Wie Aquant mit Gen AI Daten in bessere Entscheidungen verwandelt

Sahar Sabin
Wie Aquant mit Gen AI Daten in bessere Entscheidungen verwandelt

In den letzten zehn Jahren haben viele Unternehmen erkannt, wie wichtig die Erfassung und Nutzung von Daten für die Entscheidungsfindung ist - doch die Datenqualität ist für viele Unternehmen immer noch ein Problem. Bis 2025, werden mindestens 30 % der allgemeinen KI-Projekte nach dem Konzeptnachweis aufgrund unzureichender Datenqualität scheitern.

Mit dem neuen Ansatz, GenAI für verschiedene Anwendungsfälle zu nutzen, sehen wir viele Angebote auf dem Markt, um die Problemlösung zu optimieren. Leider kratzen viele dieser Lösungen aufgrund von Datenqualitätsproblemen oder fehlenden Daten nur an der Oberfläche. 

Aquant bringt jahrelange Erfahrung und Innovation mit, um jedes einzelne Serviceproblem zu lösen. Mit Hilfe von Verhaltenswissenschaftlern und erstklassigen Datenwissenschaftlern hat Aquant einen Modellierungsansatz entwickelt, der Expertenwissen und Servicedaten kombiniert. Dieser Ansatz überbrückt die Datenlücke und stellt sicher, dass Ihr KI-System auf vertrauenswürdigen Daten aufbaut. 

Unser Ziel ist es, den Wert der Daten bei jeder Benutzerinteraktion zu maximieren. In diesem Blog werden wir untersuchen, wie GenAI die Dateninteraktion revolutioniert hat und sie intuitiver und umsetzbarer macht.

 

Verborgene Juwelen in Servicedaten finden 

Datensätze können kompliziert sein, aber Aquant ist der Meinung, dass alle Daten versteckte Details enthalten. Und wenn Sie Ihre Daten klug analysieren und nutzen, können sie wertvolle Informationen liefern. 

Klassifizierte und verarbeitete Daten können Einblicke, Echtzeitempfehlungen und allgemeine organisatorische Verbesserungen liefern. So können Daten beispielsweise zeigen, wie Unternehmen arbeiten, welche Prioritäten sie setzen, wo sie Schwierigkeiten haben und wo sie sich verbessern können. 

Aquant konzentriert sich darauf, Dienstleistungsunternehmen auf ihrem Weg der Transformation zu unterstützen, leistungsstarke Einblicke in ihr Geschäft zu gewinnen und Teams mit KI-gestützten Tools auszustatten, die ihren einzigartigen Herausforderungen und Erfahrungen entsprechen. Stellen Sie sich vor, KI könnte Ihre Daten, Benutzer und Ihr Geschäft verstehen - wie würde dies Ihre täglichen Geschäftsentscheidungen verändern?

Wussten Sie schon? Als Team stellen wir uns ständig der Herausforderung, darüber nachzudenken, wie wir KI intern nutzen können. Einer der spannenden Anwendungsfälle, die wir uns ausgedacht haben, ist die Klassifizierung von Service Co-Pilot Interaktionen zu klassifizieren, um zu wissen, welche Datenpunkte die Nutzer am meisten interessieren, damit wir uns proaktiv auf neue Produktverbesserungen konzentrieren können.

 

Lösung von Problemen der realen Welt mit KI

Der erste Schritt auf dem Weg zu Aquant besteht darin, die Bedürfnisse der Kunden zu verstehen. In unseren Gesprächen mit Kunden haben wir festgestellt, dass sie oft Probleme haben:

  • Zugriff auf Daten, um Erkenntnisse zu gewinnen.
  • Nutzung von Daten in Echtzeit für die Entscheidungsfindung.
  • Die Wissenslücke schließen.
  • Annehmen der Linksverschiebung Strategie.

 

GenAI spielt eine entscheidende Rolle bei der Erfüllung von Bedürfnissen wie den oben genannten. GenAI, und insbesondere LLMs, sind großartig:

  • Bereitstellung von Konversationserlebnissen, die die Absichten und Stimmungen der Nutzer erkennen.
  • Zusammenfassung von Daten (Kurz- oder Langform, mit oder ohne Schritte usw.).
  • Reasoning-Aktionen wie Klassifizierung, Entscheidungsfindung und Fehlersuche. 

 

Wie der Aquant Service Co-Pilot GenAI nutzt

Bevor GenAI und LLM verfügbar waren, wurden die meisten Interaktionen mit Daten über Apps abgewickelt. Diese Apps boten einen Fluss oder ein Dashboard, mit dem man interagieren konnte, sowie sehr roboterhafte Chatbots für Websites.

Nicht alle Anwendungen sind einfach zu bedienen, und in der Regel gibt es in Unternehmen eine Wissenslücke, die unerfahrene Personengruppen von der Nutzung abhält. Um diese Lücke zu schließen, ist die Fähigkeit mit natürlicher Sprache zu chatten und nicht nur mit den Apps zu interagieren zu einer entscheidende Produktfunktion.

Die Möglichkeit, zu chatten, gibt den Nutzern die Möglichkeit, Fragen zu stellen, die ihnen beim Lernen helfen. Die Möglichkeit zum Chat kann uns Anwendungsfälle eröffnen, die wir bisher nicht nutzen konnten, weil sie eine zusätzliche Verarbeitung erfordert hätten.

GenAI in Aktion

Die meisten Nutzer verlassen sich auf Verarbeitung natürlicher Sprache um mit Apps zu interagieren. Daher wussten wir, dass die UX der Aquant-App den Nutzern genügend Raum geben sollte, um zu beschreiben, was sie wollen.

Unsere Benutzer können sich in ihr CRM einloggen oder eine eigenständige Website öffnen, auf der Service Co-Pilot zugänglich ist, und ihre Anfrage eingeben. 

Hier ist ein genauerer Blick auf den Prozess:

Dieser Prozess mag sich komplex anfühlen, aber wir haben die ganze harte Arbeit dem Backend überlassen, um unseren Nutzern die besten Empfehlungen zu geben. Unser System vereinfacht komplexe Aufgaben, indem es automatisch personalisierte Empfehlungen für jede einzelne Service-Herausforderung liefert. So wird sichergestellt, dass Sie schnell und einfach die relevantesten und effektivsten Lösungen erhalten. 

  • Nutzeranfragen ableiten: Zunächst müssen wir verstehen, wonach sie suchen. Wir verwenden Schlussfolgerungen um:
      1. Klassifizieren Sie die Anfrage. Die Einordnung der Anfrage in eine bekannte Kategorie hilft uns, eine Antwort mit den richtigen Datenpunkten zu formulieren.
      2. Entitäten in der Anfrage erkennen. Diese kann helfen, Filter anzuwenden, damit die Antwort auf den richtigen Datenpunkten beruht.
      3. Verstehen Sie die Absicht des Nutzers. Es ist wichtig, festzustellen, ob sie nach Informationen suchen, vor einem Problem stehen, das sie zu lösen versuchen, usw.
  • Stellen Sie die relevanten Daten zusammen: Wir verwenden die verarbeiteten Daten, um die Anfrage des Nutzers zu beantworten. Wir dürfen jedoch nur relevante Informationen verwenden, um Rauschstörungen zu reduzieren und die Genauigkeit zu erhöhen. Um dies zu erreichen, sind wir auf Folgendes angewiesen:
      1. Retrieval Augmented Generation (RAG): Einige Kundendaten werden in einen Einbettungsprozess aufgenommen, der die Daten in Vektoren umwandelt. Dies hilft uns bei der Abfrage von Daten mit Techniken wie Vektorsuche unter Verwendung semantischer und lexikalischer Ähnlichkeit (auch als Hybride Suche).
      2. Schlussfolgern: Wir können LLMs verwenden, um Schlussfolgerungen zu ziehen und uns bei der Entscheidung für die richtigen Datenpunkte zu helfen.
  • Erden Sie den Prozess: Dies hilft uns, unsere Schritte zu validieren und sicherzustellen, dass wir die richtigen Daten für die Aufgabe haben.
  • Erstellen Sie die Anweisungen mit Prompt Engineering: Dadurch werden alle Informationen und Daten an den richtigen Stellen platziert, so dass der LLM sie verstehen und überdenken kann.
  • Beantworten Sie die Abfrage: Übermitteln Sie die Eingabeaufforderung an den LLM, damit die Antwort an den Benutzer weitergeleitet wird.

 

Das Schöne an GenAI ist, dass dieser Prozess nur ein paar Sekunden dauert, und mit einer einfachen Benutzerabfrage erhalten sie eine Antwort, die auf vertrauenswürdigen Daten basiert und auf Ihre einzigartige Benutzererfahrung zugeschnitten ist.

 

Neue Erlebnisse mit GenAI schaffen

Die Möglichkeit, zu chatten, öffnet unseren Blick für die Art und Weise, wie wir Daten konsumieren können, und ermöglicht es uns, Daten zu nutzen, die wir vorher nicht nutzen konnten, wie Handbücher, Videos und vieles mehr. Die Fähigkeit, sich an die einzigartigen Erfahrungen jedes Nutzers anzupassen, macht sie personalisiert. Sie hilft uns, diese Daten vielen verschiedenen Nutzertypen zur Verfügung zu stellen, was uns helfen kann, den Blick nach links zu richten und die Wissenslücke zu schließen.

Die Fähigkeit zu chatten kann uns helfen, wie nie zuvor auf Daten zuzugreifen. Wir können mit einfachen Befehlen Daten abfragen, und mit GenAI können wir nun herausfinden, welche Datenpunkte zu der Anfrage passen und eine Antwort liefern.

GenAI können Sie vertrauen 

Bei unseren KI-Systemen stehen Genauigkeit und Zuverlässigkeit im Vordergrund, wobei spezielle Maßnahmen zur Minimierung von Fehlern wie Halluzinationen getroffen werden. Wir setzen Grounding-Techniken ein, um sicherzustellen, dass die Antworten auf verifizierten Daten beruhen, und unsere Algorithmen für logisches Denken leiten die KI an, fundierte Ergebnisse zu produzieren. 

Transparenz ist ein zentrales Element unserer Arbeit. Wir erklären, wie die von der KI generierten Antworten zustande kommen, und fördern so das Verständnis und das Vertrauen der Nutzer. Die kontinuierliche Überwachung der KI-Leistung ermöglicht es uns, Abweichungen in Echtzeit zu erkennen und zu korrigieren, um sicherzustellen, dass sich das System weiterentwickelt und eine hohe Genauigkeit beibehält. Dank dieser kombinierten Strategien liefern unsere KI-Systeme stets präzise und zuverlässige Ergebnisse.

Während wir die Reise mit unseren Kunden teilen, erkennen wir, wie wichtig es ist, die Herausforderungen der Datenqualität zu meistern, um sicherzustellen, dass unsere KI-Systeme zuverlässig und effektiv sind. Daher investieren wir weiterhin Zeit und Ressourcen in die Erforschung neuer Möglichkeiten, unsere Plattform weiterzuentwickeln, um neuen realen Herausforderungen in der Welt des Außendienstes gerecht zu werden. Wir freuen uns darauf, Ihnen weitere Innovationen in diesem dynamischen Bereich vorzustellen. 

Melden Sie sich für eine 7-Tage-Herausforderung an um zu erfahren, wie Sie Ihre Servicestrategie auf ein neues Niveau heben können.

 

 

Über den Autor

Sahar Sabin, leitender Softwarearchitekt und Leiter des Innovationsteams

Ich bin Senior Software Architect und leite ein Innovationsteam. Mein Team und ich widmen uns der Nutzung neuer Technologien und GenAI, um einen besseren Kundennutzen zu bieten und unsere täglichen Arbeitsabläufe zu verbessern.