A mesterséges intelligencia egyenlő a gépi tanulással. Ez az állítás jelenleg megállja a helyét, de nem volt így a múltban, és a jövőben sem lesz helytálló. Akkor mi is pontosan a mesterséges intelligencia (MI vagy angolul artificial intelligence: AI) ami ilyen gyorsan változik, és hogyan segíthet minket a hétköznapi életben és a munkában? Erről beszélgettünk Szabados Levente vezető AI szakértővel, a Kürt Akadémia képzésvezetőjével.
Először is tegyük rendbe a fogalmat, mit jelent a Mesterséges intelligencia?
Szabados Levente: Manapság leginkább azt értjük alatta, amikor egy mesterségesen létrehozott gépi rendszer képes adatok alapján modellt alkotni a világ egyes jelenségeiről (gépi tanulás), és ezt a modellt felhasználni új adatokon történő előrejelzésre. De ugyanúgy az MI témakörébe tartozik, amikor egy gép képes emberhez hasonlóan “viselkedni”, mint például egy számítógépes játék gép irányította karaktere, ami komplex döntéseket hoz meg, és akár az emberi teljesítménnyel is birokra kel az adott környezetben..
Hogyan alakult eddig az AI története? Mennyire új területről beszélünk valójában?
Amióta létezik informatika, azóta kutatjuk az MI területét, és a jelenlegi megoldások is egészen az 50-es évekig nyúlnak vissza. Ettől függetlenül a terület több “virágzás és hanyatlás” cikluson esett keresztül, melyek során más és más módszerek kerültek előtérbe. A 2000-es évek elején akadémiai kutatók szűk rétege foglalkozott csupán a mesterséges intelligenciával.
2012-re tehető a fordulópont a deep learning rendszerek színre lépésével, amikor nagyot változott a világ. A megnövekedett számítási kapacitás és elérhető adatmennyiség, valamint az elméleti áttörések sikerén felbuzdulva az akadémia kutatók mellett feltűntek a céges kutatók, fejlesztők, illetve sorban egymás után megjelentek a céges MI platformok olyan nagyvállalatoknál, mint az Amazon, Microsoft vagy a Google. Ezzel a hétköznapi IT szakembereknek is elérhetővé váltak az open source MI megoldások, amik rohamos fejlődésnek indultak. Onnantól kezdve az adat vált a legfontosabb értékké. Aki több adatot gyűjt a felhasználóiról, az pontosabb modelleket képes létrehozni, ami jelentős versenyelőnyt eredményezhet a piacon.
Következő lépésben a kockázati tőke is meglátta a lehetőséget az MI-ben és elkezdték önteni a tőkét a friss MI-vel foglalkozó start up-okba, akik kész termékeket vittek piacra, melyekkel már egy kisvállalat is megengedhette magának, hogy a mesterséges intelligenciával foglalkozzon.
A webáruházakra szűkítve a célcsoportot, mit ajánlanál, milyen esetben hasznos az MI bevezetése, használata?
Mint sok más területen, az MI alapú megoldásokra is készültek megbízható dobozos termékek. Általánosságban elmondható, hogy olyan területeken érdemes MI-t használni, ahol hasonló problémával találkozunk, mint mások, ezért olcsóbbak és könnyen hozzáférhetőek a kész megoldások. Tipikusan ilyen területek a sales, marketing és az ügyfélszolgálat (egy 3800 start-up-ot érintő felmérés alapján).
A másik mérlegelési szempont, hogy rendelkezik-e a cég elég nagy számú termékkel és vásárlói bázissal, amire már lehet építeni a gépi tanulást. Ha sok ember viselkedési mintája ismert, akkor létre lehet hozni felhasználói csoportokat, perszónákat, amihez ki lehet alakítani a megfelelő ajánló rendszert.
A harmadik szempont, hogy mennyit költ a tulajdonos egy adott funkcióra. Például ha egy 8 fős ügyfélszolgálatot kell fenntartani, amit a chatbot bevezetésével 5 főre lehet csökkenteni, és a megspórolt személyi jellegű ráfordítások fedezik a rendszer bevezetését, akkor megéri elindítani a chatbot-alkalmazást.
Milyen tipikus előfordulási formái vannak az MI alapú rendszereknek a kereskedelemben?
Egy webáruház folyamatait nézve az első lépés a vásárlók profilozása, csoportosítása annak érdekében, hogy a megfelelő pillanatban a megfelelő üzenettel lehessen elérni a célcsoportot.
Az algoritmusok – a felhasználói viselkedések elemzésével – segítenek megjósolni akár személyre szabottan is, mikor, milyen üzenetre lesz nyitott a felhasználó, így célzott tartalmat lehet mutatni neki. A szoftvernek meg lehet tanítani a vásárlást előrejelző, de akár a meglévő ügyfelek elvándorlását is jelző modellek alkalmazását, folyamatos fejlesztését. Így mindig időben tudunk reagálni még az elvándorlás előtt, például, mielőtt lejár az ügyfél hűség szerződése.
A vásárlást követően is sok területen segítenek az MI technológiák a backoffice folyamatban az áru raktározásától, szállításától kezdve a szerződéskötésen át egészen a retargeting-ig bezárólag.
Az ajánló rendszereket nézve kétféle irányból indulhat a gépi tanulás: vagy a megadott ügyfélhez a legjobban passzoló terméket kell megtalálnia a rendszernek, vagy egy adott termékhez a legfogékonyabb célcsoport kell megkeresni és ajánlani nekik a terméket.
Az ügyfélszolgálat munkáját pedig a webáruházakba bevezetett chatbot könnyítheti meg. A bevezetés előtt érdemes megvizsgálni, mekkora termékportfólióra és vásárló számra szeretnénk automatizálni az ügyfélszolgálatot a chatbottal. Egy jól működő chatbot alapfeltétele, hogy nagy számú interakciót ismertessünk meg vele, tehát konkrét vásárlói igényeket és ügyfélszolgálati válaszokat kell beépíteni, felcímkézni (pl: reklamáció), hogy a minták alapján minél inkább emberszerű legyen a beszélgetés a chatbottal.
Nem érdemes viszont teljesen kiiktatni az emberi ügyfélszolgálatot sem. Amikor a chatbot a kérdések során zsákutcába jut, akkor átadhatja a vásárlót a valódi ügyfélszolgálatnak. De ebben az esetben is sok időt tud megspórolni az alkalmazottaknak a tipikus kérdések megválaszolásával. Arról nem is beszélve, hogy a legunalmasabb, monoton munkától szabadítja meg a kollégákat, akiknek így marad idejük kreatívabb feladatok ellátására is. Egy másik példa a KLM légitársaság, ahol minden chatbot által írt választ egy ember hagy jóvá, vagy módosít a szövegen, így biztosítva a gördülékeny beszélgetést, de mégis meggyorsítva az ügyintézést. Itthon pedig jó példa a Talk-A-Bot által fejlesztett chatbot a Praktiker weboldalán.
Azt már tudjuk, hogy az adat lett az új arany. De egy hazai webáruház tulajdonos honnan szerezhet nagy mennyiségű adatot a felhasználóiról, amivel az MI rendszerek “táplálkoznak”?
Alapvetően három helyről férhet hozzá egy cég a felhasználói adataihoz. A legtriviálisabb, egyben legkisebb erőforrás igényű adatforrás a cég saját webáruháza, ahol folyamatosan gyűjtik a meglévő vásárlók adatait: rendelések gyakorisága, átlagos kosárméret, kedvencnek jelölt termékek, regisztráció dátuma, hírlevélre való feliratkozás, stb.
A második lehetőség a vásárló viselkedésének megfigyelése a social médiában, ami HR területen ma már alapvető adatforrásnak számít.
A harmadik a fenti kettő keveredése, ami általában fizetős szolgáltatás formájában érhető el. Például a Facebookon ajánló rendszerébe meg lehet adni a 100 legjobb ügyfél adatait, amire a Facebook – a vásárlók viselkedése alapján – ad ajánlásokat, külön díjazás fejében. Az ajánlás ez alapján megad további potenciális vásárlókat, akik viselkedés szempontjából legjobban hasonlítanak a kívánatos ügyfélkörhöz, ráadásul közvetlenül meg lehet őket célozni Facebookon keresztül is.
A mesterséges intelligencia jelene már világos. De mi várható a jövőben a gépi tanulás terén?
A jövőben egyre több kontextus kezelésére lesznek képesek rendszereink, egyre több területen tudnak a gépek megadott szempontok alapján maguktól is tanulni, fejlődni. Ami várható, hogy az MI a vásárlói oldalon is erőteljesen meg fog jelenni. Most nagyjából az összes MI megoldás az eladói oldalnak dolgozik.
A jövőben várhatóak olyan megoldások, amik a vásárlóknak segítenek. Például ha megkérdezem a telefonomat, hol van a legközelebbi pizzéria, akkor nemcsak a távolság alapján fog válaszolni, hanem korábbi vásárlások alapján tudni fogja, hogy a vastag tésztájú pizzát szeretem, ott, ahol van házhozszállítás, és egyébként pedig gluténmentes pizza is szerepel az étlapon. Vagy egy másik példát említve, ha fényképezőgépet keresek, akkor a keresőmotor figyelembe veszi, hogy félprofi gépet tudok használni legjobban, főképp beltéri használatra kell nekem, és még azt is tudja, mennyire vagyok árérzékeny.
Nemsokára eljön az idő, amikor gépeink jobban fognak ismerni bennünket, mint mi saját magunkat. Egy korábbi vizsgálat kimutatta, hogy a Facebookon már 10 db Like adása után jobban ismeri a felhasználót a rendszer, mint a saját kollégái. 70 db Like után a barátoknál is többet tud rólunk a közösségi oldal, és csupán 150 db Like kell ahhoz, hogy a saját családunknál is jobban megismerjen minket a mesterséges intelligencia.
Érdekes helyzetet fog eredményezni, amikor az eladó és a vevő mesterséges intelligenciái fognak egymással versenybe szállni. Eladói oldalról megtalálnak a számomra legérdekesebb ajánlatokkal, vevői oldalról pedig a gép megpróbálja kiszűrni például a hamis termék ajánlókat, amiket azért hozott létre az MI, hogy számomra vonzóvá tegye az adott terméket. Ez egy újfajta hidegháború lesz a gépek szintjén. Ezen a ponton már el kell gondolkodni, hogy mennyire bízunk a saját gépeink értékítéletében és abban, hogy valójában nekünk dolgoznak, és nem vernek át minket. Szóval a jövő mindenképp nagyon izgalmasnak ígérkezik!
Végül adjunk az olvasóknak egy hasznos tanácsot is, összefoglalva az eddigieket!
A legfontosabb, hogy a mesterséges intelligenciával a cél nem egy csillagromboló megépítése, hanem nagyon konkrét részfeladatok helyettesítése/kiegészítése. Mindig a legnagyobb haszonnal kecsegtető funkciókra kell jól kidolgozott MI megoldást, partnert találni. Bár ijesztőnek tűnhet egy magától tanuló gép, aki nem ellenségként, hanem segítő eszközként tekint rá, az nagy versenyelőnyre tehet szert vele a jövőben is.
