<img height="1" width="1" style="display:none;" alt="" src="https://dc.ads.linkedin.com/collect/?pid=33098&amp;fmt=gif">

Pode um Contact Center ser um “Deep Learner”?

Era uma vez um jogo de 1.400 anos de idade, chamado Xadrez, e o melhor jogador do mundo, Garry Kasparov, perdendo contra um supercomputador da IBM chamado “Deep Blue”.

Isso aconteceu em 1997. Desde então o amor da inteligência artificial (IA) pelo xadrez nunca sumiu, ainda mais com as máquinas tornando-se mais habilidosas e jogando torneios entre elas mesmas.
Em novembro de 2017, o website chess.com realizou um torneio com as dez melhores máquinas de xadrez. Uma máquina muito boa com um nome muito estranho, a Stockfish, venceu e tornou-se a nova campeã mundial de xadrez. De acordo com o Wikipedia, “desde 2013, a Stockfish têm sido desenvolvida utilizando uma rede distribuída nomeada Fishtest, onde voluntários podem doar tempo de CPU para testar melhorias no programa” e “a partir de junho de 2017, a estrutura utilizou mais de 745 anos de tempo de CPU para jogar mais de 485 milhões de jogos de xadrez”.

É impressionante, mas cerca de 1 mês depois o AlphaZero da Google DeepMind, com uma abordagem de aprendizado por reforço, decidiu concorrer ao título – sem nenhum conhecimento prévio sobre xadrez, exceto suas regras, e treinando apenas por 9 horas, alcançou o nível da Stockfish na quarta hora, ganhando o jogo e tornando-se o maior jogador desde a invenção do xadrez.
 

Image 1.jpg

Machine vs machine: deep learning wins

“Ok, parabéns, mas o que o xadrez tem a ver com contact centers?”

A questão aqui não é o jogo de xadrez, mas os novos algoritmos de machine learning utilizados para que as máquinas aprendam a jogar o jogo. Eles são mais genéricos, então podem ser aplicados a muitos outros domínios, incluindo os nossos. Teoricamente, pelo menos.

AlphaZero aprendeu a dominar o jogo a partir do zero, jogando contra si mesma inúmeras vezes em um hardware poderoso. Antes disso, o primeiro sucesso da DeepMind, uma empresa britânica agora comprada pelo Google, foi criar algoritmos que aprenderam diversos jogos de Atari sem nenhum conhecimento específico, apenas processando sequências de telas. Ano passado também criaram um programa capaz de ensinar bonecas humanoides simuladoras a correr, pular e evitar obstáculos sem uma instrução inicial. Isso significa que ninguém conta à máquina o que é correr, pular ou balançar, ela descobre todos esses mecanismos complexos sozinha, através de tentativa e erro.

AI parkour 

A DeepMind, como o nome sugere, se especializa em técnicas de deep learning. Deep learning é um método de aprendizado de máquinas e chamamos de “deep” porque envolve redes neurais estruturadas por uma cascata de camadas. Detalhar isso mais profundamente está fora do escopo deste post, mas vamos dizer que, no reino de IA, esse é o rei do momento.

Deep learning não era para todos até poucos anos atrás, quando as redes neurais, tomando vantagem da força crescente dos computadores e grandes quantidades de informações para treinar, finalmente começaram a brilhar. Isso foi por volta de 2012, quando o Google anunciou que tinha construído um sistema de deep learning, chamado Google Brain, o qual foi capaz de identificar gatos no YouTube.

Image 3.jpg

Timothy A. Clary / AFP / Getty Images

Talvez o gato tenha descoberto o Google Brain primeiro.

Alguns dizem que o deep learning não é o futuro da IA por falta de uma teoria formal. Talvez sim, mas este é o presente. Porque funciona. Em 5 anos o deep learning já é parte de nossas vidas, sendo utilizado pelas buscas do Google, Google Translate, Google Play, recomendações do YouTube ou Amazon, reconhecimento facial e propagandas segmentadas do Facebook, Apple Siri, Microsoft Cortana, Snapchat, Linkedin, Instagram e muitas outras aplicações populares.

Hoje temos livrarias com códigos open source, otimizadas e escaláveis como o Google Tensorflow, Microsoft CNTK ou Theano que permite que desenvolvamos redes neurais complexas ou outros modelos de machine learning de maneira bem mais rápida. Claro, coletar, etiquetar e processar informações para o treinamento, afinando as redes ou utilizando-as como parte de algoritmos mais complexos de machine learning, como os algoritmos de reforço de aprendizado utilizados pelo DeepMind, ainda é um trabalho difícil, mas podemos começar longe da estaca zero.

Também há o fator de custo. Redes neurais são muito famintas por big data e hardwares ágeis, o que pode ser caro, mas isso tem sido visto como uma oportunidade pelos grandes players do mercado. Mlaas, ou Machine Learning as a Service, é um negócio em crescimento e abre portas para empresas pequenas incluírem IA em seus produtos, eliminando o custo de hardwares normalmente caros e demandantes. Amazon Machine LearningMicrosoft Azure Machine Learning, e Google Cloud AI são os três maiores líderes de serviços Mlaas na nuvem, oferecendo plataformas destinadas a gerenciar de perto todas as questões conectadas com infraestrutura. 

Its raining AI

Resumindo, as condições para diversas empresas se beneficiarem do deep learning são reais. Não é fácil de usar, contém riscos como qualquer tecnologia emergente/não muito testada e demanda algum investimento em R&D, mas o passado recente está nos contando que isso pode fazer a diferença. Focando nos contact centers (finalmente), aqui estão 7 possíveis aplicações de deep learning:

  1. Scripts de IA

Uma nova geração de scripts poderia ser capaz de adaptar seu conteúdo para uma conversa mais adequada aos objetivos da empresa, baseada no histórico de interação do contato com o contact center, seu perfil e outros perfis com padrões similares.

Assistência em tempo real também é uma possibilidade. Imagine scripts com um assistente virtual incorporado para ajudar o agente durante as interações com clientes. O assistente artificial analisa a conversa, graças ao reconhecimento de fala e algoritmos de compreensão de linguagem natural, oferecendo sugestões de resposta em tempo real ao agente.

Pode até contar com emoções. Deep learning já está sendo utilizado para análise de sentimentos. Rastreando o estado emocional no outro lado da linha pode dar dicas úteis ao agente, por exemplo, durante uma ligação outbound de venda ou uma linha direta inbound de prevenção de suicídio. As emoções detectadas podem ser registradas no perfil do contato para interações mais personalizadas.

  1. Roteamento inteligente

Clientes gostam quando uma empresa valoriza seu tempo. Nós não precisamos de muitas estatísticas para saber disso, pois, como clientes, sabemos que é irritante ter uma chamada roteada para o departamento errado e ser forçado a passar a mesma informação de novo e de novo até finalmente alcançar o agente que pode lhe ajudar. Prever porque o cliente está ligando (baseado em suas últimas interações, outros clientes com históricos parecidos e qualquer outra informação relevante que possa estar relacionada) pode ajudar. Baseado nas previsões o sistema pode rotear as interações ao melhor agente, dando-lhe, com antecedência, informações sobre as possíveis razões da chamada.

  1. Outbound preditivo

Discadores Preditivos estão por perto desde os anos 80. O trabalho deles é maximizar a ocupação do agente ao discar os números certos nas horas certas. Tipicamente utilizando métricas de ligação e análises estatísticas, eles preveem, entre outras coisas, quando os agentes estarão disponíveis para aceitar a próxima chamada, quanto tempo eles levam para discar os números e a probabilidade da chamada ser atendida.

“Acione o número certo de chamadas na hora certa…” parece um jogo, complexo e com muitas variáveis envolvidas, que provavelmente pode ser dominado pelos algoritmos de reforço de aprendizado.

  1. Gamificação

Nós falamos sobre personalizar a experiência dos clientes, mas e sobre personalizar a experiência dos agentes?

Assim como as informações podem ser coletadas de clientes, também podem vir dos agentes. Construindo o perfil de cada funcionário de um contact center, de acordo com informações disponíveis ou extraindo informação do comportamento de um agente e seus resultados durante o trabalho, um sistema de deep learning pode tentar prever o que motiva um agente e estabelecer objetivos e recompensas personalizadas para cada indivíduo para melhorar sua performance de acordo com suas características únicas. A mesma situação pode ser aplicada às equipes.

  1. Escolher o melhor contato para ligar, na melhor hora

Algumas pessoas preferem atender chamadas apenas durante o horário de almoço, outras não gostam de ter suas refeições interrompidas. Algumas preferem ser contatadas de manhã, outras depois do horário de trabalho. Agumas definitivamente não querem ser atrapalhadas durante o jogo de futebol. Em resumo, as pessoas são complicadas.

Prever com precisão a hora correta e a pessoa certa para contatar melhorará naturalmente as taxas de sucesso das interações. Se treinados com dados suficiente de perfil e históricos de interação, um modelo de deep learning provavelmente fará esse trabalho, maximizando o sucesso de uma campanha outbound

  1. Planejamento de capacidade e otimização da força de trabalho

Qual é o mínimo de hardware que precisamos para alcançar os objetivos do contact center? Qual é o número máximo de campanhas, agentes e outras entidades que o hardware existente pode suportar? Redes neurais podem ser utilizadas para estimar esses números, aprendendo a partir de configurações existentes e fazendo novas previsões.

Qual é o número ideal de agentes para campanhas inbound e outbound, para um dado período do dia, um dia da semana, um mês específico, de acordo com o volume esperado de interações? Qual é o perfil ideal para os agentes dado o tipo de interação esperada? Deep learning pode fazer previsões baseadas na experiência e oferecer dicas, aos supervisores, de como eles deveriam dimensionar seu contact center.

  1. Chat bots

Ideias similares aos “scripts de IA” podem ser aplicadas aos chat bots interagindo diretamente com os clientes, com deep learning utilizado para entendimento da linguagem natural e personalização da interação.

Por ora, os bots ainda não alcançaram o patamar de um humano e são incapazes de substituir agentes humanos em interações complexas. Mas já há casos de chat bots sendo utilizados com sucesso para interação com cliente, então, com inteligência melhorada, eles podem ter um papel importante em gerir campanhas simples ou até em ajudar os agentes internamente (por exemplo, um bot supervisor criado para auxiliar os agentes).

IA já é velha e nenhuma dessas ideias é realmente nova. O que muda com o deep learning é a capacidade de correlacionar toneladas de dados para alcançar melhor precisão no decorrer do tempo, e a capacidade do software para aprender e, então, automaticamente adaptar os algoritmos do produto ao ambiente de cada cliente. É como Xadrez: sempre o mesmo jogo, mas nós sempre encontramos uma maneira de jogá-lo melhor.

Então, sim, provavelmente o contact center também pode ser um deep learner e um dia jogar seus próprios “jogos” no estilo IA. Mas se o tema final é o futuro, por que parar aí? Ao invés de aplicações separadas de IA, por que não juntá-las em um grande sistema que gere o contact center inteiro, com algoritmos centralizados correlacionando toda a informação disponível e cuidando dos objetivos de negócio, otimizando recursos, roteando interações, priorizando contatos outbound e auxiliando os agentes (alguns deles artificiais), tudo de uma vez? Um tipo de Hal 9000 para a indústria de contact center, esperançosamente com menos falhas.

HAL 9000 quote from “2001: A Space Odyssey

Compartilhar:
   



Mais lidos

Subscribe to Email Updates