รุ่งอรุณใหม่ของแมชชีนเลิร์นนิง

เราเคยมาที่นี่มาก่อน ระหว่างการฉ้อฉลของสื่อ การกล่าวอ้างเกินจริง และการทำงานบนพื้นดิน บางครั้งก็ยากที่จะแยกแยะจินตนาการจากความเป็นจริงเมื่อต้องรับมือกับแมชชีนเลิร์นนิง เมื่อโครงข่ายประสาทเทียมเติบโตเต็มที่และโดดเด่นกว่ากลุ่มอื่น เทคโนโลยีจะสามารถตอบสนองความต้องการได้หรือไม่?

ในช่วง 5 ปีที่ผ่านมา เราได้เห็นเทคโนโลยีโครงข่ายประสาทเทียมที่พัฒนาไปเป็นของตัวเองอย่างแท้จริง GPT-3 สามารถสร้างข้อความที่เหมือนมนุษย์ได้ตามความต้องการ และ DALL-E ซึ่งเป็นโมเดลแมชชีนเลิร์นนิงที่สร้างภาพจากข้อความแจ้ง ได้รับความนิยมอย่างล้นหลามบนโซเชียลมีเดีย ตอบคำถามเร่งด่วนที่สุดในโลก เช่น “ดาร์ธ เวเดอร์ จะเป็นอย่างไร ดูเหมือนตกปลาน้ำแข็ง?” หรือ “วอลเตอร์ ไวท์จะหน้าตาเป็นอย่างไรถ้าเขาอยู่ใน Animal Crossing”

เราต้องการทราบว่าเกิดอะไรขึ้นกับกระแสนี้ เราจึงได้ถาม Fergal Reid ผู้อำนวยการฝ่าย Machine Learning ว่าเราจะเลือกสมองของเขาสำหรับตอนของวันนี้ได้หรือไม่ แม้ว่างานจะยังคงเป็นการกระทำที่สมดุลระหว่างสิ่งที่เป็นไปได้กับสิ่งที่เป็นไปได้อย่างมาก แต่ดูเหมือนว่าสิ่งต่าง ๆ เพิ่งจะเริ่มขยายขนาด แนวเทคโนโลยีกำลังเปลี่ยนไป แอพพลิเคชั่นทางธุรกิจ (อาจ) พลิกเกมได้ และ Fergal เชื่อมั่นในโฆษณาเป็นอย่างมาก

ในตอนนี้ของ Intercom on Product นั้น Paul Adams หัวหน้าเจ้าหน้าที่ฝ่ายผลิตภัณฑ์ของเรา และฉันนั่งลงกับ Fergal Reid เพื่อพูดคุยเกี่ยวกับข่าวลือล่าสุดที่อยู่รอบๆ โครงข่ายประสาทเทียม แมชชีนเลิร์นนิงช่วยขับเคลื่อนธุรกิจได้อย่างไร และสิ่งที่เราคาดหวังได้จากเทคโนโลยีใน อีกไม่กี่ปีข้างหน้า

ต่อไปนี้คือสิ่งที่เราโปรดปรานบางส่วนจากการสนทนา:

• โครงข่ายประสาทเทียมมีความก้าวหน้าอย่างมากในช่วง 5 ปีที่ผ่านมา และปัจจุบันเป็นวิธีที่ดีที่สุดในการจัดการกับข้อมูลที่ไม่มีโครงสร้าง เช่น ข้อความ รูปภาพ หรือเสียงตามขนาด
• ใน CX นั้น โครงข่ายประสาทเทียมมักจะใช้กับวิธีการเรียนรู้ของเครื่องแบบเดิมๆ เพื่อเลือกการดำเนินการที่ให้การโต้ตอบที่ดีที่สุดกับลูกค้า
• การสร้างผลิตภัณฑ์ ML จำเป็นต้องมีความสมดุล – มันไม่มีประโยชน์ที่จะเริ่มต้นด้วยปัญหาหากวิธีแก้ปัญหาไม่สามารถทำได้ แต่คุณไม่ควรเริ่มด้วยเทคโนโลยีหากไม่สามารถตอบสนองความต้องการของลูกค้าที่แท้จริงได้
• ในอดีต AI นั้นค่อนข้างจะเกินจริงไปมาก แม้ว่ามีแนวโน้มว่าการอ้างสิทธิ์ที่เป็นจริงมากขึ้นจะปิดบัญชีน้อยลง แต่ก็ให้ผลตอบแทนในการรักษาลูกค้า
• ทีม ML มักจะลงทุนทรัพยากรอย่างยุติธรรมในการวิจัยที่ไม่เคยจัดส่ง จับคู่ให้มากที่สุดกับโครงการที่มีผลกระทบจริงต่อประสบการณ์ของลูกค้า
• หากคุณต้องการลงทุนใน ML ให้จ้างผู้ที่มีประสบการณ์ทั้งด้านเทคโนโลยีและด้านปฏิบัติการ เพื่อให้พวกเขาสามารถเริ่มทำงานกับทีมผลิตภัณฑ์ได้ตั้งแต่วันแรก

หากคุณชอบการสนทนาของเรา ลองดูตอนอื่นๆ ของพอดคาสต์ของเรา คุณสามารถติดตามบน iTunes, Spotify, YouTube หรือรับฟีด RSS ในเครื่องเล่นที่คุณเลือก สิ่งต่อไปนี้คือการถอดเสียงของตอนที่มีการแก้ไขเล็กน้อย

กระแสฮือฮากลับมาอีกครั้ง

Des Traynor: ยินดีต้อนรับสู่ Intercom On Product ตอนที่ 18 วันนี้เรามีหัวข้อที่น่าสนใจมาพูดคุยกัน มันคือทั้งหมดที่เกี่ยวกับปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง ฉันได้ร่วมงานกับคุณพอล อดัมส์ ประธานเจ้าหน้าที่ฝ่ายผลิตภัณฑ์ของอินเตอร์คอมเช่นเคย พอล สบายดีไหม

Paul Adams: ฉันสบายดี Des ขอขอบคุณ.

Des Traynor: และวันนี้ เรามีแขกรับเชิญพิเศษ คุณ Fergal Reid ซึ่งเป็นผู้อำนวยการฝ่าย Machine Learning ของเรา เฟอร์กัล เป็นยังไง?

Fergal Reid: ดีมากเดส ฉันดีใจมากที่ได้เป็นพอดคาสต์ในวันนี้ รอคอยที่จะได้รับมัน

Des Traynor: ยอดเยี่ยม ฉันคิดว่าคุณเป็นแขกรับเชิญคนแรกหรือคนที่สองของเรา ดังนั้นคุณควรรู้สึกขอบคุณมาก

Fergal Reid: ฉันรู้สึกเป็นเกียรติมากจริงๆ

“เราได้เห็นความก้าวหน้าอย่างต่อเนื่องของสิ่งใหม่ที่น่าตื่นเต้น – เทคโนโลยีที่ขับเคลื่อนด้วยโครงข่ายประสาท – เริ่มเข้ามามีบทบาทและมีประโยชน์”

Des Traynor: เอาล่ะ มาเริ่มกันเลยดีกว่า รู้สึกเหมือนเครื่อง AI hype อยู่ในพิกัดอีกครั้ง สิ่งนี้เกิดขึ้นทุก ๆ สองสามปีจากจุดได้เปรียบของฉัน แต่สิ่งที่ฉันเห็นได้อย่างแท้จริงคือผู้คนที่สร้างงานศิลปะมากมาย ยุค DALL-E เริ่มต้นขึ้นแล้ว และภาพที่สร้างขึ้นบางส่วนก็น่าทึ่ง เมื่อวันก่อน ฉันเห็นว่ามีตลาดสำหรับข้อความแจ้ง DALL-E ซึ่งคุณสามารถซื้อข้อความแจ้งที่สร้างภาพให้กับคุณได้อย่างแท้จริง ซึ่งเป็นเมตาดาต้าที่ได้รับ ในทางปฏิบัติมากขึ้น นักบิน GitHub สามารถเพิ่มโค้ดของคุณในขณะที่คุณเขียน ซึ่งน่าทึ่งมาก ฉันได้เล่นกับ GPT-3 จาก OpenAI และถามคำถามและปล่อยให้มันสร้างย่อหน้าและเรื่องราวเล็ก ๆ ให้ฉัน และมันก็ค่อนข้างน่าประทับใจ หากเราซูมย้อนขึ้นเล็กน้อย เกิดอะไรขึ้น? มีอะไรเกิดขึ้นในช่วงที่ผ่านมาหรือไม่? สิ่งนี้เกี่ยวข้องกับเหตุการณ์ใด ๆ หรือไม่? ว่าไง?

Fergal Reid: การแกะกล่องเป็นสิ่งที่ซับซ้อน – มีหลายสิ่งหลายอย่างเกิดขึ้น มีการลงทุนมากมายในด้าน AI และแมชชีนเลิร์นนิงในบริษัทต่างๆ ดังนั้นจึงเป็นการยากที่จะแกะกล่องสิ่งที่เกิดขึ้น ถ้าคุณดูที่ arxiv ที่ซึ่งผู้คนใส่เอกสารการเรียนรู้ของเครื่อง มีสิ่งใหม่ๆ มากมายทุกวัน ดังนั้นจึงเป็นเรื่องยากที่จะเล่าเรื่องผ่านเรื่องนั้น ในความเห็นของฉัน ในช่วงห้าปีที่ผ่านมา เราได้เห็นความก้าวหน้าอย่างต่อเนื่องของสิ่งใหม่ที่น่าตื่นเต้น – เทคโนโลยีที่ขับเคลื่อนด้วยโครงข่ายประสาทเทียม – เริ่มเข้ามามีบทบาทในตัวเองและมีประโยชน์ คุณพูดถึง GPT-3, OpenAI และนั่นคือสิ่งที่เราเรียกว่าแบบจำลองภาษาขนาดใหญ่ ซึ่งเป็นโครงข่ายประสาทเทียมขนาดใหญ่ที่พยายามทำนายคำถัดไปและลำดับของคำที่เห็น และพวกเขากำลังขยายขนาดขึ้นเท่านั้น พวกเขาเพิ่มการคำนวณมากขึ้นเรื่อยๆ และเริ่มทำสิ่งที่น่าอัศจรรย์

Des Traynor: ดังนั้น อาจเป็นแค่คำจำกัดความของพจนานุกรมสองสามคำ ดังนั้น การเพิ่มการประมวลผล พลังของ CPU เพิ่มขึ้นหรือไม่

Fergal Reid: ใช่เลย ย้อนกลับไปได้ไกลมาก ซีพียูในคอมพิวเตอร์ของเรา สมองของคอมพิวเตอร์ของเรา ทำได้เร็วมากจริงๆ ในการทำสิ่งต่าง ๆ สำหรับวัตถุประสงค์ทั่วไป และบางทีในช่วงกลางถึงปลายยุค ซึ่งขับเคลื่อนโดยวิดีโอเกมและสิ่งต่างๆ เป็นหลัก เรามีตลาดจำนวนมากที่ใช้ GPU เหล่านี้ หรือหน่วยประมวลผลกราฟิก

Des Traynor: ชอบการ์ดจอและอึแบบนั้นเหรอ?

Fergal Reid: ในการ์ดวิดีโอและการ์ด 3dfx ของคุณและทุกอย่าง และพวกเขาเก่งมากในการทำกราฟิกสำหรับเกมคอมพิวเตอร์ จากนั้นในช่วงต้นทศวรรษ 2000 ผู้คนก็แบบว่า "โอ้ การดำเนินการแบบที่เราทำกับวิดีโอเกมนั้นดีมากสำหรับเมทริกซ์และการคูณ" และกลายเป็นว่าสิ่งเหล่านั้นก็มีประโยชน์จริง ๆ สำหรับการดำเนินการที่คุณต้องทำ เมื่อคุณกำลังฝึกโครงข่ายประสาทเทียม และหลังจากนั้นเป็นเวลานาน มูลค่าหุ้นของวิดีโอก็พุ่งทะลุหลังคา เพราะมี AI และการปฏิวัติการขุดคริปโต

การเพิ่มขึ้นของโครงข่ายประสาทเทียม

Des Traynor: คุณอ้างถึงการรับใหม่ในการทำงานบนโครงข่ายประสาทเทียม ฉันรู้สึกเหมือนฉันได้ยินเกี่ยวกับพวกเขาเมื่อฉันอยู่ในวิทยาลัยในสมัยนั้น มีงานทำมากกว่านี้ไหม? พวกเขากลายเป็นวิธีการหลักในการทำการเรียนรู้ด้วยเครื่องหรือไม่? มีทางเลือกอื่นที่เราได้ย้ายออกไปหรือไม่?

Fergal Reid: ใช่ ฉันจะบอกว่ามีทางเลือกอื่นที่เราย้ายออกไป ตอนนี้ ฉันไม่ต้องการขายโครงข่ายประสาทเทียม โครงข่ายประสาทคือความร้อนแรงครั้งใหม่ และความก้าวหน้าเกือบทั้งหมดที่คุณเคยเห็นในช่วงห้าปีที่ผ่านมาเป็นโครงข่ายประสาทเทียม อย่างไรก็ตาม นั่นคือส่วนย่อยของการเรียนรู้ของเครื่อง ในทีมแมชชีนเลิร์นนิงที่อินเตอร์คอม โครงข่ายประสาทเทียมอาจเป็น 30% ของสิ่งที่เราทำ โดยใช้กระบวนการด้านลอจิสติกส์แบบเดียวกันในการทำนายว่าคนๆ หนึ่งจะทำอะไรต่อไป

เมื่อมีข้อมูลที่ไม่มีโครงสร้าง เช่น ข้อความ รูปภาพ หรือเสียงจำนวนมาก ตอนนี้โครงข่ายประสาทเทียมคือวิธีที่ดีที่สุดในการจัดการกับข้อมูลนั้น สำหรับความก้าวหน้าที่คุณเห็น - เนื้อหาเกี่ยวกับภาพ เนื้อหาเสียง การสังเคราะห์ข้อความ - คุณต้องมีโมเดลขนาดใหญ่ที่สามารถจับภาพการพึ่งพาจำนวนมากในข้อมูลนั้นได้ และโครงข่ายประสาทเทียมเป็นวิธีหลักในการทำเช่นนั้น ผู้คนลงทุนมากมายในการทำให้พวกมันเติบโต และคุณสามารถดำเนินการให้ใหญ่ขึ้นได้ โมเดลบางรุ่นที่คุณอ่านอาจใช้เงิน 10 ล้านดอลลาร์ในการคำนวณเพื่อฝึกโมเดลนั้น

“ในอดีต สำหรับข้อมูลข้อความหรือรูปภาพที่ไม่มีโครงสร้าง เราจะดูจากมุมมองของแมชชีนเลิร์นนิงและแบบว่า 'ไม่รู้ว่าต้องทำอะไรที่นี่'”

มีหลายสิ่งหลายอย่างเกิดขึ้น เรากำลังฝึกพวกเขาได้ดีขึ้นในวงกว้าง เรากำลังแสดงปัญหาได้ดีขึ้นในลักษณะที่ทำให้เราก้าวหน้าและเข้าใจได้ ในวิดีโอ เรากำลังปรับปรุงประสิทธิภาพอย่างต่อเนื่อง จึงมีการปฏิวัติทางเทคโนโลยีมากมาย เป็นการบรรจบกันของเทรนด์ต่างๆ มากมาย

Des Traynor: หากต้องการเปลี่ยนไปใช้แง่มุมของผลิตภัณฑ์ อะไรที่ไม่เคยเกิดขึ้นมาก่อน? DALL-E สามารถสร้างภาพได้ทันที GPT-3 สามารถสร้างข้อความที่สร้างขึ้นได้อย่างสมจริง หากคุณต้องการวิเคราะห์ข้อความจำนวนมากและหาสิ่งที่มันพูด ย่อให้สั้นลงหรือทำให้ง่ายขึ้น หรือตรวจสอบอารมณ์หรืออะไรก็ตาม ตอนนี้เรามีรายการความสามารถบางประเภทหรือไม่ เหตุผลที่ฉันถามคือฉันกำลังพยายามผูกเรื่องนี้ให้ใกล้เคียงกับวิธีที่นายกรัฐมนตรีควรคิดเกี่ยวกับเรื่องนี้

Fergal Reid: ใช่ มีหลายวิธีในการคิดเกี่ยวกับเรื่องนี้ ในอดีต สำหรับข้อมูลข้อความหรือรูปภาพที่ไม่มีโครงสร้าง เราจะดูจากมุมมองของแมชชีนเลิร์นนิงและแบบว่า “ไม่รู้ว่าต้องทำอะไรที่นี่ ขนาดนี้และจำนวนย่อหน้าที่เป็นไปได้ของข้อความที่อาจอยู่ในเอกสารของฉันนั้นสูงมาก ฉันไม่รู้ว่าจะจัดการกับแมชชีนเลิร์นนิงแบบดั้งเดิมอย่างไร” และคุณสามารถทำสิ่งต่างๆ เช่น ดึงคุณลักษณะต่างๆ เช่น "ฉันจะแบ่งสิ่งนี้ออกเป็นคำๆ และดึงข้อมูลออกมา" แต่สิ่งที่แตกต่างในตอนนี้คือวิธีการของคุณในการทำงานกับข้อมูลนั้นจะทำงานได้ดีกว่าที่เคยเป็นมาในอดีต และคุณไม่จำเป็นต้องทำคุณสมบัติต่างๆ ด้วยมือมากนัก คุณสามารถใช้โครงข่ายประสาทเทียม

เราเริ่มเห็นขั้นกลาง ชั้นกลางโผล่ออกมา มีสิ่งที่เรียกว่าการฝัง ซึ่งคุณสามารถใช้หนึ่งในโครงข่ายประสาทเทียมขนาดใหญ่เหล่านี้ ที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลข้อความจำนวนมาก จากนั้น Google หรือบริษัทยักษ์ใหญ่รายใดรายหนึ่งจะปล่อยมันออกไป การฝึกอบรม และคุณสามารถใช้สิ่งนั้นเพื่อนำข้อความที่คุณให้ไปแปลงเป็นเวกเตอร์ของตัวเลข จากนั้น คุณสามารถทำอะไรกับเวกเตอร์ของตัวเลขนั้นได้ ดังนั้นจึงมีเทคโนโลยีที่ล้ำสมัย แต่ได้ให้หน่วยการสร้างที่สตาร์ทอัพสามารถทำงานด้วยเพื่อสร้างผลิตภัณฑ์ได้จริง

“หากคุณอยู่ในระบบนิเวศเริ่มต้นที่เกี่ยวข้องกับข้อมูลที่ไม่มีโครงสร้างจำนวนมาก โดยเฉพาะอย่างยิ่งปริมาณมาก ซึ่งคุณอาจกำลังพยายามตัดสินใจกับข้อมูลนั้น คุณควรให้ความสนใจอย่างแน่นอน”

Des Traynor: ดังนั้น X เปอร์เซ็นต์แรกทำเพื่อคุณโดยบริษัทขนาดใหญ่?

Fergal Reid: ถูกต้อง หรือเปิดกิจการร่วมค้าอีกด้วย มีคนตั้งกลุ่มที่รวบรวมเงินจำนวนมากเพื่อฝึกฝนสิ่งใหญ่ๆ ที่ปล่อยออกมา

Des Traynor: ดังนั้น หากผลิตภัณฑ์ของคุณเกี่ยวข้องกับข้อความที่เขียนโดยมนุษย์ ไม่ว่าจะเป็นการสร้างการตอบกลับ เขียน แยกวิเคราะห์ หรือทำความเข้าใจ คุณควรสรุปว่าในช่วงสองสามปีที่ผ่านมา

Fergal Reid: ใช่ ฉันคิดว่านั่นเป็นข้อสันนิษฐานที่ยุติธรรม หากคุณอยู่ในระบบนิเวศเริ่มต้นที่เกี่ยวข้องกับข้อมูลที่ไม่มีโครงสร้างจำนวนมาก โดยเฉพาะอย่างยิ่งปริมาณมาก ซึ่งคุณอาจกำลังพยายามตัดสินใจกับข้อมูลนั้น คุณควรให้ความสนใจอย่างแน่นอน แนวความสามารถมีการเปลี่ยนแปลง 10 ปีที่แล้ว ไม่มีอะไรที่คุณต้องกังวล แต่ตอนนี้ อาจมีบางสิ่งเจ๋งๆ ที่คุณสามารถสร้างได้ ที่คุณไม่สามารถทำได้มาก่อน เราเริ่มเห็นการเปลี่ยนแปลงในสิ่งต่างๆ อย่างง่ายๆ เหมือนกับการค้นหา เมื่อหกเจ็ดปีที่แล้ว คุณจะได้รับ Elasticsearch หรืออะไรทำนองนั้น และใช้อัลกอริธึมที่พยายามและเป็นจริงเหล่านี้เพื่อจัดการกับการค้นหาของคุณ ตอนนี้คุณสามารถใช้การค้นหาประสาท และเราเริ่มเห็นเทคโนโลยีและผลิตภัณฑ์ที่เกิดขึ้นใหม่ในพื้นที่นั้น

ในการค้นหาการกระทำที่ดีที่สุดต่อไป

Paul Adams: สิ่งหนึ่งที่ฉันอยากจะถามคุณคือผลิตภัณฑ์ที่รับประกันการดำเนินการที่ดีที่สุดครั้งต่อไป ฉันคิดว่านี่เป็นสิ่งสำคัญสำหรับทีมผลิตภัณฑ์ด้วยเหตุผลสองประการ หนึ่งคือผลิตภัณฑ์ในพื้นที่นั้น - หากคุณมีผลิตภัณฑ์การสื่อสารกับลูกค้าหรือผลิตภัณฑ์สำหรับทีมขาย มีคำสัญญามากมายเกี่ยวกับการบอกพนักงานขายว่าการดำเนินการที่ดีที่สุดต่อไปคืออะไร และทีมผลิตภัณฑ์มักจะพยายามให้ลูกค้าและผู้ใช้ของตนทำมากขึ้นและมีส่วนร่วมมากขึ้น ดังนั้นจึงเป็นเครื่องมือสำหรับพวกเขาในการขับเคลื่อนการเติบโต เท่าไหร่ของที่เป็น hype? เท่าไหร่จริง?

Fergal Reid: มักมีปัญหากับผลิตภัณฑ์แมชชีนเลิร์นนิงเหล่านี้ และฉันพูดในฐานะคนที่สร้างผลิตภัณฑ์แมชชีนเลิร์นนิงเพื่อหาเลี้ยงชีพ ซึ่งเป็นเรื่องยากมากที่จะบอกว่าโฆษณาเกินจริงและของจริงจากภายนอกมากน้อยเพียงใด ฉันไม่สามารถพูดเกี่ยวกับผลิตภัณฑ์ที่เฉพาะเจาะจงได้ เว้นแต่ฉันจะวิเคราะห์และเปรียบเทียบผลิตภัณฑ์เหล่านั้น ฉันจะบอกว่าสิ่งที่ดำเนินการที่ดีที่สุดต่อไปมีโอกาสน้อยที่จะเป็นโครงข่ายประสาทเทียม หรือถ้าอยู่ตรงนั้น มันก็จะอยู่ที่นั่นเป็นส่วนประกอบ ในบริบทของอินเตอร์คอม ฉันจะใช้ข้อความของการสนทนาที่เกิดขึ้นระหว่างตัวแทนฝ่ายสนับสนุนและผู้ใช้ปลายทาง และใช้การฝังเพื่อพยายามทำความเข้าใจ แต่จากนั้น ฉันอาจจะรวมสิ่งนั้นร่วมกับสัญญาณอื่นๆ เกี่ยวกับสิ่งที่เกิดขึ้น บางทีมูลค่าของบัญชีหรือตำแหน่งที่ลูกค้าอยู่ในเส้นทางของลูกค้า และใช้ตัวแยกประเภทการเรียนรู้ของเครื่องหรือตัวถดถอยแบบเดิมเพื่อลองและ ทำนายว่า “ตกลง สิ่งที่ดีที่สุดต่อไปที่ฉันสามารถทำได้คืออะไร”

“เมื่อความแม่นยำเพิ่มขึ้น เพิ่มขึ้น เพิ่มขึ้น มันข้ามขีดจำกัดที่สำคัญซึ่งมันเหมือนกับว่า 'มันไม่ถูกต้องเสมอไป แต่มันมีประโยชน์ และฉันไม่ต้องคิด มันช่วย '”

และสิ่งนี้ใช้งานได้ค่อนข้างดี เรามีคุณสมบัติในผลิตภัณฑ์ของเราที่ใช้วิธีการเรียนรู้ด้วยเครื่องแบบดั้งเดิมมากขึ้น ซึ่งพยายามคาดเดา พูด สิ่งที่คนกำลังจะถามเมื่อพวกเขามาที่เว็บไซต์และเปิดโปรแกรมรับส่งข้อความ เราทำเช่นนั้นโดยอิงจากข้อมูลและสัญญาณทั้งหมดที่เรามีเกี่ยวกับผู้ใช้รายนั้น และนั่นก็ใช้ได้ดีทีเดียว หากคุณสามารถคาดการณ์ได้ดี ขั้นตอนต่อไปคือการดำเนินการที่ดีที่สุด

ฉันพนันได้เลยว่าสิ่งต่าง ๆ ใช้งานได้ดี ฉันจะมีความคาดหวังที่สมเหตุสมผลของความถูกต้อง สิ่งเหล่านี้ทำงานได้ดีเมื่อพวกเขาเสริมและช่วยเหลือใครบางคน ถ้าความแม่นยำต่ำเกินไป แบบว่า “โอ้ นี่มันน่ารำคาญ มันเส็งเคร็ง มันไม่คุ้มที่จะสนใจมัน” แต่แล้ว เมื่อความแม่นยำเพิ่มขึ้น เพิ่มขึ้น เพิ่มขึ้น มันก็ข้ามเกณฑ์วิกฤติที่เหมือนกับว่า “มันไม่ถูกต้องเสมอไป แต่มันมีประโยชน์ และฉันไม่ต้องคิด ฉันแค่มองดูก็รู้ว่ามันช่วยได้” นั่นคือสิ่งที่เรากำลังมองหาจากผลิตภัณฑ์เหล่านี้ และฉันแน่ใจว่ามีคนในอุตสาหกรรมนี้ที่มีสิ่งเหล่านี้

เดส Traynor: ใช่ ฉันรู้สึกว่าการเติมข้อความอัตโนมัติของ Gmail ได้ข้ามหน้าผาแห่งการรับรู้ที่ฉันจะไม่ปิดคุณลักษณะนั้น คุณกำลังพิมพ์ข้อความตอบกลับ โดยคาดเดาสองสิ่งถัดไปที่คุณจะพูด และคุณสามารถกด Tab ได้ และบางทีคุณอาจเปลี่ยนประโยคหรือคำหรืออะไรทำนองนั้น แต่มันมีประโยชน์มากกว่าการบอกทิศทาง

“ฉันเห็นอนาคตที่เราสามารถเรียนรู้ว่าข้อเสนอแนะใดที่กระตุ้นพฤติกรรมเพื่อนร่วมทีมที่ให้ CSAT ที่ดีขึ้นหรือมูลค่าตลอดอายุการใช้งานของลูกค้าที่ดีขึ้นในแบบ win-win”

Paul Adams: มันเป็นเรื่องตลกนะ ฉันคิดว่ามันเปลี่ยนพฤติกรรม ฉันดูคำแนะนำแล้วพูดว่า “ฉันจะไม่พูดอย่างนั้น แต่ก็ใกล้พอแล้ว” แทป แทป แทป. เข้า, ส่ง.

Fergal Reid: ฉันสงสัยว่าพวกเขาเคยทำการทดลองที่พวกเขาวัดข้อเสนอแนะและความรู้สึกของข้อเสนอแนะที่พวกเขาผลิตหรือไม่และวิธีที่พวกเขาเปลี่ยนโลกแห่งความเป็นจริง Facebook ทำการทดลองอย่างน่าอับอายในสมัยก่อน หากคุณดูบางอย่างเช่น อินเตอร์คอม ฉันเห็นอนาคตที่เรากำลังเริ่มให้คำแนะนำการตอบกลับอย่างชาญฉลาดภายในกล่องจดหมาย ฉันเห็นอนาคตที่เราสามารถเรียนรู้ว่าข้อเสนอแนะใดที่กระตุ้นพฤติกรรมเพื่อนร่วมทีมที่ให้ CSAT ที่ดีขึ้นหรือมูลค่าชีวิตที่ดีขึ้นของลูกค้าในแบบ win-win การแจ้งเตือนแรงเสียดทานต่ำเหล่านั้น ฉันคิดถึงสิ่งนั้นทุกครั้งที่ฉันเขียนคำว่า "ฉันรักคุณ" ถึงภรรยาของฉัน บางครั้งฉันได้รับคำแนะนำสำหรับ "ฉันรักเธอ" และฉันก็แบบ "ฉันพิมพ์เอง"

เดส Traynor: ใช่ มีบางอย่างที่เป็นอาณานิคมมากขึ้นเกี่ยวกับเรื่องนี้ - เราสร้างเครื่องมือของเราและเครื่องมือของเรากำหนดเรา คุณสามารถจินตนาการได้ว่าตัวแทน CS ที่เพิ่งเข้าร่วมทีมที่ใช้อินเตอร์คอมจะจบลงด้วยการพูดและพิมพ์เหมือนเพื่อนร่วมงานของพวกเขาโดยอิงจากข้อเท็จจริงที่อินเตอร์คอมบอกพวกเขาว่านี่เป็นพฤติกรรมที่ดูเหมือนจะทำงานได้ดีที่สุด มันเกือบจะเหมือนโรงเรียนสำหรับการสนับสนุนลูกค้า

Fergal Reid: เราได้พูดคุยกับลูกค้าบางคนที่ชื่นชอบแนวคิดเรื่องการฝึกความเสียดทานต่ำสำหรับพนักงานใหม่ ซึ่งดูเหมือนจะเป็นแนวทางปฏิบัติที่ดีที่สุด นั่นคือสิ่งที่ระบบกระตุ้นให้คุณทำในทางที่ดี

ปัญหากับเทคโนโลยี

Des Traynor: หากเราย้อนขึ้นไปอีกระดับหนึ่ง ฉันรู้สึกว่ามีเรื่องเล่ามากมายถึงแม้จะพูดว่า DALL-E ออกมา กระทู้ที่ได้รับความนิยมมากที่สุดก็ประมาณว่า "ใครก็ได้ตั้งชื่อกรณีการใช้งานที่ดีสำหรับ นี้?" หรือ “นี่คือความคิดที่ดีที่สุดของฉัน” เห็นได้ชัดว่าความคิดของทุกคน "โอ้ คุณสามารถสร้างบริษัทเสื้อยืดได้" หรืออะไรก็ตาม สิ่งที่ดีที่สุดของฉันคือความสามารถในการใส่คำอธิบายประกอบหนังสือนิทานสำหรับเด็ก ลองนึกภาพเครื่องมือที่มีเรื่องราวแบบเด็ก ๆ และภาพที่ดูเหมือนจะเสริม คุณยังสามารถดูว่ามันสามารถเป็นปลั๊กอินสำหรับ Squarespace หรือ Mailchimp เพื่อแทนที่การถ่ายภาพสต็อกได้อย่างไร Keynote หรือ Google Slides จะคล้ายกัน

ฉันรู้สึกเหมือนเรากำลังเข้าใกล้สิ่งนี้ เรากำลังพูดว่า "เนื่องจากตอนนี้เราสามารถเขียนข้อความและสร้างภาพได้ มาสร้างบริษัทขึ้นมากันเถอะ" ซึ่งไม่ใช่ที่มาของบริษัทที่ดีที่สุด โดยปกติพวกเขามักจะต้องการแก้ปัญหาในโลกนี้ วิธีที่ดีที่สุดสำหรับแฟนๆ หรือ PM ในการคิดเกี่ยวกับพื้นที่นี้คืออะไร? โดยทั่วไปแล้ว พวกเขาอาจหมกมุ่นอยู่กับปัญหา ไม่ได้เกี่ยวกับเทคโนโลยีประสาทชิ้นใหม่โดยเฉพาะ

Fergal Reid: นี่เป็นคำถามที่ซับซ้อนมาก บ่อยครั้ง คำแนะนำมาตรฐานคือ หากคุณกำลังสร้างการเริ่มต้นเทคโนโลยีใหม่ คุณไม่ต้องการเป็นโซลูชันที่มองหาปัญหา คุณต้องการค้นหาปัญหาที่เป็นรูปธรรมจริง ๆ แล้วหาทางแก้ไข ฉันคิดว่านั่นเป็นคำแนะนำที่ดีโดยทั่วไป ที่อินเตอร์คอม เรามีหลักการเบื้องต้นเกี่ยวกับปัญหาดังกล่าว แต่ฉันคิดว่ามีข้อยกเว้นสำหรับเรื่องนั้น ด้วยเทคโนโลยีที่ก่อกวนอย่างแท้จริง ซึ่งคุณจะชอบว่า “บางสิ่งกำลังเปลี่ยนแปลงโลก มันกำลังเปลี่ยนภูมิทัศน์ มีความสามารถใหม่ๆ ที่นี่ และฉันไม่รู้ว่ามันดีสำหรับอะไร แต่ฉันรู้ว่ามันจะเป็นการปฏิวัติที่ดีสำหรับบางสิ่ง ” ฉันคิดว่ามันโอเคที่จะเริ่มต้นด้วยวิธีแก้ปัญหาแล้วมองหาปัญหา

“ไม่มีประโยชน์ที่จะเริ่มต้นด้วยปัญหา หากคุณกำลังพยายามสร้างโซลูชันเทคโนโลยีที่ยังไม่สามารถทำได้”

ฉันเชื่อในโฆษณาเกี่ยวกับ ML และ AI ในขณะนี้ ฉันจะบอกว่าคราวนี้เป็นของจริง และดังนั้นจึงเป็นเกมที่ยุติธรรมที่จะพูดว่า “ดูสิ เรามีความสามารถที่ปฏิวัติวงการที่นี่ โอกาสดีๆ ทั้งหมดนี้นำไปใช้ได้ที่ไหน?” เห็นได้ชัดว่ามีการโต้ตอบกัน เมื่อคุณคิดว่าคุณพบโอกาสแล้ว คุณอาจต้องการเริ่มต้นกับปัญหา

ทีมแมชชีนเลิร์นนิงที่ Intercom ค่อนข้างผิดปกติเมื่อเทียบกับทีมอื่นๆ เราปรับให้เข้ากับหลักการของผลิตภัณฑ์มากกว่าทีมอื่นๆ เล็กน้อย เนื่องจากเราต้องอยู่ในพื้นที่สีเทาระหว่างการเริ่มต้นด้วยปัญหาและเทคโนโลยี มันไม่มีประโยชน์ที่จะเริ่มต้นกับปัญหาหากคุณกำลังพยายามสร้างโซลูชันเทคโนโลยีที่ยังไม่สามารถทำได้ ดังนั้น เราต้องเริ่มต้นด้วยเทคโนโลยีเล็กน้อย ทำการสร้างต้นแบบ ทำความเข้าใจเกี่ยวกับสิ่งที่เป็นไปได้ จากนั้นไปและพยายามทำให้ปัญหาเป็นจริงและถามว่า "มันมีประโยชน์หรือไม่"

Des Traynor: เกือบจะเหมือนกับว่าคุณต้องมองผ่านทั้งด้านอุปสงค์และอุปทานของนวัตกรรมในแง่หนึ่ง จากปัญหาทั้งหมดที่เราสามารถแก้ไขได้และความสามารถที่เรามี บริษัทที่ดีในการเชื่อมต่อโครงข่ายอยู่ที่ไหน หากเราใช้ Resolution Bot ผลิตภัณฑ์ของเรา คุณจะพูดได้อย่างไรว่าเป็นการจับคู่ปัญหา/วิธีแก้ปัญหา

“ด้วย Resolution Bot เราไม่ได้ใช้โครงข่ายประสาทเทียมหรืออะไรก็ตามสำหรับเวอร์ชันหนึ่งของเรา แต่เราเชื่อมั่นว่ามันเป็นไปได้ที่จะสร้างสิ่งที่ดีที่นี่”

Fergal Reid: เมื่อเราเริ่มต้น เราทราบดีว่ามีการเคลื่อนไหวในด้านเทคโนโลยีและภูมิทัศน์ของผลิตภัณฑ์ที่บอทมีฐานะยากจนจริงๆ และพวกเขาก็เริ่มให้ประสบการณ์ที่น่าสนใจในสถานการณ์ที่จำกัดมาก ซึ่ง "เอาล่ะ มีบางอย่างที่นี่ ” และจากนั้นก็แบบว่า “เอาล่ะ เราจะใช้โดเมนเฉพาะของเรา เราสามารถพูดคุยและสนทนาและดูว่ามีการแต่งงานนั้นหรือไม่ ที่ตรงกันระหว่างปัญหาและเทคโนโลยีที่จะให้ประสบการณ์ที่ยอดเยี่ยมแก่ลูกค้า”

ด้วย Resolution Bot เราไม่ได้ใช้โครงข่ายประสาทเทียมหรืออะไรก็ตามสำหรับเวอร์ชันหนึ่งของเรา แต่เราเชื่อมั่นว่ามีความเป็นไปได้ที่จะสร้างสิ่งที่ดีที่นี่ เราสร้างการลงทุนด้านเทคโนโลยีเพียงเล็กน้อย โดยได้ตรวจสอบแล้วว่าต้นแบบที่พังทลายลงร่วมกันจะช่วยลูกค้าได้จริง และผู้คนก็ต้องการมันจริงๆ ลดความเสี่ยงนั้น จากนั้นทำซ้ำ ทำซ้ำ และทำซ้ำ ขณะนี้เราอยู่ในเวอร์ชัน 3 หรือเวอร์ชัน 4 ของเทคโนโลยี และใช้โครงข่ายประสาทเทียมที่ทันสมัยมาก และได้รับประสิทธิภาพและความแม่นยำที่ดีที่สุดในระดับเดียวกัน แต่รุ่นแรกคือ Elasticsearch นอกชั้นวางเพียงเพื่อตรวจสอบว่าสิ่งนี้จะช่วยผู้คนได้จริง

คุณต้องการเป็นแนวทางในการค้นหานั้น คุณต้องการเป็นเหมือน "ฉันรู้ว่ามีบางอย่างที่ดีในทิศทางทั่วไปของพื้นที่ผลิตภัณฑ์" ฉันจะไม่จบลงด้วยความต้องการที่ผ่านการตรวจสอบสำหรับผลิตภัณฑ์ที่ไม่สามารถส่งมอบได้ คุณไม่ต้องการที่จะอยู่ที่นั่น คุณไม่ต้องการที่จะเป็นเหมือน คุณต้องวนซ้ำทั้งสองข้างของสมการนั้นแล้วหาจุดลงจอดตรงกลาง

ดีเกินไปที่จะเป็นจริง?

Paul Adams: จริงๆ แล้วมีขาที่สามของเก้าอี้ มีปัญหา มีทางแก้ไข แล้วก็มีเรื่องราว หรือสิ่งที่คุณจะพูดเกี่ยวกับมันได้ สิ่งหนึ่งที่ฉันต้องดิ้นรนกับ AI และแมชชีนเลิร์นนิงคือสิ่งที่คุณรู้สึกดีเมื่อต้องพูดกับภายนอกและสิ่งที่คนอื่นพูดกับภายนอก ที่เลวร้ายที่สุดคือโศกนาฏกรรมของการสื่อสารที่ทุกบริษัทออกมาเรียกร้องจำนวนมาก และคนที่รู้จริงๆ ว่าพวกเขากำลังพูดถึงอะไรพูดว่า "พวกเขาเป็นการกล่าวอ้างที่น่าหัวเราะ" “แต่มีภาวะที่กลืนไม่เข้าคายไม่ออกของการแข่งขันนี้ หากคู่แข่งของเราบอกว่า 80% และไม่มีทางที่เราคิดว่าพวกเขาจะได้สิ่งนั้น แต่ของเราคือ 50 คุณคิดอย่างไรเกี่ยวกับเรื่องนั้น คุณคิดอย่างไรเกี่ยวกับการอ้างสิทธิ์ที่คุณทำได้และความสมดุลระหว่างปัญหา วิธีแก้ไข และเรื่องราว

“ฉันเจอผลิตภัณฑ์ในตลาดและประเมินการเรียกร้องของพวกเขา และฉันก็แบบ 'มันทำได้จริงเหรอ? คุณประเมินสิ่งนั้นอย่างไร'”

Fergal Reid: ฉันหมายความว่ามันยากมาก ฉันคิดว่าฉันจะแยกการพัฒนาผลิตภัณฑ์ภายในออกจากความสำเร็จในตลาด ด้วยการพัฒนาผลิตภัณฑ์ภายในและสิ่งนี้เป็นจริงในอินเตอร์คอม ถ้าฉันมาและพูดว่า “เฮ้ พวก ฉันค่อนข้างมั่นใจว่าเราสามารถให้ประสบการณ์ผลิตภัณฑ์ที่ดีพอ” อย่างน้อยฉันก็ต้องรับผิดชอบหากปรากฏว่า ไม่ใช่กรณีเลย ดังนั้นภายใน คุณต้องทำงานร่วมกับผู้คนและอธิบายสิ่งต่างๆ ให้ดี แต่อย่างน้อยสิ่งจูงใจก็สอดคล้องกัน

ภายนอกเมื่อผู้คนแข่งขันกันในตลาดด้วยผลิตภัณฑ์แมชชีนเลิร์นนิงเป็นเรื่องยากมาก ฉันเจอผลิตภัณฑ์ในตลาดและประเมินการอ้างสิทธิ์ของพวกเขา และฉันก็แบบว่า “มันทำได้จริงเหรอ? คุณประเมินสิ่งนั้นได้อย่างไร” แม้ว่าฉันจะเห็นงานวิจัยชิ้นใหม่ที่มีแนวโน้มว่าจะมีอะไรที่น่าอัศจรรย์ และมีตัวอย่างว่า "เราพูดสิ่งนี้กับ AI และนี่คือสิ่งที่มันพูดกลับ" คำถามแรกของฉันก็มักจะประมาณว่า ตัวอย่าง? มันทำอย่างนั้น 9 ครั้งจาก 10 ครั้งหรือหนึ่งครั้งใน 10 ครั้ง?” เพราะมันต่างกันมากขึ้นอยู่กับแต่ละคน มักมีนัยนี้เสมอว่า “จริงๆ แล้วการแสดงเป็นอย่างไร” คุณไม่สามารถบอกได้จริงๆ เว้นแต่ว่าคุณจะทำอะไรแบบตัวต่อตัวในที่ที่คุณนั่งลงและเล่นกับมัน ลูกค้าของเรากำลังพิสูจน์แนวคิดและการประเมินแบบตัวต่อตัวมากขึ้น และฉันก็ชอบสิ่งนั้น นั่นช่างวิเศษสุด ๆ. นั่นคือสิ่งที่เราต้องการเห็น

“คุณสามารถ overpromise, underdeliver และดูการเปลี่ยนแปลงบัญชีได้อย่างแน่นอน”

ในแง่ของพื้นที่โดยทั่วไป ฉันคิดว่าคุณเห็นผู้คนเผยแพร่การสาธิตสู่สาธารณะมากขึ้นเรื่อยๆ ผู้คนไปที่ DALL-E 2 และเข้าถึงนักวิจัยอิสระได้ก่อนหน้านี้ หรือพวกเขาเขียนบทความในหนังสือพิมพ์ว่า "นี่คือสิ่งที่สร้างในการทำงานครั้งเดียวบนพรอมต์มาตรฐาน" ที่ช่วยให้ผู้คนเข้าใจ

Des Traynor: มีคำถามว่าคุณต้องการรายได้ประเภทใด เพราะคุณสามารถให้คำมั่นสัญญา ส่งมอบน้อยไป และดูการเปลี่ยนแปลงของบัญชีได้อย่างแน่นอน หรือคุณสามารถพูดว่า “นี่คือสิ่งที่เราคิดว่าเราทำเพื่อคุณได้” เสี่ยงต่อการสูญเสียข้อตกลง แต่รู้ว่าหากพวกเขาเปลี่ยน พวกเขาจะได้รับสิ่งที่พวกเขาเปลี่ยนใจ ฉันคิดว่ามันเป็นโลกที่อันตรายที่จะเข้าไป – ใช้ถนนสูงกับถนนล่าง; นำลูกค้าที่จะได้รับสิ่งที่พวกเขาคิดว่าจะได้รับเมื่อเปรียบเทียบกับการได้รับลูกค้าที่โกรธแค้นจำนวนมากในเดือนที่ 11 เพราะพวกเขาไม่ได้เข้าใกล้สิ่งที่พวกเขาหวังไว้ มันเป็นความท้าทาย

Fergal Reid: มันเป็นความท้าทาย และมีหลายแง่มุมสำหรับความท้าทายนั้น เราต้องจัดการความคาดหวังด้วย การเรียนรู้ของเครื่องดีขึ้นมาก แต่ก็ยังไม่สมบูรณ์แบบ บางครั้งเรามีลูกค้าที่ซื้อ Resolution Bot ของเรา ซึ่งดี ดีที่สุดในระดับเดียวกัน แต่ก็ยังทำผิดพลาดอยู่ ผลิตภัณฑ์ซอฟต์แวร์ทุกชิ้นยังคงทำผิดพลาด ดังนั้นคุณต้องจัดการความคาดหวังจากทุกด้านเพื่อให้มีความสัมพันธ์ที่ดี

Des Traynor: คุณคิดอย่างไรเกี่ยวกับการจัดหาแมชชีนเลิร์นนิงใหม่ ที่ Intercom เรามีทีมที่นำโดยตัวคุณเองซึ่งแยกตัวออกจากทุกทีม จากนั้นเป็นพาร์ทเนอร์เพื่อส่งมอบฟังก์ชันการเรียนรู้ของเครื่อง คิดว่าจะคงอยู่อย่างนั้นเหรอ? คุณคิดว่าทีมควรมีวิศวกร ML ฝังตัวหรือไม่ ทุกทีมที่ Intercom มีนักออกแบบของตัวเอง เราไม่มีทีมออกแบบที่คอยมองหาส่วนเล็กๆ ของการออกแบบที่จะเพิ่มเติม มันสมเหตุสมผลอย่างที่มันเป็นหรือเปล่า? สำหรับผู้ฟังของเราที่นั่น พวกเขาจะจุ่มเท้าของพวกเขาอย่างไร? พวกเขาจะเริ่มต้นด้วยพ็อดประเภท ML โดยเฉพาะหรือพวกเขาจะมีคนหรือไม่ สตาร์ทอัพควรเริ่มนำ ML เข้ามาอย่างไร?

Fergal Reid: ฉันมีความเห็นอย่างมากว่าทีมการเรียนรู้ของเครื่องแบบรวมศูนย์จะดีกว่าสำหรับองค์กรที่มีขนาดของเราหรือเล็กกว่า ณ จุดนี้ในการพัฒนาเทคโนโลยี เรากำลังจัดการกับเทคโนโลยีที่ยังไม่บรรลุนิติภาวะที่นี่ เทคโนโลยีนี้ใช้งานยากและผิดพลาดได้ง่าย มีชุดทักษะที่ทับซ้อนกับทักษะของวิศวกรรมซอฟต์แวร์ วิทยาศาสตร์ข้อมูล หรือการวิเคราะห์ แต่ทักษะเหล่านี้ไม่เหมือนกัน ฉันคิดว่ามันสมเหตุสมผลมากที่จะมีทีมแบบรวมศูนย์ที่สามารถทำงานได้และฝึกฝนทักษะนั้นและเรียนรู้จุดบกพร่อง เนื่องจากผลิตภัณฑ์การเรียนรู้ของเครื่องมีข้อผิดพลาดที่ไม่เหมือนใคร พวกมันมีความน่าจะเป็น ดังที่เราได้กล่าวไปแล้วบางครั้งพวกเขาก็เข้าใจผิด ดังนั้น เมื่อคุณออกแบบหรือสร้างผลิตภัณฑ์แมชชีนเลิร์นนิง คุณต้องเหนื่อยมาก อัตราความถูกต้องดีพอที่จะมอบประสบการณ์ที่ดีให้กับลูกค้าหรือไม่? นั่นเป็นเรื่องยาก

“ผมคิดว่าโมเดลแบบรวมศูนย์ที่เข้าไปช่วยเหลือในแต่ละโปรเจ็กต์คือโมเดลที่เหมาะสมในขณะนี้”

เมื่อคุณพูดคุยกับนักออกแบบ สิ่งหนึ่งที่เรามักจะเห็นคือมันยากสำหรับพวกเขาในตอนเริ่มต้นที่จะเข้าใจแนวคิดที่ว่าคุณไม่สามารถนึกถึงเส้นทางสีทองที่ทุกอย่างถูกต้อง คุณต้องพิจารณาเส้นทางทั้งหมดที่มีสิ่งผิดพลาดและข้อผิดพลาดสามารถสะสมได้ นั่นเป็นเรื่องยาก

เราอยู่ที่จุดตัดที่แปลกประหลาดของวิศวกรรมซอฟต์แวร์ และเราต้องสามารถปรับใช้ผลิตภัณฑ์เหล่านี้กับวิทยาศาสตร์ข้อมูลหรือการวิจัยได้ เราต้องบริหารทีมผลิตภัณฑ์ เราต้องผอมเพรียวและมีประสิทธิภาพ แต่เราต้องทำงานเหมือนทีมวิจัยที่เราสร้างพื้นที่สำหรับนวัตกรรม ใช้เวลาสองสัปดาห์ในการทำงานบางอย่างและมันไม่ได้ไปไหนเลย? ไม่เป็นไร. เราต้องเต็มใจที่จะลงทุนในสิ่งนั้น ดังนั้น ฉันคิดว่าโมเดลแบบรวมศูนย์ที่เข้าไปช่วยเหลือบนพื้นฐานโปรเจ็กต์ต่อโปรเจ็กต์คือโมเดลที่เหมาะสมในขณะนี้

ทำให้มันเป็นจริง

Des Traynor: คุณจัดการกับข้อเท็จจริงที่ว่าคนอย่าง Fergal พูดว่า "เฮ้ พอล เรากำลังจะไปพบกับผลิตภัณฑ์ที่สามารถเปลี่ยนแปลงธรรมชาติของผลิตภัณฑ์สนับสนุนลูกค้าของเรา แต่อาจไม่ได้ผล และ คุณอาจไม่เห็นอะไรในด้านแรกของทั้งหมดนี้” ในเวลาเดียวกัน คนอย่างฉันกำลังพูดว่า “เฮ้ เราต้องทำตามแผนงาน และเราต้องบอกบริษัทว่าเรากำลังสร้างอะไร และบอกทีมขายว่าจะขายอะไร” คุณจะแก้ไขความซับซ้อนนั้นได้อย่างไร?

พอล อดัมส์: ในฐานะที่เป็นคนที่ทำงานมานานหลายปีเกี่ยวกับผลิตภัณฑ์ที่ไม่เคยจัดส่ง ฉันมีเนื้อเยื่อแผลเป็นลึกและลึกเกี่ยวกับการดมกลิ่นของสิ่งของใดๆ ที่จะไม่จัดส่งให้เร็วที่สุดเท่าที่จะเป็นไปได้ ให้เล็กที่สุดเท่าที่จะเป็นไปได้

Des Traynor: นี่คงเป็นอดีตนายจ้างของคุณสินะ ใช่ไหม?

พอล อดัมส์: ใช่ ในการจ้างงานครั้งก่อนของฉันใช่ แต่ตั้งแต่วันแรกที่ Intercom Des กับฉันต่างก็หมกมุ่นอยู่กับการขนส่งสินค้าและเริ่มต้นจากสิ่งเล็กๆ มาโดยตลอด เราหมกมุ่นอยู่กับการกำหนดขอบเขตและดำเนินการบางอย่างให้เร็วที่สุด ซึ่งเป็นวิธีแก้ปัญหาที่เร็วที่สุดที่เล็กที่สุดที่เราพบ ฉันจึงมีความปรารถนาที่จะเป็นอย่างนั้นเสมอ

“ฉันมาจากภาควิชาการ และใครก็ตามที่มีเวลาว่างในแวดวงวิชาการคงเคยเห็นโครงการมากมายที่สัญญาว่าดวงจันทร์ติดอยู่บนไม้เท้าและไม่เคยทำอะไรเลย”

เห็นได้ชัดว่านี่แตกต่างออกไป คำถามหนึ่งที่ฉันชอบให้ Fergal ตอบ – เป็นข้อสังเกตเล็กน้อย แต่ฉันคิดว่ามันสำคัญ – เมื่อคุณตอบคำถามของ Des ก่อนหน้านี้เกี่ยวกับวิธีการที่คุณจัดหาทีมการเรียนรู้ของเครื่อง คุณกำลังพูดถึงวิศวกร ML . สำหรับประวัติทีม ML เกือบทั้งหมดของเราที่นี่ เคยเป็นวิศวกร ML แต่เราเพิ่งจ้างนักออกแบบ ML คุณช่วยบอกเราสั้น ๆ เกี่ยวกับเรื่องนั้นด้วยได้ไหม เพราะฉันคิดว่านั่นเป็นส่วนสำคัญของคำตอบที่นี่ นักออกแบบ ML ทำอะไร และแตกต่างกันอย่างไร

Fergal Reid: นั่นเป็นคำถามที่ยาก นี่คือการเริ่มต้นสัปดาห์ที่สามของเธอ ฉันจึงไม่อยากพูดถึงพอดคาสต์เกี่ยวกับสิ่งที่เธอจะทำก่อนจะคุยกับเธอ...

Des Traynor: ในระดับที่สูงขึ้น คุณคิดอย่างไรกับการออกแบบแมชชีนเลิร์นนิงกับการออกแบบทั่วไป

Fergal Reid: ขอผมกลับคำสั่งอีกครั้ง แล้วจะกลับมาที่นี้ ฉันเกลียดการทำงานในสิ่งที่ไม่ได้จัดส่ง ฉันมีปริญญาดุษฎีบัณฑิต ฉันมาจากสถาบันการศึกษา และใครก็ตามที่เคยเรียนในแวดวงวิชาการคงเคยเห็นโครงการมากมายที่สัญญาว่าดวงจันทร์จะติดอยู่บนไม้เท้าและไม่เคยทำอะไรเลย และส่วนหนึ่งของมันคือของเสียที่จำเป็นใช่ไหม? ต้องลองหลายๆ อย่าง เพราะมันเสี่ยงมาก แต่ส่วนหนึ่งของมันจะไม่ได้ผลเสมอไป ดังนั้นการล้อเล่นสองสิ่งนี้ออกจากกันจึงเป็นกุญแจสำคัญอย่างยิ่งที่นี่ ฉันต้องการให้ทีมแมชชีนเลิร์นนิงสำรวจและเสี่ยงมากที่สุดเท่าที่จะทำได้ ไม่ต้องสำรวจและไม่เสี่ยงเกินความจำเป็น

เราพยายามเหยียบโลกสองใบที่นี่ เราพยายามรักษาหลักการอินเตอร์คอมที่แน่วแน่เหล่านี้: หากคุณกำลังจะล้มเหลว ล้มเหลวอย่างรวดเร็ว เริ่มต้นด้วยปัญหา เริ่มต้นเล็ก ๆ ก้าวเล็ก ๆ เราพยายามอย่างมากที่จะปฏิบัติตามหลักการเหล่านั้น แต่เราทำการวิจัยและทำสิ่งที่เสี่ยงเมื่อเราจำเป็น หากเราค่อนข้างมั่นใจว่าจะมีคนต้องการสิ่งนี้ เราต้องการมีความชัดเจนมากเกี่ยวกับความเสี่ยงที่เรากำลังพยายามกำจัดในทุกขั้นตอนของการพัฒนา ใช่ นั่นคือวิธีที่เราดำเนินการ ฉันจะบอกว่าเราเป็นนักวิจัยมากกว่าทีมอินเตอร์คอมทั่วไป แต่น่าจะรอบคอบมากขึ้นเกี่ยวกับการเคลื่อนไหวในขั้นตอนเล็กๆ และเกี่ยวกับความเสี่ยงที่เรากำลังพยายามลดให้ต่ำกว่าทีม ML ส่วนใหญ่ในโลก แน่นอนมากกว่าทีมวิจัยที่มักจะเป็น

With that in mind, we've recently hired a designer for the first time in the five years we've had a machine learning team. That's partly because the team is getting a bit bigger and can kind of support that, and since our team has grown, our work is touching more and more parts of the Intercom product, and we can do better than handling the product design ourselves and having a ML engineer figure out the product design envelope. We'll be able to increase the scope of things we can interact with less with disruption to the teams in whose area we're operating.

“Even when you're doing something as simple as testing a ML system, what if it's not working the way you expected? To unpack that, you've got to be willing to engage with a lot of complexity”

Des Traynor: Is it a different type of design?

Fergal Reid: There is definitely a certain type of design specific to ML and ML products. And we can see this when we're interviewing or interacting with designers in this space. There's sort of a product design or a systems design, and a lot of the time, its aspects are closer to API design than UI design. And obviously, there's a big spectrum here. We have a great design team at Intercom. We have people used to working in all different parts of that spectrum. But there's definitely a difference.

And also, you're looking for quantitative skills to make progress in this space. It's very immature technology. There will come a time, I'm sure, in five, 10 years, I don't know, when Amazon and Google and everyone will have figured out the best API. And it's going to have really nice docs and explain to you all the premises of that space, but we're not there yet. We're a very, very long way away from there. There are just so many trade-offs. Even when you're doing something as simple as testing a machine learning system, what if it's not working the way you expected? To unpack that, you've got to be willing to engage with a lot of complexity. Some designers are great at that, but for other designers, that wouldn't be how they'd like to work. And so, you're looking for something that treads all those needles at once.

The future of conversations

Des Traynor: We're coming towards the end here. I would like to try a little quick-fire round that I haven't prepared you for at all.

Fergal Reid: Sounds good.

Des Traynor: Here's my proposal. I name a product or a product space, and you tell me something that you think is possible that people don't think about.

Fergal Reid: Oh my God. ตกลง. This is going to be futuristic and speculative and wrong, but let's do it.

Des Traynor: Let's start. Issue tracking.

Fergal Reid: A lot like customer support. You can probably do a lot more with clustering issues and detecting when a bunch of issues have one root cause. You can probably do much better in terms of the next best action about suggestions and resolutions for common issues you've seen before.

“We're heading for a future where any suggestions, smart replies in our inbox, or the Gmail-style ahead suggestions are starting to become an agent”

Des Traynor: Cool. This is going well. Project management apps. Say Basecamp or Asana or something like that.

Fergal Reid: Project management apps. Probably an insights layer, and you can build on top of that stuff. People always say that. It's always easy to say and extremely difficult to make an insights product work, but it's probably an insights layer. There's probably a lot you can do with unstructured assets that are part of the project you're tracking, and you can start to make sense of those that you couldn't in the past. Definitely field research, but there's probably something there.

Des Traynor: Cool. Paul, do you have any?

Paul Adams: Well, one hot space we mentioned earlier is communication products. I'm thinking about Gmail, for example. Gmail was the same for the best part of a decade. And now, suddenly, it feels like there's an explosion in all sorts of cool things happening in Gmail.

Fergal Reid: This is going to sound very self-serving, but I think that the sort of domain we're in at Intercom is going to drive a lot of extremely exciting innovation that is going to percolate out to broader, more horizontal products like Gmail. To give an example of why I think this: if you look at our customers as they use Intercom, they're having so many of the same conversations again and again. There's so much structure in that domain. It's this mix of unstructured texts that they're writing, but then there's so much structure to the conversation, whereas Gmail is broad and horizontal. If you look at my inbox, any email could be completely different than the last. So, I feel that companies like us working in areas like customer support are going to be in a great position to innovate because there's just so much structure to take advantage of there. You're going to have suggestions, recommendations, and automation. And I think that will percolate out. That will go out to these broader, more horizontal products after it has proven its business value. We're heading for a future where any suggestions, smart replies in our inbox, or the Gmail-style ahead suggestions are starting to become an agent. It's starting to scratch that direction, and we're going to see more and more of that.

Paul Adams: It's easy for me to imagine a world where a WhatsApp exchange between any one of us is literally just tap, reply. Tap, reply. Tap, reply.

Des Traynor: We're trying to go for dinner. Here are four places. Bang. What time? Bang.

Paul Adams: But literally, you're just inserting the recommended content.

“If you ever wonder what the future looks like, put the two humans doing the task where one person's allowed to touch the computer and the other isn't, and see how those two humans interface”

Fergal Reid: Now, is the future of the inbox something where you're sitting almost looking at this dashboard of a conversational tree unfolding and your job is to guide the AI to answer questions for you? Maybe the future of coms and conversations looks a lot less like typing on a keyboard. You're still going to do that sometimes, but maybe 80% of what you do will be much more structured, like guiding the branches on a tree.

Des Traynor: The AI stops augmenting you, you start augmenting it.

Fergal Reid: Exactly, which is good. It's almost like you're managing somebody who's answering your conversations. And that's always my number one thinking tool for AI disruption. Imagine you had a very well-paid, smart human doing the task, and you told them what to do. What would that look like? People were like, “Oh, there'll never be software that automatically programs, or it will never have visual programming. We've tried it a whole bunch of times.” Well, I used to do programming competitions, and if you have a highly skilled developer, you don't say the exact keystrokes. You say, “Oh, now flip the list around. ตกลง. And then filter out those two things.” If you ever wonder what the future looks like, put the two humans doing the task where one person's allowed to touch the computer and the other isn't, and see how those two humans interface. That's a great starting point for where AI could take us.

Des Traynor: That's fascinating. Okay, last question. You mentioned that AI is a disruptive force. If our listeners haven't already embarked upon an AI, ML journey, and let's say they have the budget for a couple of heads, what's the best thing to do?

Fergal Reid: Like any disruptive tech change, the first question is always: Is it still worth ignoring? And how long can you ignore it for? And I'm not saying to race and do something now. Maybe you're in a space where you should continue to ignore this as it matures for another few years. If you can't ignore it, or if you want to do something in this space, I would say to concentrate your resources and your budget and get someone who's got some deep experience at the tech end and enough of a product head on their shoulders that they can go and work with your product team productively. And start exploring opportunities from there. Start building relationships with the designers and the company. Start sketching and figuring out, “Okay, what would be possible to design here?” And start mocking up some designs. Do they look exciting? Do they look good? Show them to your customers. Get customer feedback and take it from there.

After that, you're into the standard product development – how do you know how to resource something or not? But yeah, concentrate your resources and get someone who knows what you're doing as much as possible, and then have them pair with your existing organizational assets. Don't go and say, “We're going to do some blue sky thinking. We're going to start a new lab and put it off-site, and they're going to go and build nothing for two years, and it'll be very impressive.” No, definitely tread that balance. That's what it's all about. It's about marrying and balancing technology and design.

Des Traynor: Fergal Reid, thank you very much for joining us. Thank you, Paul. And we'll see you all again for Intercom on Product. Take care, everyone.