تاثییر چت‌بات ازکی بر نرخ ارجاع به اپراتور_آفتاب شرق

معاون تکنولوژی ازکی، خبرداد نسل تازه چت‌بات این پلتفرم توانسته نرخ خواست مشتریان برای اتصال به اپراتور نیروی انسانی در زمان خواست حمایتروی سایت را از نزدیک به ۳۵ درصد به ۹ درصد افت دهد.

محمود کهنسال، معاون تکنولوژی ازکی، در ابتدای اراعه خود در اتفاقات «هوش مصنوعی، بازاریابی و تبلیغات» با مرور تاریخچه‌ای مختصر از هوش مصنوعی او گفت: «موج جاری AI ادامه مسیری است که از ۶۰ تا ۷۰ سال پیش اغاز شده می بود. او یادآور شد نخستین ایده‌ها درمورد ماشینی که می‌تواند فکر کند دهه‌ها قبل نقل شده و بعد‌ از آن یادگیری ماشین و دیپ‌لرنینگ شکل گرفت.» 

به حرف های او نقطه عطف مهم سال ۲۰۱۷ و معارفه معماری ترانسفورمر می بود که مسیر مدل‌های زبانی بزرگ را باز کرد. او با اشاره به شدت تحول این حوزه او گفت: «در سال ۲۰۲۵ دیگر فردی حاضر نیست با GPT-۳ کار کند. مدل‌ها با چنان سرعتی جلو می‌روال که محصول‌سازی باید همیشه با نسل تازه همراه شود.»

محمود کهنسال در ادامه به تشریح اکوسیستم جهانی هوش مصنوعی پرداخت. به حرف های او این اکوسیستم از ۴ لایه مهم راه اندازی شده است: لایه زیرساخت و سخت‌افزار، لایه مدل‌سازها و مدل‌های بنیادین، لایه محصولات هوش مصنوعی و کاربردها و در نهایت لایه توانمندسازی افراد در نقش‌های فردی و سازمانی‌شان.

او پافشاری کرد شرکت‌های بزرگ دنیا بازیگران مهم دو لایه اول می باشند، در حالی که شرکت‌های ایرانی به علت محدودیت منبع های و مقیاس اقتصادی، منطقی‌تر است که در لایه محصول و توانایی مشتری تمرکز کنند. او اشاره کرد که ساخت مدل‌‌ها از نظر فنی و اقتصادی تقریبا به‌صرفه نیست و قیمت‌آفرینی واقعی در جایی رخ می‌دهد که AI داخل فرایند تصمیم‌گیری و توانایی مشتری شود.

کهنسال با اشاره به داده‌های مک‌کنزی درمورد مقدار بلوغ شرکت‌ها در منفعت‌گیری از هوش مصنوعی او گفت: «۸۸ درصد شرکت‌ها به‌نوعی از AI منفعت گیری کرده‌اند اما فقط ۴ درصد آن‌ها به قیمت‌آفرینی پایدار رسیده‌اند.»

معاون تکنولوژی ازکی این حالت را شکاف شوق و قیمت واقعی توصیف کرد و گفت که تعداد بسیاری از سازمان‌ها در مرحله آزمایش متوقف خواهد شد.

او سپس به توانایی ازکی در گسترش چت‌بات پرداخت؛ توانایی‌ای که به‌حرف های او شامل یک ناکامی و یک برگشت بوده است. نخستین نسخه چت‌بات ازکی در سال ۱۴۰۱ و هم‌زمان با موج اولیه ChatGPT ساخته شد. 

کهنسال او گفت: «در آن موقع یک تیم روی این پروژه کار می‌کردند اما مدل‌های زبانی آن زمان بالغ نشده بودند. بدون وجود مدل‌های زبانی، همه سطوح گوناگون مساله، از تشخیص نیت (Intent Recognition)، یافتن جواب و تشکیل جواب انسانی باید در تیم انجام می‌شد که پروژه را زیاد پرهزینه‌تر در اجرا می‌کرد. بعد از چند ماه پیش بردن پروژه و بازدید نسخه‌های اولیه از خروجی، تصمیم به توقف پروژه گرفتیم. اما در سال ۱۴۰۳ و با بلوغ مدل‌های زبانی، ازکی به‌جای ساخت مدل تازه، معماری تازه‌ای مبتنی بر LLM و RAG طراحی کرد. این معماری به ما این امکان را می‌داد به اسناد و دانش بیمه‌ای دسترسی داشته باشیم و جواب‌ها را دقیق‌تر و کنترل‌پذیرتر تشکیل کنیم. در نتیجه این بازطراحی افت قابل‌دقت نرخ ارجاع به اپراتور را به همراه داشت.»

به حرف های کهنسال نرخ خواست وصل‌شدن به اپراتور از نزدیک به ۳۵ درصد به ۹ درصد رسیده است. او در رابطه این نرخ او گفت: «این برای ما خوشحال‌کننده است که توانستیم به این نرخ برسیم و توانایی خوبی برای مشتری رقم بزنیم. در این‌جا هوش مصنوعی یک ترند نبوده است؛ KPI داشت، هزینه را کم کرد و رضایت را بالا برد.»

مطابق حرف های محمود کهنسال، دومین توانایی ازکی در منفعت گیری از هوش مصنوعی مربوط به پروژه شخصی‌سازی کارت‌های نظر بیمه در صفحه قیاس ازکی بوده که ازکی آن را با نام Benefix گسترش داده است.

 کهنسال او گفت: «قضیه این می بود که بعد از استعلام قیمت، تصمیم‌گیری درمورد این که کدام کارت بیمه‌ای نمایش داده شود و ترتیب نمایش چطور باشد، تاثییر مستقیم بر نرخ خرید، سطح تخفیف مشتری و حاشیه سود پلتفرم دارد.»

او در ادامه گفت: «به همین علت تیم فنی ازکی ابتدا یک شاخص واحد تحت گفتن مزیت قیاس‌ای تعریف کرد که ترکیبی از مقدار تخفیف دریافتی و نرخ تبدیل می بود. سپس داده‌های ملزوم را ساخت و مدل پیش‌بینی گمان خرید برای هر کانفیگ را گسترش داد و در ادامه چندین مرحله A/B تست اجرا کرد و در نتیجه این آزمایش‌ها افزایش چندمرحله‌ای شاخص مزیت قیاس‌ای و بهبودهایی تا نزدیک به ۱۵ درصد نسبت به حالت اولیه به همراه داشت.»

او در آخر او گفت: «هوش مصنوعی ابزار بازطراحی توانایی مشتری است. هر جا تصمیم‌گیری وجود دارد از جواب‌دهی تا قیمت‌گذاری AI می‌تواند قیمت خلق کند، اگر درست و با نگاه قیمت افزوده از آن منفعت گیری شود.»