Wie das KI-Modell Agenten für prädiktives Routing bewertet
Genesys Predictive Routing nutzt künstliche Intelligenz (AI), um Interaktionen an den besten Agenten weiterzuleiten. Die durch das Predictive Routing abgeleitete Agentenbewertung basiert auf einer Reihe von Datenpunkten, darunter das Qualifikationsniveau der Agenten, die Kontakthistorie eines Kunden und die Leistung eines Agenten zu einer bestimmten Tageszeit. Sie können diese Daten und ihre Auswirkungen auf Routing-Entscheidungen besser interpretieren, wenn Sie das Konzept der Erklärbarkeit verstehen.
Was ist Erklärbarkeit und warum ist sie wichtig?
Erklärbarkeit ist die Fähigkeit, nicht-technischen Nutzern die Gründe für KI-gesteuerte Entscheidungen zu erläutern. Die Erklärbarkeit hilft Organisationen, moralische und rechtliche Verpflichtungen für die von ihnen verarbeiteten Daten zu erfüllen. Durch die Verwendung der verfügbaren Daten trägt die Erklärbarkeit dazu bei, die Befürchtung eines Datenmissbrauchs und einer Verzerrung durch die verfügbaren Daten zu verringern. Dies geschieht, indem die vom KI-Modell verwendeten Daten oder Merkmale und deren Bedeutung transparent gemacht werden.
Was bedeutet die Bedeutung von Merkmalen im Entscheidungsprozess?
Die Merkmalsbedeutung ist eine Bewertung der Eingangsmerkmale, die darauf basiert, wie nützlich sie für die Vorhersage der Zielvariablen sind. Die Merkmalsbedeutung zeigt zwar an, welche Daten den größten Einfluss auf Entscheidungen haben, bedeutet aber nicht unbedingt, dass die Daten die Entscheidung verursacht haben. Sie haben zum Beispiel zwei Eingabefunktionen für die Vorhersage der Temperatur an einem bestimmten Tag: den Monat des Jahres und die Temperatur des Vortages. Wenn Sie Zugang zu beiden Eingaben haben, wird die Vorhersage für die heutige Temperatur mit einer Abweichung von nur +/- 1 Grad genau sein. Wenn die einzige Eingabe die Temperatur des Vortages war, könnte die Vorhersage auf +/- 2 Grad genau sein. Wenn Sie jedoch nur den Monat eingegeben haben, können Sie die Temperatur möglicherweise nur innerhalb eines Bereichs von +/- 4 Grad vorhersagen.
Daher ist die Bedeutung der Temperatur des Vortages als Eingangsmerkmal höher als die Bedeutung des Monats, da sie für sich genommen eine bessere Vorhersage im Vergleich zu anderen Eingaben ermöglicht.
Bedeutet Korrelation auch Kausalität?
Korrelation bedeutet nicht gleich Kausalität. Der Wert bestimmter Merkmale kann zwar zur Vorhersage eines Ergebnisses beitragen, es kann jedoch nicht davon ausgegangen werden, dass sie ein bestimmtes Ergebnis verursacht haben. Der Verkauf von Speiseeis und die Häufigkeit von Sonnenbrand korrelieren stark miteinander; wenn der Verkauf von Speiseeis hoch ist, können wir eine hohe Häufigkeit von Sonnenbrand vorhersagen. Daraus folgt jedoch nicht, dass Eiscreme die Ursache für Sonnenbrand ist oder dass ein Verbot von Eiscreme den Sonnenbrand auslöscht. Daher dürfen wir nicht davon ausgehen, dass der Versuch, den Wert eines wichtigen Merkmals zu ändern, Auswirkungen auf andere Metriken hat.
Warum Erklärbarkeit beim Predictive Routing?
Beim Predictive Routing werden Modelle des maschinellen Lernens eingesetzt, um die Agenten zu ermitteln, die eine Interaktion am effektivsten bearbeiten könnten. Für das Scoring verwendet das Modell Merkmale, die aus verschiedenen internen Quellen erstellt werden, darunter Agentenprofildaten, aggregierte Kundendaten und historische Interaktionsdaten.
Beim Predictive Routing wird mit Hilfe der Erklärbarkeit versucht, die Faktoren zu entschlüsseln, die die Bewertung des Agenten beeinflusst haben. Dies hilft Beteiligten wie Administratoren, Vorgesetzten, Geschäftsinhabern, Datenwissenschaftlern und Lösungsberatern, die Daten zu verstehen, die für KI-gestützte Entscheidungen verwendet werden.
Um die Erklärbarkeit besser zu verstehen, sehen Sie zum Beispiel, dass Interaktionen regelmäßig an einen bestimmten Pool von Agenten weitergeleitet werden, und Sie entscheiden sich, die Gründe dafür zu untersuchen. Nehmen wir an, der KPI, den Sie für Ihre Warteschlangen festgelegt haben, ist die durchschnittliche Bearbeitungszeit, und Sie stellen fest, dass für das Vorhersagemodell für diese Warteschlange eines der wichtigsten Merkmale die Zeit nach dem Anruf ist (ACW). Aus den Erklärungsmerkmalen geht hervor, dass die Agenten, die am wenigsten Zeit für ACW aufwenden, auch die geringste Bearbeitungszeit haben und daher hoch eingestuft werden.
Wo kann ich die Erklärbarkeit in Genesys Cloud sehen?
Jede Warteschlange, für die Predictive Routing aktiv ist, hat ihr eigenes Vorhersagemodell. Für jedes Modell unterteilt die Erklärbarkeit die Merkmale der Agentenbewertung in drei Gruppen: Agentenfunktionen, Kundenfunktionen und andere Funktionen. Die Merkmale, die die Bewertung des Agenten in Bezug auf den KPI-Satz beeinflusst haben, sind in absteigender Reihenfolge ihrer Bedeutung aufgeführt.
Neben den merkmalsbezogenen Informationen bietet die Seite Vorhersagemodell auch Informationen über das Datum, an dem das Modell zuletzt trainiert wurde. Weitere Informationen zur Interpretation der Bedeutung von Merkmalen finden Sie unter Ansicht von Merkmalen, die prädiktive Routingentscheidungen beeinflusst haben.
Die Seite Prädiktives Modell bietet eine Aufteilung nach Merkmalen wie folgt:
Wie können KI-Entscheidungen auf der Grundlage der aktuellen Erklärbarkeitsdaten geändert werden?
Das Predictive Routing nutzt Daten, die in der Genesys Cloud Plattform für das Training von Modellen zur Verfügung stehen. Während die meisten der in den Modellen verwendeten Daten nicht geändert werden können, gibt es einige optionale Merkmale, die zur Verbesserung der Vorhersagen ergänzt werden können. Weitere Informationen finden Sie unter Datenanforderungen für Predictive Routing.
