPASS zapewni skuteczną obsługę większości klientów z bardziej typowymi potrzebami, bez konieczności angażowania sprzedawców. W ten sposób sklep będzie mógł rozpocząć lub zwiększyć skalę działania w internecie. Bez konieczności zatrudniania dodatkowych osób do obsługi nowego wolumenu kupujących i – co najważniejsze – zachowując skuteczność dobrych sprzedawców.

Jeżeli zainteresowało Cię rozwiązanie feeCOMPASS, proponujemy zapoznanie się z możliwościami rozwiązania lub z przykładami zastosowań w wybranych sklepach internetowych.