Case Study
Voice First
Un agente collaborativo per l'assistenza online
Isagog partner nella ricerca su un nuovo modello di assistenza online
Intro
I chatbot di assistenza stanno facendo progressi, ma i servizi per i clienti richiedono ancora l’intervento umano tramite canali vocali. Da questa analisi, nasce il progetto di ricerca Voice First, che ha visto Isagog collaborare con Teleperformance Italia come partner di ricerca.
L’obiettivo era quello di sviluppare bot collaborativo (cobot) per supportare gli assistenti umani nella gestione delle interazioni vocali con i clienti.
Lo sviluppo del prototipo di ricerca ha presentato sfide nella comprensione del discorso spontaneo, nella rappresentazione della conoscenza e nel ragionamento automatico
Abbiamo utilizzato un approccio basato sugli standard, sfruttando ragionatori open source e modelli linguistici aperti.
Un «cobot cognitivo» per assistere l’assistente
- «Ascolta» la conversazione digitalizzando la voce del cliente (speech-to-text)
- «Comprende» i concetti rilevanti in tempo reale
- Reperisce informazione in una base di conoscenza
- Regolamenti
- Procedure
- Dati storici
- Ragiona su un modello concettuale di business per offrire suggerimenti all’assistente umano
- «Next best action»
- Troubleshooting
- Offerte applicabili
- …
L'intelligenza artificiale può estendere l'intelligenza naturale senza sostituirla
Processo
Il ragionatore che Isagog ha sviluppato per Voice First è di tipo neurosimbolico.
Il ragionatore è composto da tre elementi:
- Neural Parser: analizza i frammenti di conversazione classificando le parti rilevanti
- Abductive Reasoner: interpreta i frammenti analizzati confrontandoli con la situazione del cliente
- Knowledge Base: contiene i modelli di business e le informazioni sul cliente
Il valore aggiunto
Un sistema neurosimbolico integra due approcci fondamentali all’IA: l’apprendimento profondo (o deep learning, basato su reti neurali) e l’IA simbolica (o ragionamento simbolico). L’idea di base è quella di combinare i punti di forza di entrambi gli approcci per superare i loro rispettivi limiti, cercando di avvicinarsi alla flessibilità e all’efficacia del ragionamento umano.
Il valore dei sistemi neurosimbolici
- Spiegabilità: Uno dei grandi vantaggi dei sistemi neurosimbolici è la loro capacità di generare spiegazioni comprensibili per l’uomo riguardo alle decisioni prese dall’IA. Mentre i modelli basati esclusivamente su reti neurali possono comportarsi come “scatole nere”, l’integrazione con metodi simbolici può aiutare a rendere il processo decisionale più trasparente.
- Generalizzazione: Integrando il ragionamento simbolico, questi sistemi possono apprendere concetti astratti e regole generali anche da pochi esempi.
- Conoscenza strutturata: I sistemi neurosimbolici sono naturalmente attrezzati per lavorare con conoscenza strutturata (Knowledge Graph), facilitando l’interazione con basi di conoscenza esistenti e il ragionamento su di esse.
- Robustezza e affidabilità: La componente simbolica può aiutare a stabilire vincoli e regole che il sistema non dovrebbe violare, incrementando la sicurezza e l’affidabilità dei modelli, soprattutto in applicazioni critiche come la medicina o l’autonomia dei veicoli.
- Complementarità e sinergia: L’approccio neurosimbolico sfrutta la complementarità tra le capacità di elaborazione dati dei modelli neurali e la capacità di ragionamento logico e astratto dei sistemi simbolici, promuovendo una sinergia che può portare a prestazioni migliori rispetto all’utilizzo di un solo paradigma.