https://virgool.ir/feed/@eilya.amiriفعال در حامیسان . درباره هوش مصنوعی، طراحی و توسعه محصول، راهبری و مدیریت در زمینه تکنولوژی می‌نویسمfa2026-11-11 21:09:07https://files.virgool.ir/upload/users/6349/avatar/bqeWCJ.pnghttps://virgool.ir/@eilya.amirihttps://virgool.ir/@eilya.amiri/ده-نکته-در-طراحی-چت-بات-های-بهتر-برای-کسب-و-کارتان-vnqg4twyxlqcاجازه دهید قبل از شروع، مفاهیم ابتدایی را با هم مرور کنیم. به طور کلی، هوش مصنوعی (AI) یک برنامه رایانه ای است که تلاش می کند هوش انسان را تقلید کند و می تواند حس کند، استدلال کند، عمل کند و سازگار شود. می‌تواند به ورودی های مختلف مانند متن، صدا، موقعیت جغرافیایی و حسگرهایی که ویژگی های فیزیکی مانند دما، وزن، حجم، رطوبت، حرکت و غیره را تشخیص می دهند پاسخ دهد. در آینده حتی ممکن است ورودی های بیشتری همچون بوی دیجیتال و احساسات انسانی امکان پذیر باشد.ساتیا نادلا، مدیر عامل مایکروسافت در سال ۲۰۱۶ اعلام کرد: «ربات‌ها برنامه‌های (اپلیکیشن) جدید هستند» و امروز مطمئناً در حال افزایش هستند. در واقع، گارتنر پیش بینی می کند که تا سال ۲۰۱۹، ۲۰٪ از برندها برنامه های تلفن همراه خود را با چت بات ها جایگزین می‌کنند، که ۸۵٪ از تمام تعاملات خدمات مشتریان را تامین خواهد کرد.مزایای چت بات ها این است که شبانه روزی و ۲۴/۷ در دسترس هستند و مشتریان امروزه پیام رسان ها را به سایر اشکال ارتباطی ترجیح می دهند. طبق تحقیقات BI، اپلیکیشن های پیام رسان از رسانه های اجتماعی پیشی گرفته اند و این روند ادامه خواهد داشت.ربات های خوب، ربات های بددر حالی که علاقه زیادی به ربات ها وجود دارد، هنوز در روزهای اولیه یادگیری نحوه طراحی آنها برای تأثیرگذارترین حالت آن هستیم."ربات‌ها در برخورد اول توهم سادگی را به شما القا می‌کنند، اما موانع زیادی وجود دارد که باید برای ایجاد یک تجربه عالی بر آن غلبه کرد... ما باید همه چیزهایی را که در ۲۰ سال گذشته آموخته‌ایم در نظر نگیریم تا یک تجربه شگفت‌انگیز در این جریان جدید ایجاد کنیم." - شین مک، مدیر عامل Assistدر اینجا به ده نکته ای اشاره می‌کنم که از تحقیق و تأمل مستقل جمع آوری شده است. می‌خواهم حس استفاده از ربات‌ها را به تصویر بکشم و در نتیجه برخی از اصول طراحی را شرح دهم. من حکایات شخصی مرتبط با ربات را که کاربران برای نشان دادن این اصول به اشتراک گذاشتند برای شما بازگو می‌کنم.۱. با موارد پر تکرار تر شروع کنیدموفق ترین بات ها آنهایی هستند که موارد استفاده پر تکرار را به خوبی ارائه می کنند. کسب و کارها می توانند سوالات متداول را از طریق گزارش داده‌های مرکز تماس یا تجزیه و تحلیل جستجوی وب سایتشان شناسایی کنند.بر ای نمونه پنج مورد استفاده را مثال می‌زنم: ردیابی موجودی حساب، بررسی تراکنش های اخیر، مشاهده اعتبار موجود، تأیید تاریخ سررسید پرداخت و پذیرش پرداخت آنلاین. برای بسیاری از وظایف دیگر، مشتری باید با یک انسان تعامل داشته باشد.نمونه‌های خوب دیگر ربات‌هایی که بسته‌های پستی را ردیابی می‌کنند و ربات‌های چک‌این (Check-in) خطوط هوایی هستند.مزیت شروع با موارد استفاده با فرکانس بالا این است که تیم پشتیبانی داخلی را از پاسخگویی مکرر به سوالات یکسان رها می‌سازد (کاری بیهوده و کم ارزش). بنابراین، هم برای مشتری و هم برای کسب و کار، برد-‌برد است.۲. از ربات های با قابلیت محدود دوری کنیداگرچه شروع کوچک بسیار عالی است، اما اگر قابلیت‌های ربات خیلی محدود باشد، تجربه مشتری سخت و غیرطبیعی خواهد بود. انسان‌ها همیشه به روش‌های غیر استاندارد رفتار می‌کنند، بنابراین اگر ربات آن را پیش‌بینی نکند یا در طول زمان یاد نگیرد، تجربه لذت‌بخش نخواهد بود.به طور کلی، چت ربات‌های مبتنی بر قوانین (Rule based) محدودکننده هستند و کاربران برای استفاده از آن‌ها باید بسیار خاص و دقیق باشند. با این حال، چت بات‌های ساخته شده بر روی یک پلتفرم هوش مصنوعی می‌توانند زبان طبیعی را درک کنند، بنابراین کاربر نیازی به دقیق بودن برای انتقال منظور خود ندارد.چت بات برنامه آموزش زبان دولینگو نمونه خوبی از رباتی است که محدود به نظر نمی رسد. این به کاربر اجازه می دهد تا با پاسخ دادن به سؤالات آموزش یک زبان را تمرین کند. می‌تواند آنچه کاربر می‌گوید را پردازش کند و پاسخ دهد، اما همچنین می‌تواند راه‌های مؤثرتری را برای گفتن همان چیز پیشنهاد کند. به عنوان مثال، اگر سؤال این بود که "چه چیزی می خواهی بنوشی؟"، ممکن است کسی با "قهوه" پاسخ دهد. سپس ربات "پاسخ بهتر" را پیشنهاد می کند، "یک قهوه لطفا".چندین کاربر اعلام کردند که اپلیکیشن DuoLingo را به خاطر حس طبیعی آن دوست داشتند. آنها به طور خاص اشاره کردند که چگونه از ویژگی "پاسخ بهتر" راضی هستند.۳. روی کارایی تمرکز کنیدیکی از ارزش‌های کلیدی چت‌بات‌ها، کارایی نسبت به سایر اشکال تعامل پذیر بودن است. بنابراین، مطمئن شوید که استفاده از ربات برای موارد استفاده پر تکرار کارآمدتر از استفاده از برنامه موبایل یا سایت است.به عنوان مثال، Skyscanner یک ربات و یک برنامه موبایل برای رزرو پرواز و مدیریت برنامه های سفر دارد. تعامل با ربات برای دیدن سفر، پرواز، هزینه ها و غیره چندین کلیک طول می کشد، در حالی که برنامه موبایل تمام اطلاعات را در یک صفحه نمایش می دهد.۴. به یاد داشته باشید، کیفیت خروجی با کیفیت ورودی تعیین می شودهنگام ایجاد یک چت بات، توجه به کیفیت پایگاه دانش شرکت مهم است، زیرا این اطلاعاتی است که چت بات ها از آن برای ارسال پاسخ ایده می گیرند. اگر اطلاعات به روز و با کیفیت نباشد، بر رضایت مشتری و در نهایت موفقیت پروژه چت بات تاثیر می گذارد. پرداختن به این موضوع قبل از اجرای چت بات بسیار مهم است، به خصوص که شرکت‌ها در حال مهاجرت از سیستم‌های مبتنی بر قوانین ساده به سیستم‌های هوش مصنوعی هستند که از فرآیندهای پیچیده یادگیری ماشینی (Machine learning) قدرت می‌گیرند.چه کسی می تواند درس های آموخته شده از Microsoft Tay را فراموش کند، یک چت ربات مجهز به هوش مصنوعی که به دلیل کیفیت پایین داده های آموزشی شروع به ارسال پیام های نژادپرستی کرد.۵. سفر مشتری را در نظر بگیریدبیشتر سازمان ها برای کسب تجربه از کوچک شروع می کنند و با گذشت زمان دامنه کار خود را گسترش می‌دهند. با این حال، مهم است که در مورد نحوه قرار گرفتن ربات در نقاط تماس (Touch Points) مختلف در طول سفر مشتری فکر کنید.سفر معمول مشتری دارای مراحل زیر است:· آگاهی Awareness - چگونه مشتری بالقوه از محصول آگاه می شود؟· تعامل Engagement - چگونه علاقه آنها را پرورش می دهید و آنها را درگیر می کنید؟· معامله Transaction - چگونه می توانند محصول را بخرند؟ آیا آنها می توانند محصول را سفارشی کنند؟ چگونه هزینه آن را پرداخت خواهند کرد؟· خدمات Service - چگونه می توانند به پشتیبانی مشتری دسترسی داشته باشند؟ در صورت عدم رضایت چگونه ممکن است محصول را پس دهند؟· طرفداری (حمایت) Advocacy - چگونه یک مشتری راضی می تواند مشتریان دیگر را ارجاع دهد؟یک ربات می تواند در هر یک از این مراحل مستقر شود. با این حال، اگر مشتری را از ابتدا تا انتهای این سفر همراهی نکنید، ممکن است تجربه‌ای از هم گسیخته داشته باشد.به عنوان مثال، دوست من از یک چت بات برای خرید عینک آفتابی استفاده کرد. این شرکت کلیه ارتباطات ارسال و تایید سفارش را از طریق چت بات روی سایت انجام می داد. به طور کلی، او این تعامل را دوست داشت، به خصوص به این دلیل که دسترسی به اطلاعات حمل و نقل را به راحتی، بدون جستجو در تمام ایمیل‌هایش، فراهم می‌کرد. با این حال، او محصول نادرست را دریافت کرد و مجبور شد آن را برگرداند. او سعی کرد از طریق چت بات برای حل مشکل ارتباط برقرار کند، اما نتوانست ارتباط درستی برقرار کند. او سپس مجبور شد راهی برای ارتباط با نماینده خدمات مشتری بیابد و در نهایت تجربه را از هم گسیخته و چالش برانگیز یافت.۶. طراحی برای کار تیمی انسان و رباتدر این مرحله، اکثر کسب و کارها داده‌های باکیفیت کافی برای الگوریتم‌های یادگیری ماشینی قوی ندارند، بنابراین سعی نکنید از آزمایش تورینگ عبور کنید! در عوض، ربات‌های ترکیبی را طراحی کنید که در کنار عوامل انسانی برای خودکارسازی درخواست‌های روتین کار می‌کنند. این راهکاری عالی برای اطمینان از تجربه با کیفیت بالا برای مشتری است.آزمایش تورینگ (به انگلیسی: Turing test)، با نام اصلی بازی تقلید، توسط آلن تورینگ و در سال ۱۹۵۰ معرفی شد، این آزمایش دربارهٔ توانایی یک ماشین برای ارائه رفتارهای هوشمندانه برابر یا غیرقابل تمایز از رفتارهای یک انسان است. تورینگ پیشنهاد کرد که یک ارزیابی کننده انسانی گفتگوی زبان طبیعی بین یک انسان و یک ماشین که قصد تولید پاسخ‌های شبه انسانی دارد، را قضاوت نماید.ربات می تواند در هر یک از این سناریوها به راحتی مکالمه رو به یک اپراتور تحویل دهد:ممکن است یک گزینه صریح برای انتقال مکالمه به یک اپراتور ارائه دهد.یا اگر روند مکالمه خیلی پیچیده باشد، مشتری را لزوما به اپراتور انتقال دهد.به طور مشابه، اگر مکالمه معمولی و روتین باشد، یک نماینده می تواند آن را پس از مطلع کردن مشتری و دریافت موافقت ایشان، به چت بات تحویل دهد.پیش‌بینی و طراحی فرآیند انتقال مهم است، زیرا می‌توانند کیفیت تجربه مشتری را کاهش دهند. گاهی اوقات مشتریان می خواهند بدانند که آیا با یک ربات صحبت می کنند یا یک انسان، و ندانستن می تواند باعث ایجاد احساس ناراحتی در آنها شود.کاربری از طرفداران طبیعت گردی است و از چت بات وب سایت Backcountry و برنامه موبایل آنها برای دریافت سؤالات مربوط به محصولات و فعالیت های طبیعت گردی استفاده می کند. با این حال، او دوست ندارد ربات وانمود کند که یک عامل زنده است. او ترجیح می دهد که ربات فاش کند که یک ربات است، زیرا نسبت به آن احساس بهتری پیدا می‌کند.۷. تجربه برند خود را گسترش دهیددر حالی که اکثر شرکت ها در ابتدا با استفاده از چت بات به دنبال صرفه جویی هزینه در پشتیبانی مشتری خود هستند، ربات ها فرصتی برای گسترش نام تجاری یک کسب و کار ارائه می دهند. بنابراین، مهم است که با صدایی رسا، معتبر و طنین انداز با مخاطبان خود صحبت کنید. تحقیقات نشان می‌دهد که مخاطبین بات‌ ها جوان‌تر ها هستند و این فرصتی برای گسترش جمعیت هدف شما به حساب می‌آید، همزمان اطمینان می‌دهد که ربات همچنان نماینده برند شما است.با این حال، نمونه های زیادی از ربات ها وجود دارد که با هویت برند تجاری محصول مطابقت ندارند. کاربری سعی می‌کرد از MeditateBot در پیام رسان فیس بوک استفاده کند. ربات به جای پاسخ دادن به چت ها، به طور مداوم برنامه موبایل را بازاریابی می کرد. پس از هر پاسخ از او خواسته بود که برنامه را دانلود کند. این تجربه باعث شد کاربر به طور کلی از این محصول استفاده نکند.۸. هم اپراتورهای مجازی با قابلیت صوتی و هم چت بات های مبتنی بر متن را در رادار خود زیر نظر داشته باشیدرابط‌هایی مانند الکسای آمازون و گوگل هوم همراهان خوبی برای چت بات‌های متنی هستند. ما باید بهتر درک کنیم که کدام موارد استفاده برای کدام شکل تعامل بهترین راه‌حل است و بهینه سازی را برای آن انجام دهیم. به عنوان مثال، تعامل هندزفری با استفاده از الکسا در خانه عالی است. با این حال، من نمی توانم وضعیت پرواز را در حال حرکت بررسی کنم. همچنین مطمئن نیستم که بخواهم موجودی بانکم را با استفاده از رابط صوتی بررسی کنم، به خصوص در یک مکان عمومی. من یک چت بات را برای آن ترجیح می دهم. به‌عنوان طراح، باید دوباره بر نیازهای انسان تمرکز کنیم و همتایان فناوری بهتری برای هر مورد پیدا کنیم.۹. امنیت و اعتماد خیلی مهم استربات ها خیلی بیشتر از سایر اشکال تعامل در مورد ما می دانند. کسب‌وکارها باید اقداماتی را برای حفاظت از داده‌های مشتریان به منظور کسب و حفظ اعتماد ما انجام دهند.این یک تجربه شخصی از یک کاربر فیس بوک است. تبلیغی برای یک محصول در فیس بوک دیده و روی آن کلیک کرده. او را به وب سایت محصول هدایت کرد. در آنجا ویدیوی محصول را تماشا کرد اما ادامه نداد. چند روز بعد تصمیم به خرید محصول گرفت و دوباره به وب سایت رفت و هزینه آن را پرداخت کرد. بلافاصله یک پیام چت بات فیس بوک دریافت کرد که از او برای سفارش تشکر می کرد. این موضوع او را غافلگیر کرده بود. فراموش کرده بود که برای شروع روی تبلیغ فیس بوک کلیک کرده بود. مطمئن نبود که می‌خواهد این فروشنده داده‌های فیسبوک او را داشته باشد. فیس بوک چه داده هایی را با این فروشنده به اشتراک گذاشته است؟ چه مدت این اطلاعات در سرور آنها ذخیره می شود؟ آیا فروشنده می تواند از داده های پیکیجی آماده کند و به فروشندگان دیگر بفروشد؟ تصور کنید محصولی را از یک فروشگاه خریدید و وقتی برای پرداخت نزد صندوقدار می‌روید، صندوقدار بلافاصله چندین سوال شخصی از شما بپرسد: وضعیت رابطه شما چگونه است؟ آیا بچه دارید؟ و احساسات شما چگونه است؟ من کاملا مطمئن هستم که محصول را روی پیشخوان می گذارید و از فروشگاه خارج می‌شوید.جالب اینجاست که مشتریان همچنان در حال استفاده از ربات برای تعامل با مشاغل هستند. بگذارید داستان «ربات‌های کفش فروش» را برایتان تعریف کنم. کاربری از علاقه مندان به کفش های کتانی است. او بخشی از جامعه ای است که در حال خرید کفش های کتانی جدید و کمیاب هستند. چند هفته پیش، مجموعه ای متشکل از ده کفش کتانی بسیار پرطرفدار توسط نایک عرضه شد، و او سعی کرد یک جفت آن را خریداری کند، اما به دلیل وجود "ربات‌های کفش فروش" غیرممکن بود. اساساً گروهی از مردم راهی برای استفاده بهینه از چت بات ها در فرآیند خرید کفش‌های کتانی پیدا کرده‌اند، به طوری که کفش‌های کتانی بسیار سریع‌تر از چرخیدن در چندین صفحه در وب‌سایت یا اپلیکیشن خرده‌فروشی خریداری شوند و در نتیجه، کفش‌های کتانی در کسری از ثانیه به فروش می‌رسند. اما من کنجکاو هستم که چگونه کسب‌وکارها برای رسیدگی به این موضوع و خرید کفش‌های کتانی مورد علاقه برای مصرف‌کننده‌های معمولی که از ربات استفاده نمی‌کنند یا بلد نیستند استفاده کنند، منصفانه‌تر خواهند شد.۱۰. مراقب خستگی ربات باشیداخیراً، اصطلاح "ربات ها" شروع به برانگیختن برداشت بدی در بین عموم مردم کرده است. این کمکی نمی کند که درصد قابل توجهی از کاربران توییتر، ظاهراً ربات هستند. انتخابات اخیر ایالات متحده و ادعای ربات های روسی فقط وضعیت را تشدید کرده است.در حالی که بسیار خوب است که پلتفرم فیس بوک شاهد افزایش تعداد ربات ها به ۱۰۰ هزار در کمتر از یک سال است، اما مشکلات جدیدی را نیز به همراه دارد - چگونه مشتری متوجه می شود که کسب و کار شما یک ربات دارد و چگونه آن را پیدا می کند؟در نتیجههمه اینها چه معنایی برای آینده ربات ها دارد؟ در حالی که چت‌بات‌ها یک فناوری جدید امیدوارکننده هستند، من احساس می‌کنم برای تحقق این وعده کارهای زیادی باید انجام شود.اجازه دهید انتظارات را دوباره مرور کنیم و روی بهره وری تمرکز کنیم. فرصت فوق العاده ای برای بهبود کارایی کارکنان شرکت و کمک به آنها برای دسترسی سریع به اطلاعات در خدمت مشتری وجود دارد. ربات‌های داخلی می‌توانند به کارمندان کمک کنند تا وضعیت سفارش‌ها، سطح موجودی را بررسی کنند، از تاخیرهای احتمالی ارسال مطلع شوند و غیره. در دسترس بودن این اطلاعات می‌تواند کارمندان را در کاری که انجام می‌دهند حتی بهتر کند و تجربه مشتری را به طور غیرمستقیم بهبود دهد. وی لینک برای رفتن به این سمت این تغییر طراحی و پیاده‌سازی شده است.نیاز به تکرار در طراحی ربات را دست کم نگیرید. فرآیند توسعه نرم‌افزار برای چت‌بات‌ها از برنامه‌ها متفاوت است، زیرا نیاز بسیار بیشتری به آزمایش کاربر، آموزش داده‌ها و تکرار فرآیندها وجود دارد.«در طراحی برنامه‌ها، شما طراحی، ساخت، آزمایش و راه‌اندازی می‌کنید. در ربات‌ها، شما طراحی می‌کنید، می‌سازید و آزمایش می‌کنید سپس راه‌اندازی می‌کنید و بازخورد دریافت می‌کنید، آموزش می‌دهید، آزمایش می‌کنید، به‌روزرسانی می‌کنید (4 تا 5 مرحله آخر هرگز تمام نمی‌شود). - اسوار پریادارشان، مدیرعامل BotCentralدر نهایت، ما نمی توانیم بر اهمیت اعتماد مشتری در تعیین موفقیت یا شکست هر فناوری جدید بیش از حد تأکید نکنیم.مایا آنجلو می‌گوید، مشتریان شما آنچه را که ربات شما گفته است فراموش می کنند، آنچه را که ربات انجام داده را فراموش می کنند، اما فراموش نمی کنند که چه احساسی در آنها ایجاد کرده است.امیدوارم این وبلاگ نکات مفیدی در مورد نحوه استفاده از ربات ها برای تأثیرگذاری در تجارت شما ارائه دهد.ایلیا امیریایلیا امیریFri, 08 Mar 2024 16:11:41 +0330https://virgool.ir/@eilya.amiri/کاهش-هزینه-پشتیبانی-مشتری-با-هوش-مصنوعی-ec4a5o6p8jpsکاهش هزینه پشتیبانی مشتری با هوش مصنوعیپشتیبانی مشتری فرآیندی حیاتی برای هر کسب‌وکاری است، اما می‌تواند پرهزینه نیز باشد. در واقع، هزینه های پشتیبانی مشتری می تواند تا ۲۰ درصد از کل بودجه عملیاتی سازمان را تشکیل دهد.هوش مصنوعی (AI) می‌تواند به کسب‌وکارها کمک کند تا با خودکار کردن وظایف، بهبود کارایی و بهبود تجربه مشتری، هزینه‌های پشتیبانی مشتری خود را کاهش دهند.چگونه هوش مصنوعی می تواند به شما در خودکارسازی وظایف پشتیبانی مشتری کمک کندچت بات ها و دستیاران مجازیچت بات ها و دستیارهای مجازی ابزارهایی هستند که با هوش مصنوعی کار می کنند و می توانند برای خودکارسازی طیف وسیعی از وظایف پشتیبانی مشتری از جمله موارد زیر استفاده شوند:پاسخگویی به سوالات رایج مشتریانارائه پشتیبانی فنیعیب یابی مشکلاتحل و فصل تیکت‌هاجمع آوری نظرات مشتریانچت بات ها و دستیارهای مجازی را می توان در کانال های مختلفی از جمله وب سایت ها، اپلیکیشن های موبایل و رسانه های اجتماعی استفاده کرد. آنها همچنین می توانند با سیستم های پشتیبانی مشتری و تیکتینگ ادغام شوند تا تجربه یکپارچه تری برای مشتری فراهم کنند.مسیریابی و اولویت بندی خودکار تیکت پشتیبانیمسیریابی و اولویت‌بندی خودکار تیکت می‌تواند به کسب‌وکارها کمک کند تا تیکت‌های پشتیبانی مشتری را به طور مؤثرتری مدیریت کنند. هوش مصنوعی می تواند برای تجزیه و تحلیل تیکت‌های مشتری و هدایت آنها به مناسب ترین نماینده یا تیم بر اساس موضوع، تخصص نماینده و اولویت تیکت استفاده شود.همچنین می‌توان از هوش مصنوعی برای اولویت‌بندی تیکت‌های پشتیبانی مشتری بر اساس عوامل مختلفی مانند میزان تأثیر مشتری بر تجارت، فوریت موضوع و سطح رضایت مشتری استفاده کرد. این می تواند به کسب و کارها کمک کند تا ابتدا مهم ترین مسائل مشتری را حل کنند.جستجوی خودکار پایگاه دانشجستجوی خودکار پایگاه دانش می تواند به عوامل (اپراتورها) پشتیبانی مشتری کمک کند تا به سرعت و به راحتی اطلاعات مورد نیاز خود را برای حل مشکلات مشتری پیدا کنند. هوش مصنوعی می‌تواند برای فهرست‌بندی و جستجوی پایگاه‌های دانش برای ارائه نتایج مرتبط به نمایندگان بر اساس موضوع مشکل مشتری استفاده شود.همچنین می‌توان از هوش مصنوعی برای توصیه مقالات مبتنی بر دانش به مشتریان بر اساس تاریخچه جست‌وجوهایشان استفاده کرد. این می تواند به مشتریان کمک کند تا اطلاعات مورد نیاز برای حل مشکلات خود را بدون نیاز به تماس با پشتیبانی پیدا کنند.مزایای خودکارسازی وظایف پشتیبانی مشتریخودکارسازی وظایف پشتیبانی مشتری می‌تواند مزایای متعددی را برای کسب‌وکارها فراهم کند، از جمله:کاهش هزینه های پشتیبانی مشتریبهبود رضایت مشتریافزایش بهره وری اپراتورکاهش خطای انسانیبهبود کارایی پشتیبانی مشتریبا خودکار کردن وظایف پشتیبانی مشتری، کسب‌وکارها می‌توانند عوامل انسانی خود را آزاد کنند تا روی مسائل پیچیده‌تر تمرکز کنند و سطح شخصی‌سازی‌شده‌تری از پشتیبانی را ارائه دهند.چگونه هوش مصنوعی می تواند به شما در بهبود کارایی پشتیبانی مشتری کمک کندتجزیه و تحلیل پیش بینی کننده (Predictive analytics)تجزیه و تحلیل پیش بینی کننده می تواند برای شناسایی مشکلات بالقوه پشتیبانی مشتری قبل از وقوع آنها استفاده شود. این امکان می تواند به کسب و کارها کمک کند تا به طور فعال به مسائل رسیدگی کنند و از رخداد یا تشدید آنها جلوگیری کنند.به عنوان مثال، هوش مصنوعی می‌تواند با تجزیه و تحلیل داده‌های مشتریان برای شناسایی مشتریانی که در معرض خطر ریزش هستند، استفاده شود. سپس کسب‌وکارها می‌توانند این مشتریان را با پیشنهادات پشتیبانی شخصی مورد هدف قرار دهند تا فعال باقی بمانند.توصیه هایی برای بهترین اقدام بعدیتوصیه‌های اقدام بعدی می‌تواند به نمایندگان پشتیبانی مشتری کمک کند تا پشتیبانی کارآمدتر و مؤثرتری ارائه دهند. از هوش مصنوعی می توان برای تجزیه و تحلیل داده های مشتری استفاده کرد و بهترین اقدام بعدی را برای نماینده توصیه کرد، مانند ارسال ایمیل بعدی، ارائه تخفیف یا ارجاع موضوع به سرپرست.توصیه های اقدام بعدی می تواند به نمایندگان کمک کند تا در زمان صرفه جویی کنند و مشکلات مشتری را سریعتر حل کنند.راهنمایی اپراتور در لحظهراهنمایی اپراتور در لحظه می تواند به عوامل پشتیبانی مشتری کمک کند تا عملکرد خود را بهبود بخشند. هوش مصنوعی می‌تواند برای نظارت بر تعاملات نماینده پشتیبانی و ارائه بازخورد در لحظه در مورد چگونگی بهبود عملکرد استفاده شود.برای مثال، هوش مصنوعی می‌تواند بازخوردی را در مورد لحن، زبان و نحوه استفاده آن‌ها از پایگاه دانش به نمایندگان ارائه دهد. این بازخورد می تواند به نمایندگان کمک کند تا پشتیبانی حرفه ای و مؤثرتری ارائه دهند.مزایای بهبود کارایی پشتیبانی مشتریروی هم رفته علاوه بر مزایایی که قبل تر به آن اشاره کردیم، بهبود کارایی پشتیبانی مشتری می تواند کمک کند کسب و کارها تجربه پشتیبانی بهتری را به مشتریان خود ارائه دهند.به طور کلی، سرمایه گذاری در هوش مصنوعی برای بهبود کارایی پشتیبانی مشتری می تواند تصمیم بسیار عاقلانه ای برای مشاغل در هر اندازه‌ای باشد.چگونه هوش مصنوعی می تواند به شما در کاهش هزینه های پشتیبانی مشتری کمک کندبهبود رضایت مشتری و کاهش ریزشبا کاهش تعداد تیکت‌های باز مشتریان و کاهش میانگین زمان رسیدگی به آن‌ها، هوش مصنوعی می تواند به کسب و کارها در بهبود رضایت مشتری و کاهش ریزش کمک کند.وقتی مشتریان بتوانند به سرعت و به راحتی کمک مورد نیاز خود را دریافت کنند، به احتمال زیاد از تجربه پشتیبانی مشتری راضی خواهند بود. این می تواند منجر به افزایش وفاداری مشتری و کاهش ریزش شود.نتیجه گیریهوش مصنوعی به سرعت در حال تغییر چشم انداز پشتیبانی مشتری است. با خودکارسازی وظایف، بهبود کارایی و افزایش رتبه تجربه مشتری، هوش مصنوعی می‌تواند به کسب‌وکارها کمک کند تا هزینه‌های پشتیبانی مشتری خود را تا ۵۰ درصد کاهش دهند.علاوه بر کاهش هزینه ها، هوش مصنوعی همچنین می تواند به کسب و کارها در بهبود رضایت مشتری و کاهش ریزش کمک کند. همچنین با ارائه پشتیبانی سریع‌تر، کارآمدتر و شخصی‌سازی شده‌تر به مشتریان، می‌تواند به کسب‌وکارها در ایجاد روابط قوی‌تر با مشتری کمک کند.اگر به دنبال راه هایی برای بهبود عملکرد پشتیبانی مشتری خود هستید، هوش مصنوعی نقطه‌ای عالی برای شروع است. امروزه تعداد زیادی از راه حل های پشتیبانی مشتری مبتنی بر هوش مصنوعی در دسترس هستند، بنابراین می توانید یکی را پیدا کنید که نیازها و بودجه مجموعه شما را پوشش دهد.ایلیا امیریایلیا امیریMon, 05 Feb 2024 19:39:44 +0330https://virgool.ir/@eilya.amiri/هوش-مصنوعی-چطور-کار-می-کند-u0lhig0clz5lتوضیحی کاملا غیر فنی در مورد نحوه عملکرد LLM (Large Language Model) هایادگیری درباره هوش مصنوعیمن اخیراً به واسطه توسعه محصولی جدید در کسب و کار حامیسان ( welink.online ) در مورد هوش مصنوعی تحقیق می‌کنم و یاد می‌گیرم. مطمئنم شما هم درگیر بحث‌های بی‌پایان درباره پیامدهای آن، سؤالات اخلاقی که مطرح می‌کند، جوانب مثبت و منفی آن هستید. با این حال، بحث کمی در میان دوستان غیر فنی من در مورد چگونگی کارکرد هر یک از این چیزها در واقعیت است. به این دلیل است که، از بیرون، مفاهیم دلهره آور به نظر می رسند و ایده درک چگونگی عملکرد مدل های زبان بزرگ (LLM) غیرقابل حل به نظر می رسد.اما اینطور نیست. هر کسی می تواند آن را درک کند. و این به این دلیل است که اصل اساسی که باعث گسترش و فراگیری امروزی هوش مصنوعی می شود، نسبتاً ساده است.پس با من کمتر از دو هزار کلمه را تحمل کنید، و من سعی خواهم کرد "بدون یک کلمه فنی یا معادله ریاضی" توضیح دهم که چگونه LLM واقعاً کار می کند.منوی غذاتصور کنید: در حال پختن شام هستید، اما باید یک غذای جانبی دیگر هم برای سرو تهیه کنید. غذایی که در حال پخت آن هستید از ناکافی بودن رنج می‌برد. بنابراین ما به یک جزء دیگر برای افزودن به غذایمان نیاز داریم.اما گفتن این کار آسان تر از انجام آن است. آنچه انتخاب می کنیم باید با وعده غذایی خوانایی داشته باشد. اگر غذا شور است، آن ما هم باید نمکی یا شور باشد. اگر غذا سالادی است، نباید سالاد دیگری اضافه کنیم. اگر وعده غذایی نشاسته‌ای و سنگین است، شاید بخواهیم کمی سبزیجات گریل اضافه کنیم.آیا جالب نیست که اپلیکیشنی داشته باشید که فقط به شما بگوید چه چیزی بپزید؟ و نه به صورت تصادفی. شما کافی است تا چیزی که در حال حال درست کردن آن هستید را اعلام کنید، و به شما می‌گوید غذای جانبی بهینه برای اضافه کردن چیست. این برنامه باید برای هر وعده غذایی، با هر ترکیبی از غذاها و طعم ها، صرف نظر از اینکه به چهار نفر غذا می دهد یا چهل نفر، کار کند.حالا نحوه ساخت این برنامه را در دو مرحله ساده توضیح می‌دهیم...ابتدا، ما می خواهیم بفهمیم که چگونه در مورد هر وعده غذایی به گونه ای فکر کنیم که یک کامپیوتر بتواند آن را بفهمد. از این گذشته ، رایانه‌ها قدرت چشایی ندارند. آنها باید بتوانند مفهومی را که هیچ درک شهودی از آن ندارند (غذا) بپذیرند و آن را به عنوان نوعی داده رمزگذاری کنند که هر چیزی را که ممکن است بر تناسب آن با سایر غذاها تأثیر بگذارد، ثبت کند.دوم، ما می خواهیم روشی را بیاموزیم تا هر مجموعه ای از غذاهای در حال پخت را ببرد و دیگری را تف کند. این صرفاً آنچه را که قبلاً دیده است حفظ نمی کند. به یاد داشته باشید که این برنامه باید برای هر ترکیبی از ظروف کار کند، حتی آنهایی که هرگز با هم جفت نشده اند. بنابراین ما فقط سیستم را برنامه ریزی نمی کنیم. ما به آن آموزش خواهیم داد.قدم اول: مدل کردن غذاهادر قدم اول ما باید به کامپیوتر بیاموزیم که به وعده های غذایی به عنوان داده فکر کند. ما قرار نیست این کار را با گفتن جزییات درباره غذا به او انجام دهیم (مثل اینکه چه طعمی دارد یا چه چیزی با آن تناسب دارد). این نوع قدیمی یادگیری ماشین (Machine Learning) است. بیش از حد محدود کننده؛ بیش از حد مستعد خطا. درعوض، ما فقط داده‌های زیادی در مورد انواع غذاهایی که مردم در گذشته برای وعده‌های غذایی با هم جفت می‌کردند به آن می‌دهیم.بیایید دو نوع غذا را در نظر بگیریم: مثلاً سالاد سزار و سالاد کاپریس. ما به عنوان انسان می دانیم که این دو ظرف شبیه هم هستند. هر دو ایتالیایی هستند، هر دو سالاد هستند، هر دو حاوی سبزیجات و پنیر هستند... اما برای اینکه کامپیوتر بفهمد این دو غذا چقدر شبیه هم هستند، نیازی به دانستن هیچ یک از موارد بالا ندارد.بسیار محتمل است که وقتی در میان کوه داده های خود جستجو می کنیم، هر زمان که یک سالاد سزار می‌بینیم، احتمالاً آن را با سایر غذاهای ایتالیایی همراه می کنیم. و همچنین این احتمال وجود دارد که وقتی آن را می بینیم، سالاد دیگری را در غذا نبینیم. جالب اینجاست که همین را می توان در مورد سالاد کاپریس نیز گفت. آنها معمولاً با سالادهای دیگر ظاهر نمی شوند، اما با غذاهای ایتالیایی ظاهر خواهند شد.از آنجایی که این دو ظرف اغلب با با غذاهای مشابه همراه می شوند، می‌توانیم آنها را به عنوان مشابه دسته بندی کنیم. آنها معمولاً در الگوهای غذایی مشابهی یافت می شوند. ممکن است بگویید "یک غذا پرچم‌دار گروه خود است"و این چندان شهودی نیست. توجه داشته باشید که ما به دنبال هیچ وعده‌ای نبودیم که سالاد سزار و کاپریس کنار هم باشد. آنها هرگز لازم نیست با هم اتفاق بیفتند تا ما غذاها را شبیه به هم بدانیم. به سادگی باید آنها را در کنار غذاهای دیگر پیدا کنیم تا بتوانیم تشخیص دهیم که مردم معمولاً آنها را قابل تعویض و بنابراین کاملاً مشابه هم می‌دانند.راه دیگری برای فکر کردن در مورد کاری که انجام دادیم وجود دارد. تصور کنید می‌خواهیم تمام غذاها را در این نمودار ترسیم کنیم:برای شروع، ما تمام غذاهای ممکنی را که در داده های خود یافتیم برداشتیم و به صورت تصادفی در نمودار قرار دادیم:اینجا، ما فقط چهار غذا را برای اهداف توضیحی نشان می دهیم. اما به معنای واقعی کلمه هر غذایی را می‌توانید تصور کنید.اکنون که داده‌های خود را بررسی می‌کنیم، هر بار که دو غذا را پیدا می‌کنیم که با غذاهای دیگر هم‌زمانی دارند، می‌توانیم آنها را به هم نزدیک‌تر کنیم. همانطور که انواع مختلف سوشی را می‌بینیم که تمایل دارند با یک مدل سوپ میسو ترکیب شوند، سوشی ها را به سمت یکدیگر حرکت می‌دهیم و باز هم همانطور که می‌بینیم پیتزا و اسپاگتی هر دو در کنار نان سیر ظاهر می‌شوند، اجازه می‌دهیم آن‌ها هم کنار هم قرار بگیرند:و پس از چندین بار انجام این کار (و منظورم بارها تکرار) جادو رخ می دهد. ظروف قابل تعویض بسیار نزدیک به هم قرار می گیرند. غذاهایی که تا حدودی قابل تعویض هستند (مثلاً تاکو و بوریتو) به یکدیگر نزدیکتر ظاهر می‌شوند و غذاهایی که به ندرت قابل تعویض هستند (مثلاً همبرگر و سوشی) دور از هم قرار می‌گیرند.در عمل، دو بعد کافی نیست. هر دست‌پخت و غذای متفاوت با آن باید به اندازه کافی از هم فاصله داشته باشد، به این معنی که راه واقعی برای ترسیم این نمودار در نموداری متشکل از محورهای بسیار بیشتر (صدها، شاید هزاران) خواهد بود. تجسم آن غیرممکن است، اما مفهوم اساسی یکسان است. همه غذاهای خود را پراکنده می‌کنیم و سپس آنهایی که با غذاهای مشابه همراه می شوند را به هم نزدیکتر می‌کنیم.خلاصه بگویم، می‌خواهم به این نمودار بزرگ‌تر چند محوری به عنوان فضای غذا (Food-Space) اشاره کنم. هر غذای ممکنی در فضای غذا وجود دارد، نشسته در مختصاتی نزدیک به غذاهایی که با آن‌ها قابل تعویض است و از غذاهایی که بسیار متفاوت هستند، فاصله دارد.یک قدم به عقب بر‌می‌داریم، بیایید قبول کنیم که این چقدر جذاب است. ما فقط توانستیم مدل بسیار دقیقی از انواع غذا ارائه کنیم که به موجب آن انواع مشابه با هم گروه‌بندی می‌شوند و انواع مختلف از هم فاصله زیادی دارند. و ما این کار را بدون در نظر گرفتن چیزی در مورد طعم غذاها یا اینکه از چه چیزی ساخته شده اند انجام دادیم.به علاوه، از آنجایی که ما این را روی داده های زیادی آموزش داده ایم، می توانیم کار دیگری هم انجام دهیم. ما قادر به انجام حسابداری غذا (Food Arithmetic) هستیم.نکته: نمونه ساده Arithmetic در علم ریاضی دنباله ها هستند. به عنوان مثال از آنجایی که دنباله ۳، ۵، ۷، ۹ به واسطه اضافه شدن دو Arithmetic است و همین طور ۱۶، ۱۱، ۶، ۱ به واسطه کم شدن پنج.فکر می‌کنید که دیوانه شدم؟ من به شما اطمینان می دهم که خیر دیوانه نشدم. شما باید حرف من را قبول کنید، همان‌طور که معلوم شد که قرار دادن غذاها در فضای غذای ما تصادفی نیست. در واقع، نه تنها وعده های غذایی مشابه با هم فاصله دارند، بلکه رابطه بین غذاها منطقی است. غذاهای حاوی نان همه با هم در یک صفحه ظاهر می‌شوند. غذاهای شور روی یک خط مشترک قرار دارند. غذاهایی با طعم افرا هم نوعی پیوند ریاضی دارند.این به ما اجازه می‌دهد تا کارهایی مانند این را انجام دهیم: اگر بخواهم مختصات یک بوریتو را بگیرم و مختصات یک تورتیلا را از آن کم کنم، در نهایت نزدیک به نقطه یک کاسه بوریتو (خوراک بوریتو) می‌شوم. اگر بخواهم مختصات سوپ رشته با مرغ را در نظر بگیرم، مختصات رشته را کم کنم و مختصات برنج را اضافه کنم، در نهایت به نقطه خوراک مرغ با برنج (پلو مرغ) نزدیک می شوم.حسابداری غذا! 🤯نکته مهم: قرار دادن وعده های غذایی در فضای غذا دیگر تصادفی نیست. در واقع، الگوهای ریاضی پنهانی وجود دارد به این معنی که هر غذا به روشی منطقی در جایگاهی نسبت به سایر غذاها قرار می گیرد.قدم دوم: پیدا کردن الگوهابسیار خوب، پس ما فضای غذا را ایجاد کرده‌ایم و به هر نوع غذایی نوعی هماهنگی داده‌ایم که نسبت به هر غذای دیگری منطقی است. حالا چکار باید کرد؟خوب، بیایید دوباره مدل خود را آموزش دهیم. فقط این بار، ما به او وعده های غذایی کامل می‌دهیم (ما در حال صحبت درباره هر وعده غذایی هستیم که تا به حال دیده‌ایم) و از او می خواهیم الگوهایی را کند. به طور خاص می‌خواهیم برنامه خود را برای پاسخ به این سؤال آموزش دهیم: اگر یک وعده غذایی حاوی A و B و C باشد، احتمالاً D حاوی چه نوع غذایی است؟و برای انجام این کار، تنها کاری که باید انجام دهیم این است که برای هر وعده غذایی که در حال آموزش آن هستیم، بپرسیم: در فضای غذا چه شکلی است؟ به عنوان مثال، بگوییم که ما وعده‌های غذایی زیادی را می‌بینیم که غذاهای مشترکی در این چهار قسمت از نمودار دارند:اکنون می‌توانیم صرفاً به مختصات در فضای غذا فکر کنیم و به آن تعمیم دهیم، بدون توجه به اینکه کدام غذاها حتی ما را برای تشخیص این الگو در وهله اول آموزش داده‌اند. می‌توان نتیجه گرفت که اگر یک وعده غذایی قبلاً شامل غذاهای این سه منطقه باشد، بهترین جزء چهارم در منطقه آخر یافت می‌شود:به یاد داشته باشید که "یک غذا پرچم‌دار گروه خود است" و از آنجایی که مدل ما برای فکر کردن به جای اینکه چه غذاهای خاصی حاوی چه موادی هستند و طعم آنها چیست، استناد به انواع غذاها و روابط بین غذا آموزش دیده است، می تواند هر سناریو و هر ترکیبی از طعم ها را انجام دهد و بهینه ترین غذا را برای افزودن به غذای مورد نظر شما بیابد. با توجه به چند منطقه غذا، فقط باید رایج ترین منطقه ای را که غذای بعدی در آن قرار می گیرد پیدا کند... ...که ما را به هدف اصلی خود که اکنون تکمیل شده است برمی‌گرداند. ما می‌خواستیم برنامه‌ای بسازیم که به طور قابل اعتماد به ما بگوید کدام غذاهارا را می‌توانیم با مجموعه‌ای از غذاهای دیگر جفت کنیم، و همین کار را کردیم.لغت‌ها بجای غذاهاپس همه اینها چه ربطی به مدل های LLM دارد؟به سادگی مفهوم وعده‌های غذایی که در یک دسته‌بندی قرار می‌گیرند را با جملات جایگزین کنید. و مفهوم غذا در آن وعده‌های غذایی را با کلمات جایگزین کنید. این جایگزینی ساده، با همان چارچوب و رویکرد، اساساً شما را به ابزارهای مبتنی بر هوش مصنوعی مولد متنی (Generative text based AI) که امروزه همه با آن آشنا هستیم، می‌رساند.مرحله اول: مدلی را برای درک روابط بین کلمات بر اساس تعداد دفعات ظاهر شدن آنها در زمینه های مشابه آموزش دهید. "یک کلمه پرچم‌دار گروه خود است" حجم زیادی از داده‌های نوشته شده توسط انسان را به آن تغذیه کنید (و وقتی می‌گویم حجم زیاد، اساساً منظورم کل اینترنت است)، و اجازه دهید مختصات کلمه را به درستی تشخیص دهد.خروجی دیگر فضای غذا نامیده نمی شود. به آن فضای بُرداری می گویند. اما اصول یکسان است. این سیستم از معنای هر کلمه ای آگاهی ندارد (همانطور که از طعم یک غذا آگاهی نداشت). فقط درک می کند که چگونه آن کلمه با هر کلمه دیگری در فضای بُرداری مرتبط است.مرحله دوم: الگوها را پیدا کنید. اگر جمله ای حاوی کلمات A، B، C باشد، محتمل ترین کلمه بعدی که ظاهر می شود کدام است؟ اگر حاوی مختصات X و Y باشد، باید در کدام ناحیه از فضای بُرداری جستجو کند تا کلمه بعدی را حدس بزند؟در مورد LLM ها، تنها کاری که آنها واقعاً انجام می دهند همان چیزی است که به عنوان «پیش بینی کلمه بعدی» شناخته می شود (همانطور که قیاس اصلی ما «پیش بینی غذای بعدی» را انجام می دهد). به عنوان مثال، فرض کنید از LLM درخواست کردید: «به من بگو دوستم داری». برای پاسخ به یک سوال در تمام الگوهای خود جستجو می کند: چه کلمه ای به احتمال زیاد از آن دنباله کلمات پیروی می کند؟ یا به شکلی متفاوت بیان می شود: با توجه به مختصات فضای بُرداری کلمات در آن جمله، چه الگوهایی را در جملات دیگر دیده ام تا مشخص کنم کجا می توانم کلمه بعدی را پیدا کنم؟کلمه بعدی که LLM خواهد یافت «من» است. و پس از تعیین آن، «من» را به انتهای درخواست اصلی شما می‌چسباند و کل آن چیز را از سمت خودش بازگو می‌کند. حالا، چه کلمه ای به احتمال زیاد بعد از «به من بگو دوستم داری. من» آمده است؟ "عشق"! آن را بچسبانید، همه چیز را بردارید و دوباره بازگو کنید. آنچه در نتیجه ممکن است اتفاق بیفتد: «به من بگو که دوستم داری... من عاشقتم"…مفهوم را متوجه شدید.نتیجه‌گیریالبته، کمی تفاوت های ظریف وجود دارد. مقداری ریاضیات شیک و محاسبات پیچیده وجود دارد. اما اصول اولیه واقعاً با مواردی که در مثال برنامه ریزی غذا گفتیم تفاوتی ندارند.برای من، این موضوع روشن می کند که چرا این پدیده هوش مصنوعی که ما در آن زندگی می کنیم بسیار جذاب است. با توجه به اینکه این فناوری چقدر تحول آفرین است، در واقع آنقدرها هم پیچیده نیست. چند مفهوم ساده ریاضی، کلی داده های آموزشی، کمی نمک و فلفل، و حالا برای خود یک ماشین فکر ساخته اید.ایلیا امیریایلیا امیریSun, 21 Jan 2024 12:41:32 +0330https://virgool.ir/@eilya.amiri/10-کتابی-که-چشمان-شما-را-باز-خواهند-کرد-(توصیه-شده-توسط-سام-آلتمن)---برای-تغییر-آماده-شوید-d2gla4lfew3jوارد کتابخانه مردی شوید که آینده از اکنون از آن اوستSam Altmanسم آلتمن از مدیرعاملی OpenAI اخراج شد.اما چند روز بعد دوباره استخدام شد.دلایل این تصمیم و انصراف از آن هرچه که باشد، یک چیز مسلم است، سم آلتمن یک ذهن جوان باهوش در فناوری و تجارت است که احتمالاً با کارهایش آینده جهان را رقم خواهد زد.سم رهبری OpenAI را در سال ۲۰۱۹ زمانیکه تنها ۳۴ سال داشت آغاز کرد. او یکی از چهره‌های برجسته رونق و پیشرفت هوش مصنوعی است، او پس از دو سال تحصیل دانشگاه را رها کرد و Loopt سرویس شبکه اجتماعی بر بستر موبایل را تأسیس کرد، که بیش از ۳۰ میلیون دلار سرمایه‌ی جمع‌آوری کرد. در سال ۲۰۱۱ آلتمن به Y Combinator، یک شتاب دهنده استارت آپ پیوست و از سال ۲۰۱۴ تا ۲۰۱۹ ریاست آن را عهده دار بود.اکنون قصد داریم به بررسی کتاب های توصیه شده توسط او بپردازیم.1. Superintelligence by Nick Bostrom۱. ابر هوش اثر نیک بوستروملینک دانلود کتاب به زبان اصلی ( ترجمه خوبی از این کتاب در دسترس نیست)Superintelligence by Nick Bostromکاملا واضحه! یک کتاب هوش مصنوعی!اگر انسان ها موجودی فوق هوشمند بسازند که به خودی خود قادر به بهتر شدن باشد، باعث ایجاد یک «شگفتی» می شود."نابودی ما با تخریب زیستگاهمان ممکن است زمانی رخ دهد که هوش مصنوعی پروژه‌های عظیم ساختمانی جهانی را با استفاده از کارخانه‌ها و مونتاژکنندگان فناوری نانو آغاز می‌کند..."بوستروم در مورد نتایج خوب و بد این اتفاق بحث می کند.یا هوش مصنوعی مسائل بشریت را حل خواهد کرد یا آن را خود وابسته خواهد کرد.بوستروم راه حل های مختلفی را برای جلوگیری از اثرات منفی هوش مصنوعی بر زندگی انسان پیشنهاد می کند. به عنوان مثال، انتقال اطلاعات محدود به عامل هوش مصنوعی و اطمینان داشتن از اهداف درست و سودمند."فقط یک احمق می‌تواند دکمه احتراق را فشار دهد تا ببیند چه اتفاقی می‌افتد."این کتاب مروری جالب بر فناوری هوش مصنوعی است. به طور جامع مراحلی را که انسان باید انجام دهد تا اطمینان حاصل کند که توسط روبات‌های فوق هوشمند از بین نخواهد رفت را مورد بحث قرار می‌دهد.2. The Sleepwalkers by Christopher Clark۲. خواب گردها توشته کریستوفر کلارکلینک خرید نسخه فیزیکی کتاب ترجمه علی اصغر حدادThe Sleepwalkers by Christopher Clarkآیا امکان جلوگیری از جنگ جهانی اول وجود داشت؟کریستوفر کلارک یک مورخ استرالیایی است.در این کتاب، او ما را به زمان قبل از جنگ جهانی اول می‌برد. او عوامل، رویدادها و نقش آفرینانی که در نهایت منجر به جنگ شدند را مورد بحث قرار می دهد.نویسنده از سال 1903 شروع می‌کند، زمانی که مبارزان صرب الکساندر یکم یا الکساندر اوبرینوویچ (۱۴ اوت ۱۸۷۶ – ۱۱ ژوئن ۱۹۰۳) و ملکه دراگا را کشتند.او همچنین درباره الحاق بوسنی توسط اتریش در سال 1908 و حمله صربستان به آلبانی در سال 1912 بحث می‌کند.... قهرمانان 1914 خوابگردانی بودند، مراقب اما نابینا، مسخ شده توسط رویاها، و در عین حال نسبت به واقعیت وحشتی که می خواستند به جهان وارد کنند کور بودند.این مطلب ما را به رویدادی می رساند که جرقه جنگ جهانی را برانگیخت. ترور آرشیدوک فرانتس فردیناند آرشیدوک فرانتس فردیناند وارث تاج و تخت پادشاهی اتریش-مجارستان و همسرش به دست شبه نظامیان صرب.اتریش وحشت زده شد. اتریش و مجارستان از آلمان درخواست کمک کرد در حالی که صربستان از روسیه درخواست پشتیبانی داشت.کشورهای دیگر هم پیوستند و جنگ 4 سال طول کشید....زمانی که ما به رویدادهای تاریخی، به ویژه حوادث فاجعه‌باری مانند جنگ جهانی اول فکر می‌کنیم، احساس ضرورت وجودی خود را به ما تحمیل می‌کنند (یا حداقل به نظر می‌رسد که چنین می‌کنند).کلارک استدلال می کند که همه اینها می توانست در بسیاری از نقاط متوقف شود، اما اینطور نشد.کتاب جذاب و خواندنی است، به ویژه برای مشتاقان تاریخ.3. Thinking, Fast and Slow by Daniel Kahneman۳. تفکر، سریع و آهسته اثر دانیل کانمنلینک دانلود کتاب به زبان اصلی ( ترجمه خوبی از این کتاب در دسترس نیست)Thinking, Fast and Slow by Daniel Kahnemanاز قدرت مغز خود به نفع خود استفاده کنید.ما درحال زندگی در دور تند هستیم.اگر یک چیز وجود داشته باشد که مطالعه چندین کتاب به من آموخته اند ... سرعت زندگیتان را کاهش دهید. چه این نیاز شفاف فکر کردن باشد یا علتی برای افزایش زمان که به خود اختصاص می‌دهید، کاهش سرعت هدیه ای است که می توانید به خود بدهید.اما، نه زمانی که ماشینی با سرعت به سمت شما می‌آید. آن وقت است که باید پرید!«تفکر سریع و آهسته» به این شکل کار می‌کند اما به شیوه‌ای جدید.پیش فرض این کتاب این است که تشخیص اشتباهات دیگران آسان تر از اشتباهات خودمان است.کانمن به ما در مورد سیستم سریع و کند در مغز ما می‌گوید.سیستم سریع، تیز و تند است. به ما این امکان را می دهد تا با تصمیم گیری در چند ثانیه در امان بمانیم. اما از سویی دیگر این سیستم سریع فوق العاده مغرضانه و پر اشکال است.این نتیجه اکتشافی شهودی است: وقتی با یک سوال دشوار مواجه می‌شویم، معمولاً بدون توجه به آن، به یک سوال ساده‌تر پاسخ می‌دهیم.با این حال، سیستم آهسته ذهن یک فرآیند آهسته و با طمانینه است. منطقی فکر می کند.مشکل از آنجایی شروع می‌شود که سیستم سریع به جای سیستم آهسته شروع به تصمیم گیری می کند. به عنوان مثال، زمانی که گرسنه هستیم به خواربارفروشی می رویم و بیشتر از آنچه باید خرید می کنیم.این کتاب به شما کمک می کند تا با درک فرآیندهای مغز خود تصمیمات بهتری بگیرید.4. Einstein by Walter Isaacson۴. انیشتین اثر والتر ایزاکسنلینک دانلود کتاب به زبان اصلی ( ترجمه خوبی از این کتاب در دسترس نیست)Einstein by Walter Isaacsonمردی که دنیا را تغییر داد.والتر ایزاکسون برای نگاشتن زندگینامه استیو جابز، ایلان ماسک و لئوناردو داوینچی شهرت دارد.او همچنین زندگینامه درخشان ترین ذهن فیزیکدان تاریخ را نوشته است، ذهنی که همه ما از کلاس فیزیک خود می‌شناسیم. ذهن پشت معادله E=mc2.بله، آلبرت انیشتین."زیباترین احساسی که می‌توان تجربه کرد، احساس رمزآلود است. این اساسی ترین احساسی است که در مهد علم و هنر واقعی جای دارد."انیشتین از ۴ سالگی کنجکاو بود. او عاشق علوم، ریاضی و موسیقی بود.ایزاکسون همه چیز را در مورد تحصیلات اینشتین در سوئیس، ازدواج، طلاق و دوران اقامتش در آلمان به ما می گوید. سرانجام انیشتین برای فرار از آزار و شکنجه یهودیان توسط نازی ها به ایالات متحده نقل مکان می‌کند.جالب اینجاست که انیشتین جایزه نوبل خود را نه به خاطر نظریه نسبیت، بلکه به خاطر توضیحی که در مورد اثر فوتوالکتریک (اثر نور و برق) داشت دریافت کرد."تخیل مهمتر از دانش است."آیا می‌دانستید که انیشتین از عمل جراحی آنوریسم معده خود امتناع کرد که در نهایت باعث مرگ او شد؟ما می توانیم از این کتاب بهره زیادی ببریم. یک درس مهم برای همه ما این است که حس شگفتی دوران کودکی را برای همیشه زنده نگاه دارید.5. Blitzscaling by Reid Hoffman۵. مقیاس پذیری برق آسا اثر رید هافمنلینک خرید نسخه فیزیکی کتاب ترجمه طاهر شریعت‌پناهیBlitzscaling by Reid Hoffmanاهمیت مقیاس پذیری!به عنوان فردی که روی راه اندازی سه استارتاپ کار کرده ام، از چرخه حیات اجتناب ناپذیر استارت آپ های کوچک آگاه هستم. آنها برای مدتی کار می‌کنند و ناپدید می شوند.مشکل کجاست؟عدم مقیاس پذیریوقتی یک استارت‌آپ به بلوغی می‌رسد که محصولی فوق العاده، بازاری روشن و قابل توجه و کانال توزیع قوی داشته باشد، این فرصت را دارد که «مقیاس پذیر» شود...مسیر مقیاس‌پذیری همان چیزی است که هافمن آن را Blitzscaling می‌نامد. Blitz در آلمانی به معنای رعد و برق و Scaling به معنای افزایش مقیاس است.در واقع Blitzscaling به معنای افزایش مقیاس متناسب و پایدار است.از نظر هافمن، این تنها راه برای تبدیل شدن یک استارتاپ به یک شرکت در حال تغییر جهان است.البته ایده‌آل این است که یک مدیر اجرایی با تجربه قبلی در یک استارت‌آپ مقیاس پذیر استخدام کنید که قبلاً با چالش‌هایی که شرکت شما در حال حاضر با آن مواجه است دست و پنجه نرم کرده باشد.نویسنده به موضوعات مختلفی می پردازد که در مسیر مقیاس پذیری پیش پیش خواهند آمد. او با تجربه ای که در شرکت پی پال دارد، راه حل هایی را در اختیار ما می گذارد که قابل تعمق هستند.هر کارآفرینی باید یک بار این کتاب را بخواند.6. Zero to One by Peter Thiel۶. صفر تا یک اثر پیتر تیللینک دانلود کتاب به زبان اصلیZero to One by Peter Thielپیتر تیل به ما دلایلی ارائه می دهد که چرا هر بنیانگذار باید آرزوی ایجاد تجارتی را داشته باشد که به یک انحصار تبدیل شود.او می گوید انحصار بد نیست. گوگل انحصار دارد زیرا بهترین موتور جستجوی موجود است."شما باید بی وقفه روی کاری تمرکز کنید که در انجام آن مهارت دارید، اما قبل از آن باید در مورد اینکه آیا در آینده ارزشمند خواهد بود یا خیر فکر کنید."تیل همچنین در مورد رقابت، هویت برند و حفظ مشتریان در دراز مدت به ما می آموزد. اپل هویت برند شیکی دارد که در محصولات و حضور آنلاین آن مشهود است. علاوه بر این، تمرکز زیادی روی کیفیت در محصولات اپل وجود دارد.نویسنده به کسب‌وکارها توصیه می‌کند که در ابتدا بر روی مشتریان کوچک و متمرکز کار کنند.او با استفاده از مثال هایی از دنیای تجارت، استراتژی های مختلف اتخاذ شده توسط سازمان های معروف را تجزیه و تحلیل می کند.«…شما چیز جدیدی اختراع کرده‌اید، اما روش مؤثری برای فروش آن اختراع نکرده‌اید، لذا کسب‌وکار بدی دارید، مهم نیست محصول چقدر خوب است.»این کتاب مملو از توصیه‌های لازم برای هر تاجری است.7. The Beginning of Infinity by David Deutsch۷. سرآغاز بی‌کرانگی اثر دیوید دویچلینک خرید کتاب ترجمه رامین رامبدسرآغاز بی‌کرانگیدریای علم بی‌کران است.دویچ آنها را "توضیحات خوب" می نامد. او می گوید که تلاش انسان برای توضیح جهان و پدیده های آن به دانش منجر می شود.نویسنده توضیح می دهد که نظریه های علمی توسط حواس انسان مشاهده نمی شود.در عوض، ذهن انسان با ایده هایی می آید که سپس در ارتباط با پدیده فیزیکی مشاهده می شود.«فلسفه بد، فلسفه ای است که امکان، مطلوبیت یا وجود پیشرفت را انکار می کند. و پیشرفت تنها راه مؤثر برای مقابله با فلسفه بد است.»ایده های خوب خود را تکرار می کنند و از آزموده شدن در طی زمان جان سالم به در می برند.نویسنده همچنین به اهمیت خلاقیت و ماهیت ذهنی زیبایی می پردازد.هنر معاصر مانند اکتشافات علمی جدید غیرقابل پیش بینی است.روی هم رفته، نویسنده از طریق کتاب خود می خواهد بدانیم که دانش و اکتشافات بی نهایت هستند و انسان ها به مسیر پیشرفت خود، به یافتن مشکلات جدید و کار بر روی راه حل های آنها ادامه خواهند داد.8. Secrets of Sand Hill Road by Scott Kupor۸. اسرار جاده تپه شنی اثر اسکات کوپورلینک دانلود کتاب به زبان اصلیSecrets of Sand Hill Road by Scott Kuporچگونه سرمایه گذاری را برای شرکت خود تضمین کنیم؟اگر شما هم مثل من هستید، باید روزی رویای داشتن یک کسب و کار موفق را داشته باشید.اگر چنین است، این کتاب را نادیده نگیرید.یک استارتاپ برای راه اندازی به پول نیاز دارد. اینجاست که سرمایه گذاران خطرپذیر وارد بازی می شوند.در سال 2017، شرکت های وی سی (Venture Capital) ۸۴ میلیارد دلار در شرکت ها و استارت آپ های آمریکایی سرمایه گذاری کردند.این کتاب همه چیز را به ما می گوید. شرکت های VC چگونه کار می کنند و چگونه می توان از مزایای خوب VC ها بهره مند شد و در نتیجه سرمایه گذاری ایمنی را تجربه کرد."کارآفرینان و VCها مثل دو تیم فوتبال در تقابل با هم نیستند و هدفی برای شکست یکدیگر ندارند."نقطه شروع درک درست از افراد حاضر در شرکت VC است. نویسنده همچنین به ما پیشنهاد می‌کند که از ابتدا یک «تفاهم‌نامه» عالی بسازیم که اساس مذاکرات یک استارت‌آپ با یک VC را تشکیل می‌دهد.او به ما اجازه می‌دهد تا بدانیم VC ها دقیقاً به دنبال چه چیزی هستند. کوپور در مورد تفاوت بین شرکت های محصول محور و مشتری محور صحبت می کند.«... مجموعه مهارت، پیشینه یا تجربه منحصربه‌فردی که باعث شد این تیم موسس به دنبال این ایده باشد، چیست؟»در شرکت محصول اول، موسس یک محصول عالی پیدا می کند و سپس شرکت را برای بازاریابی و فروش آن تاسیس می کند. در مقابل شرکت های مشتری محور، موسس یک شرکت ایجاد می کند و سپس به محصولاتی برای فروش فکر می کند. VC ها به سمت شرکت های محصول محور تمایل دارند.این کتاب بلیط برنده شما برای تضمین جذب سرمایه برای تجارت شما است. در کتابخانه هر کارآفرینی جایگاه ویژه‌ای دارد.9. Winning by Jack Welch and Suzy Welch۹. برنده شدن اثر جک ولش و سوزی ولشلینک خرید نسخه فیزیکی کتاب به زبان اصلیWinning by Jack Welch and Suzy Welchجک ولش از سال ۱۹۸۱ تا ۲۰۰۱ مدیرعامل جنرال الکتریک بود. تحت رهبری او، جنرال الکتریک ۴۰۰۰ درصد رشد کرد. در سال ۲۰۰۶، ثروت او ۷۲۰ میلیون دلار برآورد شد.نیازی به گفتن نیست که ولش برنده شدن را بلد است!او در این کتاب اسرار خود را توضیح می‌دهد.ارتباط باز و صادقانه، که ولش آن را «صراحت» می نامد، جوهره ایجاد یک تیم برنده است. این بدان معنی است که افراد سازمان از بیان نظرات صادقانه خود نمی ترسند.ولش این را با ایجاد ایده جلسات Work-out در جنرال الکتریک به اجرا درآورد.نکته جالبی که نویسنده می گوید این است که بودجه سالانه رشد شرکت را محدود می کند. در عوض، او از ما می‌خواهد که اهداف را انعطاف‌پذیر نگه داریم و آن‌ها را در صورت نیاز مجدد تنظیم کنیم.ولش طرفدار طرز فکر قربانی نیست، چه رئیسی بد سر کار باشد و چه روزهای سخت که برای شرکت پیش آمده باشد.شما می توانید به وضعیت نگاه کنید و احساس کنید قربانی شده اید. یا می‌توانید به آن نگاه کنید و در مورد غلبه بر چالش‌ها و فرصت‌هایی که در اختیار شما قرار می‌دهد هیجان‌زده شوید.این کتاب مملو از درس هایی برای کارمندان، مدیران، رهبران کسب و کار و کارآفرینان است.10. Man’s Search for Meaning by Viktor Frankl۱۰. انسان در جستجوی معنا اثر ویکتور فرانکللینک خرید کتاب ترجمه امیر لاهوتیMan’s Search for Meaning by Viktor Franklچرایی زندگی خود را بیابید.فرانکل می گوید که انسان ها زمانی که معنای زندگی خود را نمی دانند، سرخوردگی وجودی را تجربه می کنند.من این حس را به خوبی می شناسم. ایمان من اساس همه چیز در زندگی من بود. وقتی دینم را زیر سوال بردم، وارد یک مارپیچ نزولی شدم.هیچ چیز منطقی نبود و احساس می کردم به طرز باورنکردنی گم شده ام.«ممکن است حتی زمانی که با موقعیتی ناامیدکننده مواجه می شویم، در مواجهه با سرنوشتی که قابل تغییر نیست، معنای زندگی را پیدا کنیم.»به آرامی اما با قطعیت شروع به یافتن معنی در چیزهای دیگر کردم. در ارتباطم با خدا، در عشقم به فرزندم و تلاشم برای انجام کارهای خوب در این دنیا.این دقیقاً همان چیزی است که فرانکل به ما می گوید.او می‌گوید که انسان اگر «چرا» برای زندگی داشته باشد، می‌تواند از هر رنجی جان سالم به در ببرد.اگر . . . کسی نمی تواند وضعیتی را که باعث رنج او می شود تغییر دهد، او همچنان می تواند نگرش خود را انتخاب کند.فرانکل با استفاده از تجربه‌اش در اردوگاه‌های کار اجباری نازی‌ها، تفاوت بین آن‌هایی که جان سالم به در برده‌اند و آن‌هایی که نجات نیافته‌اند را به ما نشان می‌دهد.حتی وقتی همه چیز از شما سلب شده است، شما این آزادی را دارید که یک کار را انجام دهید و آن تعیین کننده افکار شماست.این کتاب مانند پرتوی آفتاب است که از میان ابرها عبور می کند.ایلیا امیریایلیا امیریThu, 18 Jan 2024 18:17:59 +0330https://virgool.ir/@eilya.amiri/چگونه-مدل-های-تولید-متن-هوش-مصنوعی-پشتیبانی-مشتری-را-در-airbnb-متحول-ساختند-qi4aqjen7tpxاستفاده از مدل های تولید متن برای ساخت محصولات پشتیبانی مشتری موثرتر و مقیاس پذیرتر.AI at Airbnb customer supportیکی از حوزه‌هایی که در هوش مصنوعی مدرن (AI) با سرعت بالایی در حال رشد است، مدل‌های تولید متن با هوش مصنوعی هستند. همانطور که از نام آن پیداست، این مدل ها قادر به تولید زبان طبیعی هستند. پیش از این، بیشتر مدل‌های پردازش زبان طبیعی صنعتی (NLP) طبقه‌بندی‌کننده بودند، یا همان مدل های متمایز ادبیات یادگیری ماشینی (ML). با این حال، در سال‌های اخیر، مدل‌های مولد بر پایه مدل‌های زبانی به سرعت در حال گسترش هستند و اساساً نحوه فرمول‌بندی مسائل یادگیری ماشینی را تغییر می‌دهند. این روزها، مدل‌های مولد قادر به پیش‌آموزش بخشی از دانش دامنه در مقیاس بزرگ و سپس قادر به تولید متن با کیفیت بالا هستند، به عنوان مثال پاسخ به سؤالات کاربران یا بازنویسی بخشی از محتوا.در Airbnb، به مدل‌های تولید متن با هوش مصنوعی در مجموعه محصولات پشتیبانی (CS) بسیار اهمیت می‌دهند و سرمایه‌گذاری زیادی در این زمینه صورت گرفته است. این مدل‌ها، بسیاری از قابلیت‌ها و موارد استفاده جدید را در این محصولات فعال کرده‌اند. در این مقاله، سه مورد از این موارد استفاده را به تفصیل بررسی خواهیم کرد. همچنین، ابتدا به برخی از ویژگی‌های مفید مدل‌های تولید متن خواهیم پرداخت که آن‌ها را برای استفاده در محصولات ما مناسب کرده‌اند.درباره مدل های تولید متناستفاده از مدل‌های هوش مصنوعی در کاربردهای صنعتی در مقیاس بزرگ، مانند پشتیبانی مشتریان Airbnb، چالش آسانی نیست. برنامه‌های کاربردی واقعی دارای چالش های پنهان و پیچیده بسیاری هستند، مقیاس‌پذیری آن‌ها ممکن است دشوار باشد، و اغلب برای برچسب‌گذاری داده‌های آموزشی پرهزینه می‌شوند. چندین ویژگی از مدل‌های تولید متن وجود دارد که به این چالش‌ها رسیدگی می‌کند و این گزینه را به ویژه ارزشمند می‌کند.رمزگذاری دانشیکی از ویژگی‌های جذاب مدل‌های زبانی، قابلیت رمزگذاری دانش دامنه است که توسط پترونی و همکاران او در سال ۲۰۱۹ طراحی شده است. می‌توانیم دانش را با استفاده از پیش‌آموزش در مقیاس بزرگ و انتقال یادگیری با استناد به سوابق عملیات صورت گرفته توسط انسان کدگذاری کنیم. در پارادایم‌های سنتی یادگیری ماشین، ورودی اهمیت بسیار زیادی دارد و مدل فقط یک تابع تبدیل از ورودی به خروجی است. آموزش مدل به طور عمده بر تهیه برچسب‌های ورودی، مهندسی ویژگی (Feature engineering) و آموزش تمرکز دارد. اما برای مدل‌های مولد (Generative)، کلید رمزگذاری دانش است. بسیار مهم است که بتوانیم پیش‌آموزش و آموزش را به گونه‌ای طراحی کنیم که رمزگذاری دانش با کیفیت بالا در مدل انجام شود و دستورالعمل‌هایی (Prompts) برای القای این دانش طراحی شوند. این به طور اساسی نحوه حل مشکلات سنتی مانند طبقه‌بندی، رتبه‌بندی، نسل‌های نامزد (Candidate generations) و غیره را تغییر می‌دهد.Feature engineeringCandidate generationsدر چند سال گذشته، تعداد زیادی از داده‌های مربوط به عوامل انسانی واحد پشتیبانی در Airbnb جمع‌آوری شده است که به مهمانان و میزبانان کمک می‌کنند. سپس از این داده‌ها برای طراحی پیش‌آموزش و آموزش در مقیاس بزرگ برای رمزگذاری دانش در مورد حل مشکلات سفر کاربران استفاده کرده‌اند. در زمان استنتاج، ما دستورالعمل ها (Prompts) را برای تولید پاسخ‌ها بر اساس دانش رمزگذاری شده انسانی طراحی کرده‌ایم. این رویکرد نتایج قابل توجه بهتری را نسبت به پارادایم‌های طبقه‌بندی سنتی به ارمغان آورده است. تست A/B نشان داد که این رویکرد باعث بهبود قابل توجهی در معیارهای ارزیابی عملکرد (KPI) و همچنین تجربه کاربری (UX) شده است.یادگیری بدون نظارت انسانیدومین خصوصیت جذاب مدل تولید متن، ماهیت بدون نظارت آن است. در صنایع بزرگ مانند Airbnb، داده های کاربران به مقدار زیادی وجود دارند. استخراج دانش و اطلاعات مفید برای آموزش مدل ها چالش برانگیز است. اول، برچسب گذاری داده ها با تلاش انسان بسیار پرهزینه است و محدودیت های قابل توجهی روی مقیاس پذیری داده های آموزشی وجود دارد. دوم، طراحی دستورالعمل های برچسب گذاری و طبقه بندی جامع از مسائل و اهداف کاربر چالش برانگیز است زیرا مشکلات واقعی اغلب دارای طیف و تنوع گسترده و چالش‌های پنهان و متفاوت هستند. در نتیجه، تکیه بر تلاش انسان برای پایان دادن به تمام تعاریف احتمالی کاربر، مقیاس پذیر نیست.با استفاده از این مدل، می توانیم بدون نیاز به برچسب گذاری داده ها، مدل ها را آموزش دهیم. در مرحله پیش آموزش، مدل برای یادگیری نحوه پیش بینی برچسب هدف، ابتدا باید درک خاصی از طبقه بندی مسئله به دست آورد. به طور خلاصه، این مدل به صورت داخلی و ضمنی، برچسب گذاری داده ها را برای ما انجام می دهد. این ویژگی، مسائل مقیاس پذیری در طراحی طبقه بندی هدف و هزینه برچسب گذاری را حل می کند و فرصت های جدیدی را برای ما فراهم می کند. در این پست، به مثال های کاربردی این ویژگی خواهیم پرداخت.مدل های زبانی طبیعی‌تر و سازنده‌تردر نهایت، مدل های تولید متن از مرزهای سنتی فرمول بندی های مسئله یادگیری ماشین فراتر می روند. در چند سال گذشته، پژوهشگران متوجه شدند که لایه های اضافی و متراکم در مدل های رمزگذاری خودکار، ممکن است غیرطبیعی، محدود کننده و معکوس باشند. در واقع، تمام وظایف معمولی یادگیری ماشین و فرمول بندی های مسئله، به عنوان جلوه های مختلف مشکل واحد و یکپارچه مدل سازی زبان در نظر گرفته می شوند. به عنوان مثال، طبقه بندی را می توان به عنوان یک نوع از مدل زبان دسته بندی کرد که در آن، متن خروجی نمایش یک رشته تحت الفظی کلاس های طبقه بندی شده است.به منظور موثر ساختن یکسان سازی مدل زبان، یک نقش جدید اما اساسی معرفی شده است: دستورالعمل (Prompt). پرامپت قطعه کوتاهی از دستورالعمل متنی است که به مدل کار در دست اطلاع می دهد و انتظارات را برای قالب و محتوای خروجی تعیین می کند. همراه با پرامپت، نکات اضافی زبان طبیعی نیز در زمینه سازی بیشتر تولید زبان بسیار مفید هستند. نشان داده شده است که ادغام دستورات به طور قابل توجهی کیفیت مدل های زبانی را در کارهای مختلف بهبود می بخشد. شکل زیر آناتومی یک متن ورودی با کیفیت بالا برای مدل‌سازی مولد بین المللی را نشان می‌دهد.An example of the prompt and input feature design of Airbnb text generation modelاکنون، بیایید به چند روش بپردازیم که مدل‌های تولید متن در محصولات پشتیبانی Airbnb اعمال شده‌اند. ما سه مورد استفاده را بررسی خواهیم کرد - توصیه محتوا، کمک به کارشناسان پشتیبانی در زمان پاسخگویی، و بازنویسی محتوای کاربر توسط چت‌بات.مدل توصیه محتواگردش کار توصیه محتوا، که جستجو در مرکز راهنمایی (knowledge base) Airbnb و هم توصیه محتوای پشتیبانی را در چت بات را تقویت می‌کند، از رتبه‌بندی نقطه‌ای برای تعیین ترتیب اسناد دریافتی کاربران استفاده می‌کند، همانطور که در شکل 2.1 نشان داده شده است. این رتبه‌بندی نقطه‌ای دو داده ورودی را همزمان در نظر می‌گیرد - شرح مسئله مطرح شده توسط کاربر و سند کاندید برای استفاده در پاسخ به کاربر، در قالب عنوان، خلاصه و کلمات کلیدی آن. سپس برای توضیحات و سند کاندید امتیاز محاسبه می کند که برای رتبه بندی استفاده می شود. قبل از سال 2022، این رتبه‌بندی نقطه‌ای با استفاده از XLMRoBERTa پیاده‌سازی شده بود، اما به زودی خواهیم دید که چرا به مدل MT5 روی آورده‌ایم.How we utilized encoder-only architecture with an arbitrary classification head to perform pointwise document ranking پس از تصمیم به طراحی پرامپت‌ها، مشکل طبقه‌بندی باینری کلاسیک را به یک سیستم تولید زبان مبتنی بر دستورالعمل تبدیل کردند. ورودی هنوز هم از شرح موضوع مشکل کاربر و سند کاندید برای پاسخ مشتق می شود. با این حال،آنها ورودی را در قالب یک درخواست به متن می‌دهند برای این که به مدل اطلاع دهد که انتظار دارند یک پاسخ «بله» یا «خیر»، در مورد اینکه آیا سند انتخابی برای حل مشکل مفید است یا خیر، دریافت کنند. همانطور که در شکل زیر نشان داده شده است، برای ارائه نکات اضافی به نقش های مورد نظر قسمت های مختلف متن ورودی، نکته برداری را اضافه کردند.How we leveraged an encoder-decoder architecture with a natural language output to serve as a pointwise rankerآن‌ها مدل MT5 را بر روی مدلی که در بالا توضیح داده شد تنظیم کردند. به منظور ارزیابی کیفیت طبقه‌بندی‌کننده مولد، از داده‌های پشتیبانی کابران نمونه‌برداری شده از توزیع مشابه داده‌های آموزشی استفاده کردند. مدل مولد، همانطور که در جدول زیر نشان داده شده است، پیشرفت های قابل توجهی را در معیار کلیدی عملکرد برای رتبه بندی اسناد پشتیبانی نشان داد.Airbnb Support Content Recommendationعلاوه بر این، همچنین مدل تولیدی را در با مدل A/B آزمایش کردند و مدل را در مرکز راهنمای Airbnb که میلیون‌ها کاربر فعال دارد، ادغام کردند. نتایج آزمایش موفقیت آمیز بود - مدل تولیدی اسنادی را با ارتباط قابل توجهی بالاتر در مقایسه با مدل پایه مبتنی بر طبقه بندی توصیه می کند.دستیار مجازی اپراتورهای پشتیبانیتجهیز نمایندگان به دانش زمینه ای مناسب و ابزارهای قدرتمند به منظور دریافت پاسخ صحیح در کمترین زمان و به موقع منجر به تجربیات بهتر برای مشتریان Airbnb می شود، که به طور مداوم پاسخ های صحیح را در اختیار آن‌ها قرار می‌دهد و به آنها کمک می کند تا مسائل کاربر را به طور موثر حل کنند.به عنوان مثال، از طریق مکالمات پشتیبان‍ و کاربر، الگوهای پیشنهادی برای کمک به نمایندگان پشتیبانی در حل مشکل نمایش داده می شود. برای اطمینان از اینکه پیشنهادات سیستم در خط‌مشی واحد پشتیبانی سازمان CS اجرا می‌شوند، الگوهای پیشنهادی با ترکیبی از بررسی‌های API از طریق اتصال به سیستم های پشتیبانی همچون CRM و بررسی‌های رفتار و قصد کاربر دسته‌بندی می‌شوند. این مدل باید به سوالاتی پاسخ دهد تا به حل مشکل کاربر منجر شود. سوالاتی مانند:آیا این پیام در مورد لغو رزرو است؟این کاربر چه دلیلی برای لغو رزرو خود ذکر کرده است؟آیا این کاربر به دلیل بیماری کووید در حال لغو است؟آیا این کاربر به طور تصادفی رزرو خود را انجام داده است؟AI-generated recommendation templateبه منظور پشتیبانی از بررسی‌ دقیق بسیاری از اهداف کاربران، با هدف کمک به پاسخ به تمام سؤالات مرتبط یک مدل پرسش-پاسخ مغز متفکر (Mastermind) (QA) را توسعه دادند. این مدل QA با استفاده از معماری مدل مولد ذکر شده در بالا توسعه داده شد. چندین دور از مکالمات کاربر و پشتیبان را به هم متصل می‌کنند تا از تاریخچه چت به عنوان متن ورودی استفاده کنند و سپس پرامپت را در زمان ارائه پاسخ به کاربر ارسال می‌کنند.دستورالعمل ها به طور طبیعی با همان سؤالاتی که از انسان‌ها می‌خواهیم نکته برداری کنند، همسو می‌شوند. دستورهای کمی متفاوت منجر به پاسخ های متفاوتی می شود که در زیر نشان داده شده است. بر اساس مدل پاسخ، الگوهای مربوطه به پشتیبان‌ها توصیه می شود.Prompt design for mastermind QA model Mastermind QA model architectureآنها از مدل‌های پشتیبان مانند t5-base و Narrativa استفاده کردند و آزمایش‌هایی را روی ترکیب‌های مجموعه داده آموزشی مختلف از جمله داده‌های مبتنی بر نکته برداری‌ها (annotation-based) و داده‌های مبتنی بر ورود اطلاعات به سیستم (logging-based) با پس پردازش اضافی انجام دادند. مجموعه داده‌های نکته برداری شده معمولاً دقت بالاتر، همپوشانی کمتر و نویز ثابت‌تری دارند، در حالی که مجموعه‌های داده ورودی به سیستم دقت کمتر، هم پوشانی موردی بالاتر و نویزهای تصادفی بیشتری دارند. آنها دریافتند که ترکیب این دو مجموعه داده با هم بهترین عملکرد را به همراه خواهد داشت.Experiment results for mastermind QA modelبه دلیل اندازه بزرگ پارامترها، آنها از کتابخانه ای به نام DeepSpeed برای آموزش مدل تولیدی و از GPU چند هسته‌ای استفاده می‌کنند. DeepSpeed به سرعت بخشیدن به روند آموزش از هفته ها به روزها کمک می کند. همانطور که گفته شد، معمولاً برای تنظیم هایپر پارامتر به زمان بیشتری نیاز است. بنابراین، آزمایش‌هایی با مجموعه داده‌های کوچک‌تر برای دستیابی به جهت بهتر در تنظیمات پارامتر مورد نیاز هستند. در فاز تولید زبان، آزمایش آنلاین آن با پشتیبانان CS واقعی بهبود نرخ تعامل بالایی را نشان داد.مدل بازنویسی محتوا در چت باتتشخیص دقیق هدف کاربر، پر کردن اسلات و راه‌حل‌های مؤثر برای ساخت یک چت بات موفق هوش مصنوعی کافی نیست. کاربران اغلب تصمیم می گیرند که با چت بات درگیر نشوند، مهم نیست که مدل ML چقدر خوب است. کاربران می خواهند مشکلات را به سرعت حل کنند، بنابراین آنها دائماً در تلاش هستند ارزیابی کنند که آیا ربات مشکل آنها را درک می کند و آیا سریعتر از یک پشتیبان انسانی مشکل را حل می کند یا خیر. ساختن یک مدل بازنویسی محتوا (Paraphrasing)، که ابتدا مشکلی را که کاربر توصیف می‌کند، بازنویسی می‌کند، می‌تواند به کاربران اطمینان دهد و تأیید کند که درک ربات درست است. این به میزان قابل توجهی نرخ تعامل ربات را بهبود بخشیده است. در زیر نمونه ای از چت بات که به طور خودکار توضیحات کاربر را بازنویسی می کند می‌بینید.An actual example of the chatbot paraphrasing a user’s description of a payment issue این روش برای بیان مشکل کاربر اغلب توسط عوامل پشتیبانی انسانی استفاده می شود. رایج ترین الگو این است: "من درک می کنم که شما ...". به عنوان مثال، اگر کاربر بپرسد که آیا می‌تواند رزرو را به صورت رایگان لغو کند، نماینده با این جمله پاسخ می‌دهد: «می‌دانم که شما می‌خواهید رزرو خود را لغو کنید و می‌خواهم بدانم آیا می‌توانیم مبلغ پرداختی را به طور کامل بازپرداخت کنیم یا خیر». آنها یک الگوی ساده ساخته‌اند تا تمام مکالماتی را که در آن پاسخ یک نماینده با آن عبارت کلیدی شروع می شود، استخراج کنند. از آنجایی که سال‌ها داده‌های ارتباطی پشتیبان و کاربر را دارند، این اکتشافی ساده میلیون‌ها برچسب آموزشی را به صورت رایگان به آنها می‌دهد.آنها سیستم های اصلی مدل مبدل دنباله به دنباله (Sequence to sequence) مانند BART، PEGASUS، T5، و غیره و مدل های Autoregresive مانند GPT2 و غیره را آزمایش کردند. برای مورد استفاده Airbnb، مدل T5 بهترین عملکرد را داشت.همانطور که Huang et al در سال ۲۰۲۰ دریافته بود، یکی از رایج‌ترین مسائل مدل تولید متن این است که تمایل به ایجاد پاسخ‌های ساده، عمومی و بلا استفاده دارد. این نیز چالش بزرگی بود که با آن روبرو بودند.به عنوان مثال، مدل برای ورودی‌های مختلف پاسخ یکسانی را ارائه می‌کند: «می‌دانم که شما با رزرو خود مشکل دارید». اگرچه درست است، اما این بیش از حد عمومی است و بار مفیدی برای کاربر نخواهد داشت.آنها چندین راه حل مختلف را امتحان کردند. اول ، سعی کردند یک مدل معکوس برای پیش بینی عدد P (نسبت منبع به هدف) بسازند و از آن به عنوان یک مدل reranking برای فیلتر کردن نتایج بسیار عمومی استفاده کنند. دوم ، سعی کردند از برخی از فیلترهای مبتنی بر قانون یا مبتنی بر مدل استفاده کنند.در پایان، بهترین راه حل را تنظیم (Tune) داده های آموزشی یافتند. برای انجام این کار، دسته بندی متن را روی داده‌های هدف آموزشی بر اساس مدل‌های مشابه از پیش آموزش‌دیده‌ شده از Sentence-Transformers اجرا کردند. همانطور که در جدول زیر مشاهده می‌شود، داده‌های آموزشی حاوی پاسخ‌های بی‌معنی بسیار زیاد بود که باعث شد مدل در خروجی‌ همین کار را انجام دهد.Top clusters in the training labelsهمه دسته هایی را که خیلی عمومی هستند برچسب‌گذاری کردند و از Sentence-Transformers استفاده کردند تا آنها را از داده‌های آموزشی فیلتر کنیم. این رویکرد به طور قابل توجهی بهتر عمل کرد و به آنها یک مدل با کیفیت بالا داد تا در تولید زبان مورد استفاده قرار دهند.نتیجهبا رشد سریع مدل‌های ترانسفورماتور مبتنی بر پیش‌آموزش در مقیاس بزرگ، مدل‌های تولید متن اکنون می‌توانند دانش دامنه را رمزگذاری کنند. این نه تنها به آنها اجازه می دهد تا از داده های برنامه بهتر استفاده کنند، بلکه به آنها این امکان را می دهد مدل ها را به روشی بدون نظارت آموزش دهند که به مقیاس پذیر شدن برچسب گذاری داده ها کمک می کند. این موضوع روش های نوآورانه بسیاری را برای مقابله با چالش های رایج در ساخت محصولات هوش مصنوعی امکان پذیر می کند. همانطور که در سه مورد استفاده به تفصیل در این پست نشان داده شد - توصیه محتوا، کمک به کارشناسان پشتیبانی در زمان پاسخگویی، و بازنویسی محتوای کاربر توسط چت‌بات - مدل‌های تولید متن تجربیات کاربر را به طور موثر در سناریوهای پشتیبانی مشتری بهبود می‌بخشند. آنها بر این باورند که مدل‌های تولید متن یک مسیر جدید حیاتی در حوزه NLP هستند. آن‌ها به مهمانان و میزبانان Airbnb کمک می‌کنند تا مسائل خود را سریع‌تر حل کنند و به سفیران پشتیبانی در دستیابی به کارایی بهتر و حل و فصل بیشتر مسائل کمک می‌کنند. ایلیا امیریایلیا امیریSat, 06 Jan 2024 20:26:48 +0330https://virgool.ir/@eilya.amiri/dukaan-chatbot-c49wubary0fsSuumit Shah - Dukaan CEOمدیر اجرایی استارت‌آپ Dukaan هند ، Suumit Shah، در حال حاضر پس از افشای تصمیم خود برای جایگزینی 90 درصد از تیم پشتیبانی مشتری با یک چت ربات هوش مصنوعی (AI) با واکنش شدید رسانه‌های اجتماعی مواجه شده است. در حالی که شاه مزایای چت بات هوش مصنوعی به نام لینا را با اشاره به زمان حل سریعتر درخواست و کاهش هزینه ها تبلیغ می کرد، منتقدان استدلال می کنند که این حرکت اهمیت تعامل انسانی را تضعیف می کند و نگرانی هایی را در مورد جابجایی شغل ایجاد می کند.بهره وری و کاهش هزینه: طبق توییت شاه، چت بات هوش مصنوعی لینا توانست سوالات مشتریان را در کمتر از ۴ دقیقه پاسخ دهد، به طور قابل توجهی سریعتر از تیم پشتیبانی انسانی، که طبق گزارش ها بیش از دو ساعت طول می کشید. علاوه بر این، اجرای چت بات میانگین زمان انتظار را از یک دقیقه و ۴۴ ثانیه به لحظه کاهش داد که منجر به بهبود رضایت مشتری شد. شاه همچنین ادعا کرد که به دلیل پذیرش فناوری هوش مصنوعی، هزینه های پشتیبانی مشتری تا ۸۵ درصد کاهش یافته است.در حالی که افزایش بهره وری و کاهش هزینه های مرتبط با اجرای هوش مصنوعی مشهود است، اعلام شاه واکنش شدیدی را در رسانه های اجتماعی برانگیخته است. منتقدان استدلال می کنند که جایگزینی کارکنان پشتیبانی مشتری با چت بات های هوش مصنوعی اهمیت تعامل شخصی و حل مشکلات به صورت همدلانه را تضعیف می کند. همچنین نگرانی‌هایی در مورد جابه‌جایی شغلی بالقوه و تأثیر آن بر معیشت افرادی که قبلاً نقش‌های پشتیبانی مشتری داشتند، مطرح شده است.مورد چت بات هوش مصنوعی Dukaan بحث های جاری پیرامون اتوماسیون و نقش هوش مصنوعی در خدمات مشتری را برجسته می کند. در حالی که فناوری هوش مصنوعی می تواند مزایای غیرقابل انکاری را از نظر کارایی و کاهش هزینه ارائه دهد، ایجاد تعادل بین اتوماسیون و تاثیر ارتباط انسانی ضروری است. کسب و کارها باید اهمیت تعاملات شخصی، همدلی و توانایی رسیدگی به مسائل پیچیده مشتری را که ممکن است به قضاوت انسانی نیاز داشته باشد، در نظر بگیرند. تلاش برای یک رویکرد ترکیبی که ترکیبی از نقاط قوت هوش مصنوعی و پشتیبانی انسانی باشد، می‌تواند به تجربه‌ بهینه مشتری منجر شود.همین طور که هوش مصنوعی به پیشرفت خود ادامه می دهد، برای شرکت ها و رهبران صنعت بسیار مهم است که مفاهیم گسترده تر و ملاحظات اخلاقی اتوماسیون را در نظر بگیرند. در حالی که اتوماسیون می تواند مزایای قابل توجهی به همراه داشته باشد، مهم است که اطمینان حاصل شود که اجرای آن با ارزش هایی مانند حفظ شغل، تأثیر اجتماعی، و حفظ رویکرد انسان محور برای خدمات مشتری همسو باشد.بحث و جدل پیرامون تصمیم مدیرعامل Dukaan برای جایگزینی اکثریت تیم پشتیبانی مشتری با یک چت بات هوش مصنوعی، منعکس کننده گفتمان جاری در مورد اتوماسیون و تأثیر بر خدمات انسان محور است. در حالی که هوش مصنوعی می‌تواند افزایش بهره‌وری و کاهش هزینه‌ها را ارائه دهد، کسب‌وکارها باید تعادل بین اتوماسیون و تاثیر انسان را به دقت ارزیابی کنند تا تجربیات استثنایی در ارتباط با مشتری را ارائه دهند. ایجاد این تعادل برای اطمینان از مزایای فناوری و در عین حال حفظ همدلی، شخصی سازی و حفظ شغل در نقش های پشتیبانی مشتری ضروری است.ایلیا امیریایلیا امیریWed, 03 Jan 2024 12:57:07 +0330https://virgool.ir/@eilya.amiri/ایده-بیشتر-کار-بیشتر-موفقیت-بزرگتر-vvgswutikdxuتوپاک آمارو شکور (نقاش: Travis Knight)توپاک آمارو شکور رپر آمریکایی تبار که در سن ۲۵ سالگی حدود سال ۱۹۹۶ در اوج معروفیت در سانحه حمله مسلحانه مورد اصابت گلوله قرار گرفت و از دنیا رفت. تنها چیزی که از اون امروز هست یاد و خاطرات اون با آهنگ ها و عکس هاش روی تی شرت ها، نقاشی هایی از صورتش و شعرهاش که گوشه و کنار خیابونای آمریکا و کشورهای دیگه روی دیوارها میشه دید. آهنگ های فوق العاده و شخصیت کاریزماتیک اونه که هیچ وقت قدیمی نمیشن و در خیلی موارد الگو شده برای خیلی ها و ازون یک اسطوره ساخته. https://soundcloud.com/2pac-radio/2pac-never-had-a-friend-like توپاک توی یکی از مصاحبه هاش میگه:من ۱۰۰٪ واقعی واقعی هستم. چیزی یا کسی رو به خطر نمیندازم. هر کسی با من مشکلی داشته باشه و در رابطه با من صحبتی بکنه و بد بگه حتما خودش مشکل داره، شما می دونید که من چی می گم، من کاملا رو بازی میکنم و اونا هم اگر مشکلی دارن بهتره که بیان و به خودم بگن. مثل یه پسر خیابونیه واقعی. اینطوریه که منو تو کل دنیا میشناسن و من خود واقعیم هستم و با موسیقیم رشد میکنم.بدون شک به این مدل از تعامل کردن دو کلمه میشه اختصاص داد: اعتماد به نفس و تمرکزتوپاک با همه تلاش هایی که کرد توی ۱۳ تا بیلبورد فقط ۱۰۰ تا آهنگ معروف داشته و یک بار هم تونسته با California love خودش رو به بالای جدول خواننده های بیلبورد برسونه. https://soundcloud.com/2pac/california-love-original عجیبه نه؟اگر توپاک فقط یک کار شماره یک داشته باشه، چطور ممکنه به شخصیتی با این ارزش قابل توجه و پایدار تبدیل بشه؟ چطور حداکثر تلاشتون رو میکنید فقط برای تولید یک شاهکار یا فقط یک مدل خدمات برای کسب سود از کسب و کارتون که ارزش وقتی که براش خرج میکنید رو داشته باشه؟سادست، شما کلی ایده توی ذهنتون دارین.به گفته آدام گرانت در کتاب نو آفرینی چاپ انتشارات آریانا کتاب اخیری که در حال خوندنش هستم و حتما بهتون پیشنهاد میکنم که بخونیدش، نابغه های خلاق و کارآفرینان بسیار موفق در زمینه های کیفی بهتر از همتایانشون نیستن. اونا فقط بیشتر کار و مدل های مختلف درآمد زایی در یک کسب و کار تولید میکنن. خیلی بیشتر! که به اونا تنوع زیادی می ده و به این ترتیب شانس بیشتری برای ایجاد یک موفقیت عظیم به وجود میاد.کتاب نو آفرینی نوشته آدام گرانتمثال هایی میارم برای اثبات این نظریه:شکسپیر در طول دو دهه ۳۷ نمایشنامه نوشته و ۱۵۴ غزل سروده که در طول مسیر زندگیش پراکندن. ولی همیشه از هملت یا رومئو ژولیت می شنوید درسته؟انیشتین فیزیک رو متحول کرد (و حتی دید ما نسبت به همه چیز) اما تقریبا تمام ۲۴۰ مورد انتشار دیگه اون تا به حال حداقل تاثیر رو در علم داشته.استفان کینگ بیشتر از ۵۵ رمان، صدها داستان کوتاه و بسیار کتاب غیر علمی نوشته. زمانی که هنوز جریان کتاب های پر فروش راه نیوفتاده بود.توماس ادیسون بین ۳۰ تا ۳۵ سالگی، لامپ الکتریکی، فونوگرافی و تلفن کربن رو اختراع کرد. طی اون دوره بیشتر از ۱۰۰ اختراع دیگه داشت که هیچ کس حتی اسمشون رو هم نشنید (از جمله عروسکی که صحبت میکرد). ۱۰۹۳ اختراع کامل و در عین حال تعداد قابل توجهی دستاورد رو میشه برای ایشون بر شمرد.متوجه الگویی که ازش صحبت میکنم شدید؟در هر حوزه و زمینه ای، حتی بیشترین استثنائات، "نابغه" های خدادادی هزاران مورد از کارهایی را که فراموش شده، کمتر یا بیشتر تولید کردن.فرمول توپاک: بیشتر تولید کنسادست. هر چقدر که ایده های بیشتری توی ذهنمون داشته باشیم، کارهای بیشتری تولید می کنیم، موفقیت های بیشتری خواهیم داشت.توپاک در اثبات این فرمول کار خودش رو به خوبی انجام داد. بین سال های ۱۹۹۲ تا ۱۹۹۶ بین ۷۰۰ تا ۹۰۰ کار موسیقی تولید کرد و فقط موفق شد در ۱۳ بیلبورد حضور پیدا کنه. بد نیست! اصلا بد نیست!یادتون هست که توپاک تو سن ۲۵ سالگی کشته شد! شما تو ۲۵ سالگی چی کار میکردین یا دارین میکنین؟چیز عجیبی نیست، فقط قبل کشته شدنش قدمش رو برداشت.بر طبق گفته آدام گرانت، در تمام زمینه ها تولیدکنندگان و کارآفرینان پرطرفدار و با اصالت در طول دوره هایی که بزرگترین حجم از تلاش و تولید کار رو داشتن تونستن به تولید عالی دست پیدا کنن و اسطوره زمان خودشون باشن.کیفیت در برابر کمیتاعتقادات عامیانه و دانشگاهی فکر شمارو به این سمت میبرن که اگر شما می خواین که کار بهتری انجام بدین، باید کمتر اون کارو انجام بدین. طبیعتا، بین کمیت و کیفیت رابطه علت و معلولی وجود داره.ولی عجله نکنیدطبق گفته گرانت، مشخصا این اعتقاد عامیانه و آکادمیک اشتباهه. وقتی صحبت از تولید ایده و کسب و کار میشه، کمیت پر رنگ ترین نقش رو ایفا میکنه.چرا این موضوع انقدر اهمیت داره؟چون شما به عنوان یک کارآفرین باید سریع عمل کنید. نمیتونید تمام مدت وقت خودتون رو روی یک ایده بذارید. تمام انرژی و منابعتون رو خرج یک ایده کنید و انتظار داشته باشید که مثل بمب بترکه!به این شکل کار پیش نمیرهخیلی از سازندگان هیچ وقت به پتانسیل خودشون دست پیدا نمیکنن، چون فقط چند ایده رو ارائه میدن و همونارو چکش کاری میکنن.یادمون باشه که شرکت های بزرگ مثل اپل و مایکروسافت دائما در حال ایده پردازی و خلق محصولات و خدمات جدید هستن ولی متمرکز در حوزه فناوری و تکنولوژی. شما اگر اسنپ رو به عنوان یک شرکت موفق داخلی مطالعه کنید میبینید که دائما در حال ایده پردازی برای ارائه خدمات جدید در حوزه on demand service هستن.پس تمرکز در یک زمینه و خلق ایده های زیاد برای گسترش اون کسب و کار رو فراموش نکنیم. از این شاخه به اون شاخه پریدن و اینکه بخوایم همه چیز باشیم نشدنیه. یک هویت واحد باشیم ولی با تنوع محصول و خدمات.توپاک درونتون رو بیدار کنیدزیاد ایده پردازی کنید و زیاد تولید کنید و از اطرافیان بازخورد بگیرید.بهترین راه برای قضاوت در مورد ایده هاتون، جمع آوری بازخورد بعد از اجرایی کردن اون ایدست. ببینید که ایده ها با مخاطبان مورد نظرتون تطبیق یافته و سریعا این پروسه رو تکرار کنید. اعتقاد غیر منطقی و ایدآلیستی به ایده هاتون خطرناکه و احتمالا منجر به شکست شما میشه.میتونید تصور کنید که اگر توپاک برای هر آهنگش یک سال وقت میذاشت چه اتفاقی میوفتاد؟ ما امروز دو تا از بهترین آلبوم های Me againts the world و All eyes on me رو نداشتیم.هوشمندانست!! کارآفرینا خودشون فرصت هایی رو برای ایجاد راه حل ها ایجاد می کنن. پس فرصت هارو از دست ندیم و تا میتونیم ایده پردازی و اجرا کنیم و بازخورد بگیریم.ایلیا امیریایلیا امیریSat, 31 Mar 2018 20:23:10 +0430https://virgool.ir/@eilya.amiri/ما-فقط-یک-بار-زندگی-میکنیم-uxbwjhfm7mrhدریک گراهام یک رپر معروف، بازیگر و کارآفرین از کشور کاناداست. موفقیت اولیه او از نقش شخصیت جیمی او در سال ۲۰۰۱ در نمایش تلویزیونی Degrassi به دست اومد. هجده سال، چهار آلبوم استودیویی و ۹۶ جایزه ، دریک هنوزم با ۴۰ میلیون فالوور در اینستاگرام و ۳۷ میلیون فالوور در توییتر خودش یکی از مهمترین و تاثیر گذارترین افراد نسل ماست.https://twitter.com/Drakeدریک گراهام خواننده رپ، بازیگر و کارآفرین از کاناداموسیقی دریک بر زندگی شخصیش تمرکز داره، موفقیت ها و شکست هاش در صنعت موسیقی و تمام درس هایی که در طول راه یاد گرفته. بعد از گوش دادن به آهنگ های دریک که خیلی هم مورد علاقه ام نیست، متوجه پیشنهادها و نکات ریزی در شعرهای دریک شدم که برای کسانی که رویای کارآفرینی در ذهن دارن و یا صاحبان کسب و کارهای کوچک و بزرگ هستن، میتونه جالب باشه. خودت رو بشناس، ارزشت رو بشناس (آهنگ: 100 -- 0)خودآگاهی یکی از مهمترین مهارتهای کسب و کاره. شناختن خودتون نه تنها به شما کمک می کنه تا نقاط قوت خودتون رو از نقاط ضعفتون جدا کنید، بلکه شما رو در موقعیتی بهتر قرار می ده تا شخص دیگه ای رو استخدام کنید تا کارهایی رو که درشون بهترین نیستین رو بهتر از شما انجام بده. به همین دلیل خیلی مهمه که خودتون رو بشناسید و ارزش خودتون ور در کسب و کار بدونید.سر آخر، کمبود خودآگاهی و خود ارزیابی معمولا منجر به پایین اومدن هزینه و قیمت گذاری اشتباه برای محصولات و خدماتمون می شه - یکی از سریع ترین راه های خروج از کسب و کار و قبول شکست.۲. افرادی که پول ندارن طوری رفتار می کنن که انگار پول همه چیزشون نیست (آهنگ: Up all night)تعریف فرهنگ لغت از کسب و کار "خرید و فروش کالاها در تلاش برای سود است" - به این معنی که، پول بیشتری از سرمایه گذاری اولیه خودتون بدست بیارین. گاهی اوقات ما برای چیزهایی مانند جذب یوزر، جذب سرمایه و وایرال شدن به راحتی جشن می گیریم، اما در نهایت، سود تنها چیزیه که کسب و کار واقعی رو میسازه و بهش معنی میده.در واقع، طبق مطالعه بانک مرکزی ایالات متحده، 82 درصد از شکست کسب و کارها ناشی از فقدان جریان نقدینگیه. بنابراین، در زمینه کسب و کار، پوله که حرف میزنه.۳. من رو کمتر بیرون میبینی چون زندگیم محل کارمه (آهنگ: Im going in)اگر از هر کارآفرینی بپرسید، به شما میگه که ساختن یک کسب و کار، یکی از سخت ترین کارهاییه که میتونید انجام بدید. شما رو فدای خودش میکنه، ذهن رو به سختی درگیر میکنه و بیشتر از همه زمان نیاز داره. اگر می خواین موفق باشین، باید اکثر وقت خودتون رو خرجش کنید.میلیونر خود ساخته گرانت کاردون میگه: "اگر میخواهید میلیونر باشید، نباید ساعات را کارتان به ۹ صبح تا ۵ عصر محدود کنید و باید مدل ۹۵ را شروع کنید." نود و پنج ساعت در هفته، یعنی هر روز ۱۴ ساعت. از طرف دیگه کارآفرین گری وینچوک میگه که اون ۱۸ ساعت در روز کار می کنه.۴. مهم نیست که اولین باشی، مهم اینه که درست انجامش بدی (آهنگ: Wu-Tang Forever)تفاوت بزرگی بین اولین بودن و بهترین بودن است. قبل از اوبر، تاکسی مجیک وجود داشت. قبل از Airbnb هم HomeAway وجود داشت. قبل از استوری اینستاگرام هم Snapchat وجود داشت. نکته رو گرفتین.ما هر روزه ایده های عالی به ذهنمون میرسه اما در نهایت کسی برنده است که در اجرا موفق تر بوده.۵. ما فقط یکبار زندگی میکنیم (آهنگ: The Motto)صحبت از ایده های بزرگ! برخی از ما سال ها درگیرش بودیم و هستیم - ایده هایی برای تاسیس شرکت و اختراعاتی برای تغییر جهان و روال زندگی مردم. با این حال، اجرایی کردن ایده ها برامون خیلی مشکله فقط به دلیل یک کلمه سه حرفی (ترس). به همین دلیل که میگیم ما فقط یک بار زندگی میکنیم پس بدو!ایلیا امیریایلیا امیریThu, 29 Mar 2018 14:41:18 +0430