Funktionerne i AI-løsninger og deres anvendelsesmuligheder er vokset hurtigt siden lanceringen af ChatGPT og lignende. Men for de fleste organisationer, der udnytter disse funktioner ud over enkeltpersoner, der beder ChatGPT om input til de daglige arbejdsopgaver, er det stadig kun en idé på tegnebrættet. Teknologien er her, så hvad kræves der for at udnytte den?
Hos VisionWillow mener vi, at grundlaget for at opbygge din fremtidige AI-drevne assistent, der automatiserer din service management, kræver både struktur og data – mere specifikt skal det være den struktur og de data, som du definerer. Hvordan vil du vide, om de svar, din nye AI-supportagent giver, er korrekte? Hvordan vil du vide, om de automatiserede vidensartikler lever op til din standard og den oplevelse, du ønsker at levere? Hvordan ved vi, om vi lykkes?
Uanset om din organisation allerede har en virksomhedsstrategi for AI-udnyttelse, foretrukne LLM’er eller teknologiplatform, er vores tilgang både agnostisk i forhold til den underliggende teknologi og pragmatisk for at tilpasse sig allerede eksisterende virksomhedsdækkende initiativer
Når du identificerer muligheder for AI-anvendelsesmuligheder inden for dit Service Management-domæne, anbefaler vi, at du overvejer både kortsigtede og langsigtede initiativer/anvendelsesmuligheder. En kortsigtet mulighed kan være en anvendelsesmulighed, der realiseres med eksisterende teknologier. Dette kan være for at udnytte eksisterende AI-funktioner i din ITSM-platform. Et langsigtet initiativ kan være en løsning, der kræver avanceret LLM trænet på domænedata, der udnytter AI-teknologi, som måske ikke er moden endnu. F.eks. personlig assistent AI, som kan hjælpe både agenter og slutbrugere. Vi hjælper med at definere disse anvendelsesmuligheder og de relaterede succeskriterier for MVP og adoption. Dette hjælper med at sikre, at omfanget forbliver på sporet, og kommunikationen om fremskridt forbliver konsistent, da der er klare relationer mellem anvendelsesmuligheden, kravene og hvilke metrics der bruges til at måle succes.
Identificering af dataene og find struktur
Som overskriften antyder, starter det hele med data og struktur. Når anvendelsesmulighederne er blevet identificeret, faciliterer vi opdagelsesprocessen med at finde de underliggende data og struktur til at understøtte udvikling og træning af de AI-funktioner, der er nødvendige for anvendelsesmulighederne. Eksempler på data kan være billetter, opgaver & workflows, vidensartikler, proces- og servicebeskrivelser osv. Når de aktuelle domænedata og viden analyseres, skal vi også spørge – er det godt nok?
Hvis din organisation ønsker at give dine slutbrugere deres egen self-service AI-supportagent, vil vi hjælpe med at sikre, at dataene afspejler de forventninger, du ønsker at opfylde. Det er her, strukturen kommer ind i billedet. For at give den forventede oplevelse via AI, bør du allerede levere den med dine supportspecialister i dag. Vi hjælper med at kortlægge den nødvendige struktur i det arbejde, vi allerede gør for at skabe de data, vi vil bruge til at træne AI’en på. Eksempler på spørgsmål, der skal overvejes afhængigt af anvendelsesmuligheden:
- Bruger dine supportagenter i dag en tone of voice, som du er tilfreds med?
- Hvor gode er dit team til at håndtere slutbrugerindsigelser i billetterne?
- Hvordan opfatter dine slutbrugere den viden, der præsenteres for dem i self-service – Bruger de den?
- Er der områder i vores support/kundeoplevelse, der bør forbedres?
- Hvor godt forstår du ordlyden og tone of voice hos dine slutbrugere og kunder?
Vi stiller disse spørgsmål for at afdække eventuelle bias eller mangler i, hvordan du arbejder i dag. Dermed får vi en bedre forståelse af den struktur, som vores data skabes og administreres i.
Hvis du vil vide mere om, hvordan VisionWillow kan hjælpe dig med at blive klar til i morgen, bedes du kontakte os i dag.