MARKETING

Decifrar Intenções: o coração da Inteligência Artificial

Decifrar Intenções: o coração da Inteligência Artificial

Segundo as estimativas da Gartner, cerca de 60% das interações com o serviço ao cliente que precisavam de um ser humano em 2014, prevê-se que sejam reduzidas para 33% até 2017. Para se chegar a esse número – dar boas experiências aos clientes e tornar o esforço humano mais eficiente – os sistemas precisam entender o que os utilizadores estão a tentar fazer. Tal significa entender a intenção do cliente. Decifrar intenções é o coração da inteligência artificial.

Por exemplo, na área do serviço ao cliente (pré e pós-venda), os chatbots têm tido um papel relevante. Por defeito, um chatbot não precisa ser inteligente mas sim útil.
Por exemplo, um chatbot cuja tarefa é ajudar alguém a comprar flores para oferecer, irá simplesmente fazer perguntas aos utilizadores e apresentar como forma de resposta botões de escolha múltipla accionáveis através de um simples toque ou de um carrossel, como podemos ver no exemplo abaixo. Enquanto o chatbot realiza esta tarefa está a executar apenas e não pode ser interpretado como um chatbot inteligente.

encomenda flores

Mas tal não significa que os chatbots não precizem ser inteligentes. À medida que a tarefa realizada pelo chatbot se torna mais complexa, a necessidade de ser inteligente aumenta. É a inteligência que torna uma conversa complexa em algo fácil e sem esforço. A inteligência artificial simula a inteligência humana respondendo a perguntas baseadas em conjuntos codificados de dados.

A inteligência artificial é muitas vezes ativada através de machine learning, que fornece o enquadramento através do qual um software pode testar vários conjuntos de dados e respostas face a um resultado específico. Em vez de programar manualmente perguntas e respostas com um script para um bot para interagir com um utilizador, o programador planeia algoritmos que “ensinam” a um bot como responder em vez de se referir a uma resposta padronizada.

Através de machine learning é possível criar:

  • Bots com base em personalidade;
  • Bots que refletem uma personalidade mais adequada através de reconhecimento de padrões;
  • Bots que podem responder a consultas complexas que nenhum humano poderia planear utilizando a análise preditiva;
  • E Bots que ignoram dados irrelevantes para aprimorar as necessidades precisas de um utilizador com base numa rede neural construída a partir de toda a história da interação – este tipo de AI tem como objetivo imitar o funcionamento dos neurónios e está em aprendizagem permanente.

Os grandes players da área estão neste momento a explorar machine learning e AI. Por exemplo, a Google lançou a sua API de linguagem natural cloud-based. Este serviço permite aos utilizadores analisar o conteúdo dos arquivos de texto para sentimento, conteúdo e sintaxe. A Amazon, por exemplo, tem impulsionado grandes volumes de vendas graças em parte aos seus motores de recomendação construídos em torno de algoritmos de machine learning.

Esta é uma área que se encontra a dar os primeiros passos e estão ainda muito vulneráveis ao erro até porque alguns destes modelos podem ser tecnicamente complicados e difíceis de implementar, pois exigem um alto nível de especialização. Contudo, o grande desafio está em aprimorar modelos baseados em inteligência artificial capazes de interpretar a intenção do consumidor, ou seja, em vez de termos um chatbot que com base em regras sugere quais as flores para alguém oferecer, teríamos um chatbot que interpreta o contexto de uma conversa e tendo acesso a um conjunto de dados como por exemplo histórico, compreendesse a intenção e sugerisse por exemplo oferecer tulipas brancas, as favoritas da Anabela.

You Might Also Like

No Comments

    Leave a Reply