AI generativa, come adottarla in azienda e nel customer care

I Large Language Model, ovvero i modelli di “ragionamento” e comprensione linguistica alla base dell’AI generativa, vengono “addestrati” con miliardi di dati e parametri. Anche utilizzando soluzioni evolute come ChatGPT, la logica alla base rimane quella dell’input set, ovvero le informazioni fornite costituiscono l’ossatura del modello di ragionamento e generazione di contenuti dell’intelligenza artificiale.

Applicare un modello di AI, che ha ricevuto il suo addestramento su miliardi di parametri e informazioni disponibili in Rete, su una knowledge base aziendale (ovvero l’insieme dei contenuti aziendali costituiti da procedure, script, prontuari, schede prodotto, FAQ, eccetera) può restituire informazioni e contenuti non pertinenti. Il sistema può infatti incappare nelle cosiddette allucinazioni, ovvero proporre contenuti e risultati non coerenti con la richiesta di partenza. E questo perché l’intelligenza artificiale basa il suo linguaggio su informazioni esterne alla knowledge base aziendale.

È quanto ci ha spiegato Leonardo D’Itri, founder e Ceo di Aryanna, società italiana che si occupa dell’organizzazione delle informazioni aziendali “a 360 gradi” con la metodologia dell'Advanced Knowledge Management, e che vede il proprio ambito di applicazione in diversi ambiti: dal customer care al management, dalle vendite al marketing.

La soluzione a questo problema si concretizza con l’addestramento al quale è possibile sottoporre l’Intelligenza Artificiale, che almeno in alcune funzioni è mimetico rispetto a quello umana. L’input set delle informazioni è essenziale perché il modello rigido dell’AI si adatti alla specifica base di conoscenza su cui viene applicato. In questo scenario diviene di vitale importanza che la knowledge base subisca un processo di riscrittura e ottimizzazione, con l’obiettivo di produrre contenuti di qualità e coerenti con la richiesta di partenza. Inoltre è fondamentale bilanciare contenuti e tecnologia, perché l’AI, a differenza dei motori di ricerca tradizionali, restituisca soltanto risultati pertinenti e funzionali al posto di tutti quelli disponibili.

Come si esegue questo addestramento? Il metodo sviluppato da Aryanna in oltre 15 anni di esperienza nel settore del Knowledge Management si sviluppa in tre fasi. La prima è l’atomizzazione delle informazioni disponibili, ovvero la scomposizione di informazioni complesse in pacchetti di informazioni più semplici da gestire. La seconda è la riorganizzazione e riscrittura di tali informazioni affinché rispondano a criteri stringenti di univocità, chiarezza e immediata processabilità: quando letta, una medesima informazione deve essere interpretata nello stesso identico modo da tutti e deve poter essere immediatamente usata. Purtroppo tutti conosciamo servizi di customer care che forniscono informazioni differenti a seconda dell’operatore che viene contattato (a prescindere dal metodo di contatto). L’ultima fase si concretizza con l’input delle informazioni così elaborato all’interno del modello generativo.

(Immagine di rawpixel.com su Freepik; in apertura: immagine di pch.vector su Freepik)

La superiorità di ChatGPT per il servizio clienti
D’Itri sottolinea come il livello di sviluppo acquisito da ChatGPT rispetto ad altri modelli, come Anthropic (sponsorizzato da Google) e Stability AI (open source), sia al momento innegabile: non solo offre dei risultati migliori, grazie anche al maggior numero di parametri a cui è stata esposto, ma è l’unico che se viene configurato con una temperatura “bassa” resta coerente e all’interno della knowledge base di riferimento. Con temperatura “bassa” si intende il livello di creatività: più è basso e minori saranno le libertà creative che il modello si prende rispetto al contesto di knowledge richiesto.

Questo tipo di limite regolabile, ad esempio, non funziona ancora così bene con Anthropic che, benché settato su una temperatura “bassa”, esce un po’ al di fuori del contesto richiesto. Per questo motivo ad oggi ChatGPT è lo strumento di AI generativa più adatto per le funzioni del customer care dove è essenziale che le informazioni fornite siano univoche e immediatamente processabili: devono cioè essere sempre uguali a loro stesse per garantire continuità e precisione nel servizio e sottrarlo a tare di soggettività, tanto da parte dell’operatore, quanto del modello generativo.

L’automazione e l’implementazione dei modelli generativi stanno rendendo evidenti quale sarà il trend di sviluppo della funzione di customer care, che in futuro sarà improntata su un approccio quanto più proattivo possibile, capace cioè in un certo senso di anticipare le richieste dell’operatore proponendo spontaneamente contenuti coerenti con la richiesta ricevuta dal cliente finale. È questo uno scenario, per quanto affascinante, che rende l’approccio di ottimizzazione della knowledge base imprescindibile e l’intervento preventivo dell’intelligenza naturale sulle informazioni da consegnare all’intelligenza artificiale quanto mai ineludibile.