6 Gründe, warum KI-Projekte scheitern

Datenprobleme sind einer der Hauptgründe, warum KI-Projekte hinter den Erwartungen zurückbleiben. Aber wenn Sie aus den Fehlern lernen und sich langfristig verpflichten können, werden sich Ihre KI-Bemühungen wahrscheinlich eher auszahlen. [...]

Vor achtzehn Monaten startete Herr Cooper ein intelligentes
Empfehlungssystem für seine Kundenbetreuer, um Lösungen für Kundenprobleme
anzubieten. Das Unternehmen, früher bekannt als Nationstar, ist mit 3,8
Millionen Kunden der größte Nicht-Bank-Hypothekenanbieter in den USA, so dass
das Projekt als hochkarätiger Kostensparer für das Unternehmen angesehen wurde.
Es dauerte neun Monate, um herauszufinden, dass die Agenten es gar nicht
benutzen, so CIO Sridhar Sharma. Und es dauerte weitere sechs Monate, um
herauszufinden, warum.

Die Empfehlungen, die das System anbot, waren nicht
relevant, fand Sharma, aber das Problem lag nicht in den Algorithmen des
maschinellen Lernens. Stattdessen hatte sich das Unternehmen auf Trainingsdaten
verlassen, die auf technischen Beschreibungen von Kundenproblemen basierten und
nicht darauf, wie Kunden diese mit eigenen Worten beschreiben würden.

"Wir haben keine gute Arbeit geleistet, um
sicherzustellen, dass die Wurzel der Frage, die der Kunde stellte, in den
Begriffen erfasst wurde, die der Kunde verwendete", sagt er. "Es
wurde in den technischen Begriffen kodiert, die wir intern verwenden."

Darüber hinaus hatte der Feedback-Mechanismus des Systems,
in dem die Agenten die Ergebnisse der Anrufe aufzeichneten, überlappende
Kategorien, was ...

Um diese Inhalte abzurufen, registrieren Sie sich bitte für den kostenlosen Business Account.

Werbung


Mehr Artikel