Améliorer l'engagement des utilisateurs avec des suggestions de questions AI

Les programmes d'IA conversationnelle en entreprise ressemblent à des collègues de bureau sympas qui aident les employés dans des tâches comme le marketing et la gestion des clients. Mais quand de nouveaux utilisateurs rejoignent le groupe, ils se sentent parfois un peu perdus sur les questions à poser. C'est un vrai défi avec des systèmes avancés qui changent tout le temps. Pour y remédier, un cadre est proposé pour améliorer les suggestions de questions dans ces systèmes. Ce cadre est conçu pour donner aux utilisateurs des questions intelligentes et basées sur le contexte qui les aident à trouver ce qu'ils cherchent et à maximiser les fonctionnalités disponibles.

#La Montée des Assistants IA

Alors que la technologie avance, les gros modèles de langage prennent le devant de la scène, rendant les systèmes d'IA plus puissants. Aujourd'hui, beaucoup d'entreprises ajoutent des assistants IA à leurs outils pour automatiser les conversations et améliorer l'expérience des utilisateurs. Ces assistants sont comme des réceptionnistes compétents mais pour des tâches numériques, guidant les utilisateurs à travers des tâches bien structurées et améliorant le fonctionnement global des plateformes.

En général, les assistants IA en entreprise s'occupent de deux domaines principaux : partager des infos sur les produits et fournir des aperçus opérationnels. Le sujet de notre discussion vise à expliquer les choses aux utilisateurs, les aidant à y voir plus clair et à les guider à travers la plateforme sans accrocs. Même si l'IA a appris beaucoup de choses, juste répondre aux questions, ce n'est souvent pas suffisant. Les utilisateurs peuvent se retrouver bloqués sur ce qu'ils doivent demander ensuite après avoir reçu des réponses. C'est particulièrement vrai pour les nouveaux qui découvrent encore les fonctionnalités du système.

#Le Dilemme de l'Utilisateur

Imaginons un scénario où un nouvel employé du département marketing demande : "Comment est calculée la richesse du profil ?" Il reçoit une longue explication sur les métriques dans la plateforme Adobe Experience (AEP). Bien que cette réponse éclaire sur la richesse du profil, l'utilisateur pourrait encore se demander comment utiliser cette info dans la vraie vie. Que doit-il faire après ? Comment cela s'intègre-t-il dans ses tâches plus larges ? Cette confusion montre le défi de formuler des questions de suivi qui débloquent tout le potentiel du système.

Les suggestions de questions peuvent intervenir pour combler ce vide. Elles ne se contentent pas de répondre aux utilisateurs mais les poussent aussi vers des interrogations pertinentes auxquelles ils n'auraient peut-être pas pensé. Par exemple, après avoir reçu une réponse, des suggestions comme "Quelles sont les implications de dépasser le quota de richesse du profil ?" ou "Comment puis-je surveiller et gérer efficacement la richesse du profil ?" aident l'utilisateur à voir des aspects plus larges de la richesse du profil et à éveiller sa curiosité sur des fonctionnalités connexes.

#Le Défi des Suggestions de Questions

Cependant, générer de bonnes suggestions de questions dans ces systèmes n'est pas sans ses difficultés. Beaucoup de systèmes d'entreprise manquent de données historiques solides, rendant difficile pour les modèles traditionnels de prédire les requêtes. Parfois, les utilisateurs posent des questions bizarres ou chaotiques qui ne correspondent pas à des modèles courants, compliquant le processus. De plus, à mesure que les assistants IA continuent de grandir et d'évoluer, un fossé apparaît entre ce que le système peut faire et ce que les utilisateurs en savent. Ce fossé peut entraîner moins d'engagement de la part des utilisateurs et moins de personnes tirant pleinement parti de la plateforme.

Pour relever ces défis, un cadre est proposé pour améliorer les suggestions de questions dans les systèmes d'IA conversationnelle d'entreprise. Cette approche utilise des données du monde réel de l'Assistant IA dans la plateforme Adobe Experience (AEP). L'accent est mis sur la génération de suggestions de questions proactives et classées pour aider les utilisateurs à découvrir davantage sur la plateforme.

#La Contribution

En résumé, les améliorations décrites dans cette étude impliquent :

• Une nouvelle approche pour générer des questions de suivi dans l'IA d'entreprise, reliant l'analyse des intentions des utilisateurs avec les interactions de session de chat.
• L'utilisation de modèles de langage avancés pour créer des questions adaptées au contexte basées sur les requêtes actuelles et les interactions passées.
• La réalisation d'évaluations humaines pour juger de l'efficacité des suggestions de questions selon divers critères comme la pertinence et l'utilité.

Cette recherche marque une première pour étudier l'impact des suggestions de questions dans un système IA d'entreprise pratique.

#Concepts Associés

#Techniques de Suggestion de Questions

Dans le monde tech, les méthodes traditionnelles de suggestions de questions ont considérablement amélioré l'expérience utilisateur dans les moteurs de recherche. En prédisant et en recommandant des questions basées sur les activités passées des utilisateurs, ces techniques ont rendu les recherches plus conviviales. Diverses approches, de l'analyse de données basique à des réseaux neuronaux complexes, ont été utilisées pour améliorer l'exploration dans les recherches web à grande échelle.

Certaines initiatives visent même à diversifier les suggestions de questions, s'assurant que les utilisateurs reçoivent des options différentes mais pertinentes. Cependant, ces méthodes nécessitent généralement beaucoup de données spécifiques aux tâches pour former des modèles efficaces. Avec les avancées des modèles de langage de grande taille et de la génération augmentée par récupération, le besoin de données spécifiques aux tâches a diminué. Au lieu de cela, les modèles pré-entraînés tirent parti des connaissances existantes pour suggérer des questions pertinentes.

#Découverte dans les Assistants IA

La découverte fait référence à la facilité avec laquelle les utilisateurs peuvent découvrir quelles actions ils peuvent entreprendre dans un système. Bien que cette idée ait été étudiée dans les logiciels traditionnels, elle passe souvent à la trappe dans les systèmes d'IA complexes. À mesure que les plateformes enrichissent leurs fonctionnalités, les utilisateurs peuvent avoir du mal à reconnaître de nouvelles capacités, ce qui entraîne une baisse d'utilisation.

Les études passées sur la Découvrabilité ont principalement porté sur les logiciels de bureau, les applications mobiles et les interfaces vocales. Beaucoup se sont concentrées sur la suggestion de commandes pertinentes aux utilisateurs, améliorant leur expérience globale. Des travaux récents explorent également les avantages des interactions proactives dans l'IA conversationnelle. Des études ont montré que des suggestions opportunes peuvent mener à de meilleures interactions et à une satisfaction accrue des utilisateurs.

Malgré l'accent mis sur divers domaines, la découvrabilité dans l'IA conversationnelle d'entreprise reste peu explorée. Les utilisateurs naviguant dans des contextes commerciaux complexes, comme la gestion des clients, rencontrent souvent des difficultés. Ces utilisateurs viennent de divers horizons, ce qui rend essentiel que les systèmes soutiennent un engagement immédiat et un apprentissage continu des fonctionnalités de la plateforme.

#Le Cadre pour les Suggestions de Questions

Le cadre pour les suggestions de prochaines questions dans les systèmes d'IA conversationnelle d'entreprise se compose de deux composants principaux :

1. Analyse des Intentions Utilisateurs : Réalisée à l'échelle de l'ensemble des utilisateurs pour identifier les tendances et les besoins.
2. Génération de Questions de Session de Chat : Axée sur la création de questions basées sur l'historique d'un utilisateur dans une session de chat spécifique.

Cette approche en deux volets permet au système de comprendre les changements dans le comportement des utilisateurs et de générer des questions pertinentes adaptées à l'historique d'interaction de chaque utilisateur.

#Analyse des Intentions Utilisateurs

Cette étape identifie des patterns communs dans les requêtes des utilisateurs à travers le système. En comprenant pourquoi les utilisateurs posent certaines questions, le système peut classifier les intentions des utilisateurs.

Par exemple, si un utilisateur cherche à comprendre un processus, le système peut remarquer des motifs conduisant à des questions de suivi. Cette analyse permet de générer des catégories de questions qui peuvent aider à diriger les utilisateurs vers des fonctionnalités connexes mais moins connues de la plateforme.

#Génération de Questions au Niveau de la Session de Chat

Cette partie utilise l'historique d'interaction actuel pour créer des suggestions de questions pour l'utilisateur. Les inputs pour cette phase incluent la requête la plus récente de l'utilisateur, la réponse de l'IA à cette requête, et toutes les questions posées auparavant dans cette même session. En s'appuyant sur ces interactions en temps réel, le cadre vise à créer des suggestions qui sont non seulement pertinentes mais aussi proactives pour guider les utilisateurs vers l'exploration des fonctionnalités.

#Évaluation du Cadre

Évaluer l'efficacité de la découvrabilité améliorée est une tâche complexe, surtout en raison d'un manque de jeux de données ou de métriques standard pour mesurer le succès dans ce domaine. Pour évaluer le cadre, des données ont été collectées lors de diverses interactions entre utilisateurs et l'Assistant IA. Des évaluations humaines ont été menées pour s'assurer d'une évaluation approfondie du cadre.

#Résultats de l'Analyse des Intentions Utilisateurs

Les résultats révèlent que plus de 35 % des requêtes des utilisateurs n'avaient pas de lien avec les interactions précédentes dans la même session. Cela souligne la complexité à former des motifs dans les requêtes des utilisateurs. Il a également été découvert que les utilisateurs posent souvent des questions d'expansion ou des questions de suivi, ce qui peut aider à mieux capturer la variété des intentions des utilisateurs.

#Processus d'Évaluation Humaine

Pour comparer la performance du nouveau cadre par rapport à la base de référence, les deux ensembles de suggestions de questions ont été évalués. Les questions ont été notées selon plusieurs critères : pertinence, validité, utilité, diversité et potentiel de découvrabilité. Les annotateurs ont été chargés d'évaluer les suggestions sans savoir quelle était laquelle, ajoutant un élément d'impartialité à l'évaluation.

#Aperçus Généraux

Les résultats soulignent les défis posés par les données rares dans les systèmes IA d'entreprise. Les méthodes traditionnelles de formation des modèles ne fonctionnent pas toujours bien ici. Au lieu de cela, utiliser de gros modèles de langage peut fournir une solution efficace pour générer des suggestions de questions.

De plus, les résultats indiquent qu'une approche unique pour tous n'est pas la solution. Différents utilisateurs ont des intentions diverses lorsqu'ils interagissent avec le système, et ces perspectives variées devraient être prises en compte dans l'évaluation des suggestions de questions.

#Conclusion

Ce cadre souligne la nécessité de stratégies de suggestions de questions adaptables qui peuvent suivre les changements dans le comportement des utilisateurs et les capacités du système. Il vise à aider les utilisateurs à naviguer dans des plateformes complexes tout en les encourageant à explorer des fonctionnalités moins fréquemment utilisées.

Les futures initiatives peuvent se concentrer sur l'examen de l'impact des suggestions de questions améliorées sur le comportement des utilisateurs dans des environnements réels. Des métriques comme la fréquence à laquelle les utilisateurs cliquent sur les fonctionnalités et la fréquence à laquelle ils les explorent seront cruciales pour évaluer l'efficacité de ces suggestions raffinées.

En gros, des suggestions de questions efficaces peuvent être le guide amical dont les utilisateurs ont besoin pour profiter pleinement du vaste paysage de leurs systèmes d'IA d'entreprise. Espérons que ces systèmes deviennent bientôt aussi populaires que les pauses café au bureau !