Melhorando o Engajamento do Usuário com Sugestões de Perguntas de IA

Programas de IA conversacional para empresas são como aqueles colegas de trabalho prestativos que ajudam a galera nas tarefas de marketing e gestão de clientes. Mas, quando usuários novatos entram na jogada, às vezes eles ficam meio perdidos sobre que perguntas fazer. Isso pode ser complicado em sistemas avançados que estão sempre mudando. Pra resolver essa parada, foi sugerido um framework que melhora as sugestões de perguntas nesses sistemas. Esse framework foi feito pra dar aos usuários perguntas espertas e baseadas no contexto que ajudam a encontrar o que precisam e aproveitar ao máximo os recursos disponíveis.

#A Ascensão dos Assistentes de IA

Com a tecnologia avançando, os grandes modelos de linguagem estão ganhando destaque, tornando os sistemas de IA mais capazes. Hoje em dia, muitas empresas estão adicionando assistentes de IA às suas ferramentas pra automatizar conversas e melhorar a experiência dos usuários. Esses assistentes são como recepcionistas habilidosos, mas para tarefas digitais, guiando os usuários em tarefas estruturadas e melhorando como as plataformas funcionam no geral.

Geralmente, assistentes de IA em empresas lidam com duas áreas principais: compartilhar informações sobre produtos e fornecer insights operacionais. O foco da nossa conversa é em explicar as coisas pros usuários, ajudando eles a entender melhor e guiando-os suavemente pela plataforma. Mesmo com toda a aprendizagem da IA, só responder perguntas muitas vezes não é suficiente. Os usuários podem ficar sem saber o que perguntar a seguir depois de receber as respostas. Isso é especialmente verdade pros novatos que ainda estão se familiarizando com os recursos do sistema.

#O Dilema do Usuário

Imagine um cenário onde um novo funcionário do departamento de marketing pergunta: "Como é calculada a riqueza do perfil?" Ele recebe uma explicação extensa sobre as métricas na Adobe Experience Platform (AEP). Embora essa resposta esclareça a riqueza do perfil, o usuário pode ainda estar pensando em como usar essa informação na vida real. O que ele deve fazer a seguir? Como isso se encaixa nas tarefas mais amplas dele? Essa confusão aponta para o desafio de formular perguntas de acompanhamento que desbloqueiem todo o potencial do sistema.

Sugestões de perguntas podem entrar em cena pra preencher essa lacuna. Elas não só respondem aos usuários, mas também os incentivam a fazer perguntas relevantes que eles talvez não tenham pensado. Por exemplo, depois de receber uma resposta, sugestões como “Quais são as implicações de exceder a cota de Riqueza do Perfil?” ou “Como posso monitorar e gerenciar a Riqueza do Perfil de forma eficaz?” ajudam o usuário a ver aspectos mais amplos da riqueza do perfil e despertam a curiosidade em torno de recursos relacionados.

#O Desafio das Sugestões de Perguntas

Porém, gerar boas sugestões de perguntas nesses sistemas não é uma tarefa fácil. Muitos sistemas empresariais carecem de dados históricos substanciais, tornando difícil para modelos tradicionais preverem consultas. Às vezes, os usuários fazem perguntas estranhas ou bagunçadas que não se encaixam em padrões comuns, complicando o processo. Além disso, à medida que os assistentes de IA continuam crescendo e mudando, surge uma lacuna entre o que o sistema pode fazer e o que os usuários sabem sobre ele. Essa lacuna pode levar a menos engajamento dos usuários e a menos pessoas aproveitando ao máximo a plataforma.

Pra enfrentar esses desafios, foi proposto um framework que melhora as sugestões de perguntas em sistemas de IA conversacional para empresas. Essa abordagem utiliza dados do mundo real do Assistente de IA na Adobe Experience Platform (AEP). O foco está em gerar sugestões de perguntas proativas e categorizadas para ajudar os usuários a descobrir mais sobre a plataforma.

#A Contribuição

Resumindo, as melhorias descritas nesse estudo envolvem:

• Uma nova abordagem para gerar perguntas de acompanhamento em IA empresarial, ligando análise de intenção do usuário com interações de sessão de chat.
• Usar modelos de linguagem avançados pra criar perguntas amigáveis ao contexto, com base nas consultas atuais e interações passadas.
• Realizar avaliações humanas pra julgar a eficácia das sugestões de perguntas com base em vários critérios, como relevância e utilidade.

Essa pesquisa marca um primeiro passo para estudar o impacto das sugestões de perguntas em um sistema prático de IA empresarial.

#Conceitos Relacionados

#Técnicas de Sugestão de Perguntas

No mundo da tecnologia, métodos tradicionais de sugestão de perguntas melhoraram muito a experiência dos usuários em motores de busca. Ao prever e recomendar perguntas com base nas atividades passadas dos usuários, essas técnicas tornaram a busca mais amigável. Várias abordagens, desde análises de dados básicas até redes neurais complexas, foram usadas pra melhorar a exploração em buscas na web em larga escala.

Alguns esforços até visam diversificar as sugestões de perguntas, garantindo que os usuários recebam opções diferentes, mas relevantes. No entanto, esses métodos geralmente requerem muitos dados específicos de tarefas pra treinar modelos eficazes. Com os avanços em grandes modelos de linguagem e geração aumentada por recuperação, a necessidade de dados específicos de tarefa diminuiu. Em vez disso, modelos pré-treinados aproveitam o conhecimento existente pra sugerir perguntas relevantes.

#Descobribilidade em Assistentes de IA

Descobribilidade se refere a quão fácil é para os usuários descobrir quais ações eles podem realizar dentro de um sistema. Embora essa ideia tenha sido estudada em software tradicional, muitas vezes ela se perde em sistemas de IA complexos. À medida que as plataformas ficam mais ricas em recursos, os usuários podem ter dificuldades em reconhecer novas capacidades, levando a um uso reduzido.

Estudos anteriores sobre descobribilidade se concentraram principalmente em software de desktop, aplicativos móveis e interfaces de voz. Muitos focaram em sugerir comandos relevantes pros usuários, melhorando sua experiência geral. Trabalhos recentes também exploram os benefícios das interações proativas em IA conversacional. Estudos mostraram que sugestões oportunas podem levar a melhores interações e maior satisfação do usuário.

Apesar do foco em vários campos, a descobribilidade em IA conversacional empresarial ainda é pouco explorada. Usuários navegando em contextos de negócios complexos, como gestão de clientes, frequentemente enfrentam dificuldades. Esses usuários vêm de diversos contextos, tornando essencial que os sistemas apoiem o engajamento imediato e o aprendizado contínuo sobre os recursos da plataforma.

#O Framework para Sugestões de Perguntas

O framework para sugestão da próxima pergunta em sistemas de IA conversacional empresarial consiste em dois componentes principais:

1. Análise de Intenção do Usuário: Conduzida em toda a base de usuários pra identificar tendências e necessidades entre eles.
2. Geração de Perguntas em Sessões de Chat: Focada em criar perguntas com base no histórico de um usuário individual dentro de uma sessão de chat específica.

Essa abordagem em duas frentes permite que o sistema entenda mudanças no comportamento do usuário e gere perguntas relevantes adaptadas ao histórico de interação de cada usuário.

#Análise de Intenção do Usuário

Essa fase identifica padrões comuns nas perguntas dos usuários em todo o sistema. Ao entender por que os usuários fazem certas perguntas, o sistema pode categorizar as intenções dos usuários.

Por exemplo, se um usuário busca entender um processo, o sistema pode perceber padrões que levam a perguntas de acompanhamento. Essa análise permite a geração de categorias de perguntas que podem ajudar a direcionar os usuários em relação a recursos relacionados, mas menos conhecidos na plataforma.

#Geração de Perguntas em Nível de Sessão de Chat

Essa parte usa o histórico de interação atual pra criar sugestões de perguntas pro usuário. As entradas pra essa fase incluem a consulta mais recente do usuário, a resposta da IA a essa consulta e quaisquer perguntas anteriores feitas na mesma sessão. Ao aproveitar essas interações em tempo real, o framework tem como objetivo criar sugestões que não sejam apenas relevantes, mas também proativas em guiar os usuários na exploração de recursos.

#Avaliando o Framework

Avaliar a eficácia da descoberta aprimorada é uma tarefa complexa, especialmente porque há uma falta de conjuntos de dados ou métricas padrão pra medir o sucesso nessa área. Pra avaliar o framework, dados foram coletados de várias interações entre usuários e o Assistente de IA. Avaliações humanas foram conduzidas pra garantir uma avaliação completa do framework.

#Resultados da Análise de Intenção do Usuário

Os resultados revelam que mais de 35% das consultas dos usuários não tinham conexão com interações anteriores na mesma sessão. Isso destaca a complexidade de formar padrões nas perguntas dos usuários. Também foi descoberto que os usuários frequentemente fazem perguntas de expansão ou perguntas de acompanhamento, o que pode ajudar a capturar melhor a variedade de intenções dos usuários.

#Processo de Avaliação Humana

Pra comparar o desempenho do novo framework com a linha de base, ambos os conjuntos de sugestões de perguntas foram avaliados. As perguntas foram classificadas com base em vários critérios: relação, validade, utilidade, diversidade e potencial de descobribilidade. Os anotadores foram encarregados de avaliar as sugestões sem saber qual era qual, adicionando um elemento de imparcialidade à avaliação.

#Insights Gerais

Os resultados destacam os desafios impostos por dados escassos em sistemas de IA empresarial. Métodos tradicionais de treinamento de modelos nem sempre funcionam bem aqui. Em vez disso, usar grandes modelos de linguagem pode fornecer uma solução eficaz pra gerar sugestões de perguntas.

Além disso, os resultados indicam que uma abordagem única não é o caminho a seguir. Diferentes usuários têm intenções diversas ao interagir com o sistema, e essas perspectivas variadas devem ser levadas em conta na avaliação das sugestões de perguntas.

#Conclusão

Esse framework enfatiza a necessidade de estratégias adaptáveis de sugestão de perguntas que consigam acompanhar mudanças no comportamento dos usuários e nas capacidades do sistema. Ele visa ajudar os usuários a navegar em plataformas complexas, enquanto também os incentiva a explorar recursos menos utilizados.

Futuras tentativas podem se concentrar em investigar como sugestões de perguntas aprimoradas impactam o comportamento dos usuários em ambientes reais. Métricas como a frequência com que os usuários clicam em recursos e como frequentemente os exploram serão cruciais pra medir a eficácia dessas sugestões refinadas.

Em suma, sugestões de perguntas eficientes podem ser o guia amigável que os usuários precisam pra aproveitar ao máximo a vasta paisagem de seus sistemas de IA empresarial. Tomara que esses sistemas logo se tornem tão populares quanto pausas pra café no escritório!