Η χρήση τεχνητής νοημοσύνης στην υποστήριξη πελατών έχει μειώσει το λειτουργικό κόστος για τις επιχειρήσεις και έχει επεκτείνει την κάλυψη των αιτημάτων, όμως η εμπειρία για τον τελικό χρήστη παραμένει αμφιλεγόμενη.
Οι πελάτες καλούνται πλέον να διακρίνουν την ακρίβεια των παραγόμενων κειμένων, να επανδιατυπώνουν ερωτήματα όταν το σύστημα αστοχεί και να επαληθεύουν τις οδηγίες πριν τις εφαρμόσουν.
Ο Shan Lilja, συνιδρυτής της Mavenoid, θέτει το ζήτημα με σαφήνεια επισημαίνοντας πως «η προσπάθεια της εταιρείας έχει μειωθεί, αλλά η προσπάθεια του πελάτη έχει αυξηθεί».
Αυτό δημιουργεί έναν κρυφό φόρο σε κάθε αλληλεπίδραση, ο οποίος, αν και δεν καταγράφεται άμεσα στα συστήματα μέτρησης ικανοποίησης, οδηγεί σε απογοήτευση και διάβρωση της εμπιστοσύνης. Στο επίκεντρο αυτού του προβλήματος βρίσκεται το λεγόμενο AI slop, δηλαδή το περιεχόμενο χαμηλής ποιότητας που παράγεται από την τεχνητή νοημοσύνη και ενέχει κινδύνους για την ασφάλεια ή την ποιότητα της εξυπηρέτησης.
Γιατί η επικοινωνία μόνο με κείμενο αποτυγχάνει
Το δομικό πρόβλημα της τεχνητής νοημοσύνης που βασίζεται αποκλειστικά σε κείμενο είναι ότι η γλώσσα λειτουργεί σαν «ένα δέντρο πιθανοτήτων».
Κάθε πρόταση επιδέχεται πολλαπλές ερμηνείες και όταν το μοντέλο κάνει μια λανθασμένη επιλογή, ο πελάτης επωμίζεται το κόστος της διόρθωσης της πορείας. Αντίθετα, η οπτική πληροφορία περιορίζει τις ερμηνείες και προσφέρει ένα συγκεκριμένο πλαίσιο πραγματικότητας.
Όπως εξηγεί ο Lilja, «είναι πιο δύσκολο να πεις ψέματα σε έναν άνθρωπο με μια ψεύτικη εικόνα παρά με ψεύτικα λόγια». Η οπτική θεμελίωση, η ενισχυμένη διαχείριση πλαισίου και η μείωση της ασάφειας αποτελούν τα κλειδιά για την ανάπτυξη πολυτροπικής υποστήριξης.
Τα μοντέλα που βασίζονται σε οπτικά δεδομένα, όπως η ανάλυση μιας φωτογραφίας με ένα προβληματικό εξάρτημα, μειώνουν δραστικά τα ποσοστά παραισθήσεων, καθώς δεσμεύουν την τεχνητή νοημοσύνη στα δεδομένα που βλέπει και όχι σε θεωρητικές πιθανότητες.
Η ανατροφοδότηση σε πραγματικό χρόνο ως λύση
Ένα από τα σημαντικότερα προβλήματα στα συστήματα κειμένου είναι η καθυστερημένη ανατροφοδότηση. Ένας πελάτης μπορεί να ακολουθεί μια σειρά οδηγιών για αρκετά λεπτά, μόνο και μόνο για να ανακαλύψει στο τέλος ότι ένα από τα αρχικά βήματα ήταν λάθος.
Η πολυτροπική υποστήριξη επιλύει αυτό το κενό μέσω της άμεσης οπτικής ανατροφοδότησης. Μέσω βίντεο ή ζωντανών οδηγιών, το σύστημα μπορεί να εντοπίσει αμέσως αν ο χρήστης εκτελεί λάθος μια κίνηση, προστατεύοντας τον από περαιτέρω προβλήματα.
Όταν η εναλλακτική είναι μια λανθασμένη οδηγία σε μια συνομιλία κειμένου, η διαχρονική ρήση «μια εικόνα ισούται με χίλιες λέξεις» αποκτά ουσιαστική σημασία για την αξιοπιστία της τεχνητής νοημοσύνης.
Οι επιχειρήσεις που θα υιοθετήσουν αυτή την προσέγγιση θα είναι σε θέση να χτίσουν μια σχέση υποστήριξης στην οποία οι πελάτες μπορούν πράγματι να βασιστούν, στηρίζοντας την αυτοπεποίθηση της τεχνητής νοημοσύνης σε δεδομένα του πραγματικού κόσμου.