Migliorare il Coinvolgimento degli Utenti con Suggerimenti di Domande AI

I programmi di AI conversazionali per le aziende sono come amici d'ufficio utili che aiutano i lavoratori in attività come marketing e gestione dei clienti. Però, quando nuovi utenti si uniscono al gioco, a volte si sentono un po' persi su quali domande fare. Questo può essere una sfida nei sistemi avanzati che sono in continua evoluzione. Per affrontare questo problema, si propone un framework per migliorare le suggerimenti di domande in questi sistemi. Questo framework è progettato per dare agli utenti domande intelligenti e contestualizzate che li aiutano a trovare ciò di cui hanno bisogno e sfruttare al massimo le funzionalità disponibili.

#L'Ascesa degli Assistenti AI

Con l'avanzare della tecnologia, i grandi modelli linguistici sono saliti alla ribalta, rendendo i sistemi di IA più capaci. Oggi, molte aziende stanno aggiungendo assistenti AI ai loro strumenti per automatizzare le conversazioni e migliorare l'esperienza degli utenti. Questi assistenti sono come receptionist esperti ma per compiti digitali, guidando gli utenti attraverso attività strutturate e migliorando il funzionamento delle piattaforme in generale.

In genere, gli assistenti AI per le aziende si occupano di due aree principali: condividere informazioni sui prodotti e fornire approfondimenti operativi. Il focus della nostra discussione è spiegare le cose agli utenti, aiutandoli a ottenere chiarezza e guidandoli attraverso la piattaforma senza intoppi. Anche se l'AI ha imparato molto, semplicemente rispondere alle domande non basta mai. Gli utenti possono bloccarsi su cosa chiedere dopo aver ricevuto una risposta. Questo è particolarmente vero per i nuovi arrivati che stanno ancora familiarizzando con le funzionalità del sistema.

#Il Dilemma dell'Utente

Immagina uno scenario in cui un nuovo dipendente del reparto marketing chiede: "Come si calcola la ricchezza del profilo?" Riceve una spiegazione lunga riguardo ai metriche nella Adobe Experience Platform (AEP). Anche se questa risposta illumina la ricchezza del profilo, l'utente potrebbe comunque chiedersi come usare queste informazioni nella vita reale. Cosa dovrebbe fare dopo? Come si inserisce questo nel loro compito più ampio? Questa confusione fa riferimento alla sfida di formulare domande di follow-up che sbloccano il pieno potenziale del sistema.

I suggerimenti di domande possono intervenire per colmare questa lacuna. Non solo rispondono agli utenti, ma li stimolano anche verso domande pertinenti a cui potrebbero non aver pensato. Ad esempio, dopo aver ricevuto una risposta, suggerimenti come “Quali sono le implicazioni di superare il limite di ricchezza del profilo?” o “Come posso monitorare e gestire efficacemente la ricchezza del profilo?” aiutano l'utente a vedere aspetti più ampi della ricchezza del profilo e suscitano curiosità attorno a funzionalità correlate.

#La Sfida dei Suggerimenti di Domande

Tuttavia, generare buoni suggerimenti di domande in questi sistemi non è senza problemi. Molti sistemi aziendali mancano di dati storici sostanziali, rendendo difficile per i modelli tradizionali prevedere le query. A volte, gli utenti fanno domande strane o disordinate che non si adattano a schemi comuni, complicando il processo. Inoltre, mentre gli assistenti AI continuano a crescere e cambiare, si crea un divario tra ciò che il sistema può fare e ciò che gli utenti sanno. Questo divario può portare a un minore coinvolgimento degli utenti e a meno persone che sfruttano appieno la piattaforma.

Per affrontare queste sfide, si propone un framework che migliora i suggerimenti di domande nei sistemi di AI conversazionale per le aziende. Questo approccio utilizza dati reali dall'AI Assistant nella Adobe Experience Platform (AEP). L'obbiettivo è generare suggerimenti di domande proattivi e categorizzati per aiutare gli utenti a scoprire di più sulla piattaforma.

#Il Contributo

In sintesi, i miglioramenti delineati in questo studio comprendono:

• Un nuovo approccio per generare domande di follow-up nell'AI aziendale, collegando l'analisi dell'intento dell'utente con le interazioni delle sessioni di chat.
• L'uso di modelli linguistici avanzati per creare domande contestualmente pertinenti basate sulle richieste attuali e sulle interazioni passate.
• Condurre valutazioni umane per giudicare l'efficacia dei suggerimenti di domande in base a vari criteri come rilevanza e utilità.

Questa ricerca segna una novità per studiare l'impatto dei suggerimenti di domande in un sistema AI aziendale pratico.

#Concetti Correlati

#Tecniche di Suggerimento di Domande

Nel mondo della tecnologia, i metodi tradizionali di suggerimenti di domande hanno migliorato notevolmente le esperienze degli utenti nei motori di ricerca. Predicendo e raccomandando domande basate sulle attività passate degli utenti, queste tecniche hanno reso la ricerca più user-friendly. Sono stati usati vari approcci, dall'analisi dei dati di base a reti neurali complesse, per migliorare l'esplorazione nelle ricerche web su larga scala.

Alcuni sforzi mirano anche a diversificare i suggerimenti di domande, assicurando che gli utenti ricevano opzioni diverse ma pertinenti. Tuttavia, questi metodi richiedono generalmente molti dati specifici per i compiti per addestrare modelli efficaci. Con i progressi nei grandi modelli linguistici e nella generazione aumentata da retrieval, la necessità di dati specifici per i compiti è diminuita. Invece, i modelli pre-addestrati sfruttano la conoscenza esistente per suggerire domande rilevanti.

#Scopribilità negli Assistenti AI

La scopribilità si riferisce a quanto sia facile per gli utenti scoprire quali azioni possono intraprendere all'interno di un sistema. Anche se questa idea è stata studiata nel software tradizionale, spesso viene trascurata nei sistemi AI complessi. Man mano che le piattaforme diventano più ricche di funzionalità, gli utenti potrebbero faticare a riconoscere nuove capacità, portando a un diminuito utilizzo.

Gli studi passati sulla scopribilità si sono principalmente concentrati su software desktop, app mobili e interfacce vocali. Molti si sono concentrati sul suggerire comandi pertinenti agli utenti, migliorando la loro esperienza complessiva. Recentemente ci sono anche lavori che esplorano i benefici delle interazioni proattive nell'AI conversazionale. Gli studi hanno dimostrato che suggerimenti tempestivi possono portare a migliori interazioni e maggiore soddisfazione degli utenti.

Nonostante l'attenzione su vari campi, la scopribilità nell'AI conversazionale aziendale rimane poco esplorata. Gli utenti che navigano in contesti aziendali complessi, come la gestione dei clienti, affrontano spesso difficoltà. Questi utenti provengono da sfondi diversi, rendendo essenziale per i sistemi supportare un coinvolgimento immediato e un apprendimento continuo sulle funzionalità della piattaforma.

#Il Framework per i Suggerimenti di Domande

Il framework per il suggerimento della prossima domanda nei sistemi di AI conversazionale per le aziende si compone di due componenti principali:

1. Analisi dell'Intento dell'Utente: Condotta su tutta la base utenti per identificare tendenze e bisogni tra gli utenti.
2. Generazione di Domande a Livello di Sessione di Chat: Focalizzata sulla creazione di domande basate sulla storia di un utente individuale all'interno di una specifica sessione di chat.

Questo approccio a due punte consente al sistema di comprendere i cambiamenti nel comportamento dell'utente e generare domande rilevanti su misura per la storia di interazione di ciascun utente.

#Analisi dell'Intento dell'Utente

Questa fase identifica modelli comuni nelle domande degli utenti all'interno del sistema. Comprendendo perché gli utenti pongono certe domande, il sistema può categorizzare gli intenti degli utenti.

Ad esempio, se un utente cerca di comprendere un processo, il sistema può notare schemi che portano a domande di follow-up. Questa analisi consente la generazione di categorie di domande che possono aiutare a indirizzare gli utenti verso funzionalità correlate ma meno conosciute nella piattaforma.

#Generazione di Domande a Livello di Sessione di Chat

Questa parte utilizza la storia dell'interazione attuale per creare suggerimenti di domande per l'utente. Gli input per questa fase includono la query più recente dell'utente, la risposta dell'AI a quella query e eventuali domande precedenti poste nella stessa sessione. Sfruttando queste interazioni in tempo reale, il framework punta a creare suggerimenti che non siano solo pertinenti, ma anche proattivi nel guidare gli utenti verso l'esplorazione delle funzionalità.

#Valutazione del Framework

Valutare l'efficacia della scopribilità migliorata è un compito complesso, soprattutto perché c'è una mancanza di set di dati standard o metriche per misurare il successo in quest'area. Per valutare il framework, sono stati raccolti dati da varie interazioni tra utenti e AI Assistant. Sono state condotte valutazioni umane per garantire una valutazione approfondita del framework.

#Risultati dell'Analisi dell'Intento dell'Utente

I risultati rivelano che oltre il 35% delle domande degli utenti non aveva alcuna connessione con interazioni precedenti nella stessa sessione. Questo mette in evidenza la complessità di formare schemi nelle domande degli utenti. È stato anche scoperto che gli utenti spesso fanno domande di espansione o domande di follow-up, che possono aiutare a catturare meglio la varietà degli intenti degli utenti.

#Processo di Valutazione Umana

Per confrontare le prestazioni del nuovo framework rispetto alla baseline, sono stati valutati entrambi i set di suggerimenti di domande. Le domande sono state valutate in base a vari criteri: pertinenza, validità, utilità, diversità e potenziale di scopribilità. Gli annotatori sono stati incaricati di valutare i suggerimenti senza sapere quale fosse quale, aggiungendo un elemento di imparzialità alla valutazione.

#Osservazioni Generali

I risultati sottolineano le sfide poste da dati scarsi nei sistemi AI aziendali. I metodi tradizionali di addestramento dei modelli non funzionano sempre bene qui. Invece, l'uso di grandi modelli linguistici può fornire una soluzione efficace per generare suggerimenti di domande.

Inoltre, i risultati indicano che un approccio "taglia unica" non è la strada giusta. Gli utenti diversi hanno intenti variabili quando interagiscono con il sistema, e queste prospettive diverse dovrebbero essere considerate nella valutazione dei suggerimenti di domande.

#Conclusione

Questo framework mette in evidenza la necessità di strategie di suggerimento di domande adattabili che possano tenere il passo con i cambiamenti nel comportamento degli utenti e nelle capacità del sistema. Mira ad aiutare gli utenti a navigare in piattaforme complesse mentre li incoraggia anche ad esplorare funzionalità meno frequentate.

Gli sforzi futuri possono concentrarsi su come i suggerimenti di domande migliorati impattano il comportamento degli utenti in ambienti reali. Metriche come quanto spesso gli utenti cliccano su funzionalità e quanto frequentemente le esplorano saranno cruciali per misurare l'efficacia di questi suggerimenti affinati.

Insomma, suggerimenti di domande efficienti possono essere la guida amichevole di cui gli utenti hanno bisogno per godersi appieno il vasto panorama dei loro sistemi AI aziendali. Speriamo che questi sistemi diventino presto popolari come le pause caffè in ufficio!