De vraag of menselijke tussenpersonen desondanks niet simpelweg beter zijn dan virtuele, is voor ons geen ‘of’-vraag. Klanten worden uiteindelijk het beste geholpen als computers en mensen samenwerken. Vandaar dat wij geloven in de Human Assisted Virtual Agent (HAVA).

Oplossingsvermogen HAVA's
Klanten kampen nooit met dezelfde problemen. Er bestaan misschien wel honderden of duizenden vraagstukken en die lopen uiteen qua complexiteit. De simpele opgaven zijn de informatieverzoeken: 'Ik wil meer weten over product X' of 'Hoe schakel ik functionaliteit Y in?'. Deze kunnen worden opgelost door het antwoord te zoeken in een database met documenten beschikbaar voor zowel menselijke als virtuele tussenpersonen. De meer uitdagende kwesties vereisen toegang tot meerdere backend-databases en vragen om transacties op klantdata: 'Kan ik ook maandelijks betalen in plaats van per kwartaal?'.

In de hieronder beschreven scenario’s zoomen we in op processen die met behulp van artificial intelligence aanzienlijk verbeterd kunnen worden. Het eerste scenario betreft een gesprek tussen een klant en een tussenpersoon. De virtuele klantenservicetussenpersoon monitort het gesprek. Voor de vraagstukken waar hij een oplossing kan aanreiken, toont hij die suggesties op het scherm. Op deze manier kan de menselijke tussenpersoon efficiënter werken en hoeft hij zich alleen te richten op de uitdagende facetten van het gesprek. Door aan te geven of de aangereikte suggesties correct zijn, kan de HAVA steeds beter worden in het werk.

Computer vraagt mens om hulp
In het tweede scenario is het juist de virtuele tussenpersoon die het gesprek met de klant voert. Bij voldoende vertrouwen om tot een passend antwoord te komen, reageert de HAVA direct op de vraag. Als vraagstukken niet voorkomen in de kennisdatabank of bij onvoldoende zekerheid over het juiste antwoord, dan kan op de achtergrond de hulp van een menselijke tussenpersoon worden ingeschakeld. Vergis je niet: nog steeds retourneert de virtuele tussenpersoon het antwoord richting de klant. Hoe beter de HAVA wordt, hoe minder die om hulp vraagt. En de klantervaring blijft gelijk.

De virtuele tussenpersoon gebruikt machine learning om beter te worden, maar de meeste machine learning technieken werken in een zogenoemde ‘supervised’ modus. Dat maakt dat data niet alleen nodig is om ervan te kunnen leren, maar ook dat de content moet zijn voorzien van het juiste antwoord. Als een neuraal netwerk gezichten moet gaan herkennen, dan zijn foto’s nodig met labels met correcte namen. Voor onze spraakherkenning gebruiken wij daarom ook duizenden eerder opgenomen en becommentarieerde gesprekken. Het aardige van de twee geschetste scenario’s is dat we de data die geschikt is voor supervised learning, gratis en direct aangereikt krijgen: de virtuele tussenpersoon heeft niet alleen toegang tot data over klantverzoeken, maar ook tot de correcte antwoorden die een tussenpersoon aanlevert.

Goed, beter, best
Door een bruikbare virtuele assistenttool te ontwikkelen die kan worden geoptimaliseerd door klantcontactmedewerkers, worden een aantal veel voorkomende problemen van virtuele assistenten opgelost. Negatieve klantervaringen worden bijvoorbeeld voorkomen, door een persoon te laten interveniëren als de AI op het punt staat een fout te maken. Ook hoeft data niet te worden gelabeld om een virtuele assistent op te zetten en/of beter te maken; on the job verbeteren menselijke klantenservicemedewerkers hun virtuele collega door data aan te reiken die exact in het formaat staat waar de geavanceerde deep learning technieken om vragen. Het gevolg is dat de virtuele assistent vanzelf naar een uitmuntend serviceniveau opklimt.

Noot: deze gastblog is geschreven door Nils Lenke, senior director Corporate Research bij Nuance Communications.