راز به دست آوردن قلب مشتریان با هوش مصنوعی: هوش انسانی را اضافه کنید

The Secret to Winning Customers’ Hearts With Artificial Intelligence: Add Human Intelligence

مقدمه
هوش مصنوعی دیگر برای مشتریان بیگانه نیست
مزایای انسان مانند هوش مصنوعی برای مشتریان مفید است
مصرف کنندگان در طراحی هوش مصنوعی خواهان شفافیت هستند
مشتریان می خواهند از حضور انسان اطمینان داشته باشند
نکات ظریف در رابطه با ترجیحات مشتریان در بسیاری از سازمان مورد توجه قرار نگرفته است
اطمینان از رفع نگرانی های اساسی مشتریان برای نوآوری های هوش مصنوعی
تبدیل کردن هوش مصنوعی به یک اولویت راهکاری
مقیاس کردن ارتباطات حاصل از هوش مصنوعی به صورت جهانی
آگاه نگاه داشتن مشتریان
ایجاد انگیزه برای تشویق به استفاده بیشتر از ارتباطات حاصل از هوش مصنوعی
نتیجه گیری
بحث گروه تمرکز
منابع

مقدمه
هوش مصنوعی (AI) برای مشتریان تجربه ای خوشایند را فراهم نمی کند. سازمان ها به صورت فزاینده ای ربات های گفتگویی را به منظور فراهم کردن خدمات برای مشتریان مورد استفاده قرار می دهند. فرودگاه های سراسر جهان در اندرویدهای موبایلی سرمایه گذاری می کنند که در زمینه مسیرها به مسافران یاری می رسانند. هتل ها در کنترل های اتاق ها از دستیارهای صوتی استفاده می کنند. روبات گفتگوی اجتماعی مایکروسافت در چین، Xaiolce، در حال حاضر بیش از 200 میلیون کاربر دارد، که پس از گذشت 10 ماه از راه اندازه ای آن 600.000 تماس انجام شده است.

چگونگی مشارکت مصرف کنندگان با کسب و کارها بطور چشمگیری در حال تکامل است. همانطور که در تحقیقات پیشین در مورد پرونده های استفاده از AI مشاهده کردیم، سازمان ها از این فناوری برای دستیابی به مجموعه ای از اهداف کاری استفاده می کنند، شامل: تاثیر گذاشتن روی فروش، سرعت بخشیدن به عملیات ها، ایجاد تعامل با مشتری ، و جمع آوری دیدگاه ها. به طور خاص به منظور درک اثر AI روی تجربه مشتریان، این تحقیق جهانی را انجام داده ایم:

• هدف: کشف چگونگی درک مشتریان از AI و اینکه تصور می کنند کدامیک از تعاملات از سوی انسان ها نسبت به AI و ترکیبی از AI و انسان ها، بهتر انجام خواهند شد.

• رویکرد: ممکن است که مصرف کنندگان از چگونگی استفاده از اطلاعاتشان برای AI و هنگامی که به جای یک انسان با یک رباط گفتگو ارتباط برقرار می کنند آگاهی نداشته باشند. بنابراین، به منظور اطمینان، ما اطلاعات دریافتی از سوی 10.000 مشتری را مورد بررسی قرار داده، و اطمینان حاصل کردیم که تعاریف ما بسیار شفاف بوده و مشتریان موقعیت های متفاوتی را درک کرده که در آن AI به عنوان یک مورد تعاملاتی و یا به عنوان یک وسیله مورد استفاده قرار گرفته است. ما همچنین بیش از 500 نفر از مدیران سازمان های پیشرو را علاوه بر انجام بحث های گروه متمرکز با مصرف کنندگان ، و مصاحبه با کارشناسان صنعت و دانشگاهیان بررسی کردیم. روش تحقیق در انتهای این گزارش جزئیات بیشتری را ارائه می کند. ما متوجه شدیم مشتریان به صورت فزاینده ای در حال آگاهی پیدا کردن از استفاده از AI توسط سازمان ها هستند، مشتریان آن را دوست داشته و به درک بیشتری از زمان و چگونه استفاده از آن در کنار انسان ها دست یافته اندن. در این گزارش، ما:

1. به بررسی دیدگاه مشتریان در رابطه با AI و انتظارات آن ها از سازمان در زمان ارتباط از طریق یک AI پرداختیم.
2. به ارزیابی چگونگی استفاده از AI توسط سازمان ها در زمینه تجربه مشتریان پرداخته و هنگامی به هدف و انتظارات مشتریان درست پیدا نمی کنند.
3. راهکارهای پیشنهادی برای تقویت تجربه مشتری در جهان AI.
55 درصد از مشتریان ترجیح می دهند تا با ترکیبی از AI و انسان گفتگو کنند.

مزایای انسان مانند هوش مصنوعی برای مشتریان مفید است
آنچه که مشتریان از هوش مصنوعی می خواهند به صورت فزاینده ای در حال مشخص تر شدن است. مشتریانی که از ویژگی های انسانی اطمینان دارند 64 درصد بوده و تمایل دارند که هوش مصنوعی بیشتر مانند انسان ها باشد، و 62 درصد با صدای انسان مانند و هوش آن احساس راحتی می کنند، به بیان دیگر، توانایی انجام یک مکالمه منطقی، پاسخ دادن به سوالات بعدی، ارائه اطلاعات اضافی، و غیره (شکل 2). با این حال، مشتریان همچنین نگران بوده و می خواهند سازمان ها هنگامی که آن ها با یک ماشین ارتباط برقرار می کنند شفاف سازی کنند.

یک شرکت کننده در گروه تمرکز ایالات متحده ما عنوان کرد: «من تصور می کنم اگر صدای آن اندکی بیشتر انسانی و واقعی بود بهتر بود . . . [اما] هنوز هم می خواهم زمانی که با یک ماشین صحبت می کند آگاه شوم».

انریکو ماریا باگناسکو ، رئیس نوآوری های فناوری در تلکام ایتالیا اظهار می کند: «یک ترس منطقی وجود دارد که اگر مکالمه به اندازه کافی طبیعی نباشد، مردم همواره عوامل مجازی را کنار گذاشته و به دنبال یک عامل انسانی خواهند گشت. این برای پروژه یک شکست خواهد بود. بنابراین، انتظارات برای یک ارتباط خوب و طبیعی نسبتاً بالا هستند، تا مشتریان با ربات احساس راحتی کنند.»

جوانب معنایی در تحليل احساسات

Semantic Aspects in Sentiment Analysis

1- مقدمه

2- منابع معناشناختی برای تحلیل احساسات

2-1- منابع کلاسیک احساسات

2-2- فراتر از ظرفیت قطبیت: واژگان هیجان، هستی شناسی ها، و منابع روانی-زبانی

2-3- مجموعه نوشته های شبکه های اجتماعی تفسیر شده برای احساسات و طبقات هیجانات خوب

3- استفاده از معناشناسی در تحلیل احساسات

3-1- اطلاعات واژگانی

3-2- معناشناسی توزیعی

3-3- نهادها، خصوصیات، و روابط

3-4- تحلیل احساسات سطح مفهوم: استدلال با معناشناسی

4- نتیجه گیری ها

مقدمه

این حقیقت که معناشناسی باید نقش مهمی را در تفسیر احساسات متن بازی کند نسبتاً واضح است، حتی اگر فقط معنای ساده کلمات خیلی اخباری و بارز باشند (“من آنرا دوست دارم” در مقابل “من از آن متنفرم”). البته حداقل به دو دلیل، چیزها آنقدرها هم ساده و واضح نیستند: (1) تعریف، کشف، و استخراج اتوماتیک معنا خیلی آسان نیست، و (2) تحلیل احساسات (خصوصاً در توسعه های اخیر) اغلب مربوط به متمایز سازی نظرات مثبت از نظرات منفی نیست.

در عملیات هدفمند SemEval 2015، چهار وظیفه مشترک در “روش تحلیل احساسات” سازماندهی شد: یک وظیفه عمومی در مورد تحلیل احساسات در تویتر (وظیفه 10، با چهار وظیفه فرعی)، یک وظیفه متمرکز بر زبان تمثیلی با عنوان “تحلیل احساسات زبان تمثیلی در تویتر” (وظیفه 11)، یک وظیفه تحلیل احساسات جنبه-محور (وظیفه 12) که سیستم ها می بایست جنبه های نهادها و احساسات بیان شده برای هر جنبه را شناسایی می کردند، و یک وظیفه نسبتاً متفاوت متمرکز بر قطبیت رویدادها با عنوان “قطبیت ضمنی CLIPEval رویدادها” (وظیفه 9). در SemEval 2016 جاری، وظیفه ای هم در مورد شناسایی حالت در تویت ها وجود دارد (وظیفه 6) (بعبارت دیگر، شناسایی جایگاه مؤلف با توجه به یک هدف معین [مخالف، موافق، بیطرف])، و یک وظیفه هم در مورد تعیین شدت احساسات (وظیفه 7). بعضی از این وظیفه ها سری داده هایی را در بیش از یک زبان فراهم می سازند. همچنین یک وظیفه مشترک در مورد تحلیل احساسات در سطح مفهوم بتازگی در محتوای کنفرانس اینترنتی معنایی اروپا سازماندهی شده است. این عمل پر شور جاری برای تحریک تحقیق، منابع، و ابزارها در این حوزه توسط سازماندهی وظایف فراوان تر و پیچیده تر، نه تنها به ما می گوید که علاقه به تحلیل احساسات رو به رشد، بلکه همچنین به ما می گوید که تحلیل احساسات دیگر فقط در مورد شناسایی این مسئله نیست که یک بازبینی یا تویت معین بصورت عینی است یا فردی؛ و اگر فردی است، آیا مثبت است یا منفی. در واقع تحلیل احساسات نیازمند یک تحلیل و تفسیر پیچیده تر از پیام هایی است که آنها هم به نوبه خود باید بر پردازش و درک عمیق تری متکی باشند. بنابراین اگرچه درست است که معناشناسی و پردازش معنایی نقش مهمی را در این مسئله بازی می کنند، اما ما باید از چندین دیدگاه مختلف ببینیم که این چطور رخ میدهد.

نتیجه گیری

ما این مقاله را با بیان این مسئله آغاز می کنیم که چه مقدار علاقه و تحقیق در تحلیل احساسات در چند سال گذشته افزایش پیدا کرده است. ما بر این مسئله تأکید کرده ایم که در عملیات های هدفمند SemEval اخیر، وظایف خیلی پیچیده تر از طبقه بندی قطبیت مبنا پیشنهاد شده است. و در اینجا منظور از ما از پیچیدگی، تفسیرهای ریز ساختار احساسات است که مربوط به کاربردهای تمثیلی مانند کنایه است، یا می توان آنرا به این جداسازی ربط داد که کدام نهادها یا خصوصیات نهاد در واقه در جمله بیان شده در نظر خواهی، مورد تمرکز بوده اند. این مسئله در ایجاد منابع هم منعکس می گردد، که ما مشاهده کرده ایم که مجموعه نوشته ها در تفسیر خود برای شامل سازی قطبیت در سطح جمله توسعه داده شده اند، که قبل از این در سطح اسناد جهانی یا سطح نهاد یا سطح پیام انجام می شد.

INTRODUCTION

The fact that semantics must play a crucial role in the sentiment interpretation of text is rather obvious, as even just considering the plain meaning of words can be very indicative (“I liked it” vs. “I hated it”). However, things are not that simple or straightforward for at least two reasons: (1) meaning is not so easy to define, detect, and extract automatically, and (2) sentiment analysis is often not just a matter of distinguishing positive from negative opinions, especially in recent developments.

In the 2015 SemEval campaign, four shared tasks were organized within the Sentiment Analysis track: a rather general task on sentiment analysis in Twitter (task 10 [1], with four subtasks), a task focused on figurative language, entitled “Sentiment Analysis of Figurative Language in Twitter” (task 11 [2]), an aspect-based sentiment analysis task (task 12 [3]), where systems had to identify aspects of entities and the sentiment expressed for each aspect, and a rather different task focused on events’ polarity, entitled “CLIPEval Implicit Polarity of Events” (task 9 [4]). Within the ongoing SemEval 2016, there is also a task on detecting stance in tweets (task 61)—that is, detecting the position of the author with respect to a given target (against/in favor/neutral)—and one on determining sentiment intensity (task 72). Some of these tasks provide datasets in more than one language. Additionally, a shared task on concept-level sentiment analysis has been organized recently in the context of the European Semantic Web Conference [5]. This fervent, current action on stimulating research, resources, and tools in this field by organizing more numerous and more complex tasks tells us not only that interest in sentiment analysis is growing but also that sentiment analysis is no longer just about detecting whether a given review or tweet is objective or subjective, and in the latter case it is whether positive or negative. Rather, it requires a more complex analysis and interpretation of messages that in turn must rely on deeper processing and understanding. Thus although it is true that semantics and semantic processing play a crucial role in this, we must see how this happens, from several points of view.

CONCLUSIONS

We started this contribution by pointing out how much interest and research in sentiment analysis have grown in the past few years. We have highlighted that in the recent SemEval campaigns tasks more complex than basic polarity classification have been proposed. And complexity here means finergrained interpretations of sentiment, be it related to figurative uses such as irony or be it related to singling out which entities or entity properties are actually in focus in an opinionated statement. This is also reflected in resource creation, where we have seen that corpora have been extended in their annotation to include polarity at the sentence level, where before this was done at the global document level, or at the entity level, where before it was done at the message level.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

جوانب معنایی در تحليل احساسات

Semantic Aspects in Sentiment Analysis

بکارگیری اطلاعات قضایی و قوانین در سیستم هایی با پشتیبانی تصمیم گیری قضایی اختیاری

The Application of Judicial Intelligence and ‘Rules’ to Systems Supporting Discretionary Judicial Decision-Making

چکیده
1- مقدمه
2- اصلاحات بین المللی در محکومیت
3- پشتیبانی کامپیوتری برای کمک به تصمیم گیری محکومیت
3-1- فکر کردن در مورد مدل سازی اختیار قضایی
3-2- سیستم های اطلاعاتی محکومیت
4- چگونه ارائه دانش می تواند کاربرد سیستم های تصمیم گیری برای قضات را افزایش دهد؟
4-1- نقطه ضعف پارادایم تحلیلی قانونی
4-2- نمای کلی و توضیح جامع شباهت
4-3- آیا یک رویکرد شماتیک – جامع ساده گرا است؟
4-4- اطلاعات قضایی و سابقه کیفری
گزینه الف- گروه بندی های تنظیم شده با توجه به جدیت گسترده
گزینه ب- کاهش ساده اطلاعات موجود
گزینه ج: عملیات منطقی “AND” و “OR”
گزینه د- مدلسازی آماری سابقه کیفری قبلی
5- آیا این کار می تواند انجام شود (یک رویکرد شماتیک جامع قابل اجرا و باز برای مدل سازی با فناوری کامپیوتر)؟
5-1- ویژگی قضایی ؟
5-2- آیا این دیدگاه کیفی می تواند مدل سازی شود؟ (تفکر مجدد در مورد قوانین و اختیار)
منابع

چکیده

در این مقاله رویکرد های تولید سیستم های پشتیبانی برای تصمیم گیری قضایی اختیاری در محکومیت به طور انتقادی مورد بررسی قرار می گیرند. هدف این مقاله تلاش برای توضیح ماهیت تصمیم گیری قضایی اختیاری و نحوه اطلاع رسانی اعمال اختیار قضایی در مدل به واسطه پژوهش علمی می باشد. با خلاصه کردن توسعه سیستم های پشتیبانی تصمیم گیری برای محکومیت قضایی در زمینه موضوعات جهانی در رابطه با اصلاحات محکومیت، این مطالعه بر تلاش های مختلف برای تولید سیستم های پشتیبانی تصمیم گیری در محکومیت متمرکز است. سپس، به طور خلاصه، دو مسئله کلیدی (تأثیر و اقتدار نهادی) مورد بررسی قرار می گیرند که ممکن است در تعیین پشتیبانی آینده این سیستم ها نقش داشته باشند. اگر سیستم های پشتیبانی تصمیم برای قضات، آینده ای داشته باشند، نباید فقط در سطح نهادی پذیرفته شوند، بلکه باید به عنوان یک سیستم ارزشمند توسط افرادی در نظر گرفته شوند که برای آن ها طراحی شده است. بنابراین، به کارگیری اطلاعات قضایی اجتناب ناپذیر است. اساس فرآیند تصمیم محکومیت قضایی، مفهوم شباهت بین پرونده ها است. بنابراین، این شباهت چگونه باید توضیح داده شود؟ از نظر سنتی، توضیحات شباهت بر اساس پارادایم قانونی- تحلیلی ارائه می شوند. به طور خاص، بلوک های ساختار اساسی اطلاعات موردی در نظر گرفته شده اند («جرم» و «مجرم» و عوامل «تشدید و تخفیف»). اعتقاد بر این است که سیستم های مبتنی بر یک پارادایم قانونی- تحلیل از نظر نمایش خود در فرآیند تصمیم محدود هستند. گفته می شود که ممکن است این محدودیت ها با استفاده از رویکردی غلبه پیدا کنند که نشان دهنده یک طرح غیر رسمی درک که توسط تصمیم گیرندگان به کار می رود و همچنین نشان دهنده شیوه جامعی است که بر اساس آن در مورد یک پرونده فکر می شود. بنابراین، اعتقاد بر این است که تصمیم گیری قضایی در مدل سازی از طریق استفاده از فناوری کامپیوتر انعطاف پذیر است، اما مفهوم ما از اطلاعات قضایی که این فناوری بر اساس آن قرار دارد، باید مجددا مدل سازی شود.

5-2- آیا این دیدگاه کیفی می تواند مدل سازی شود؟ (تفکر مجدد در مورد قوانین و اختیار)

برای تلاش در جهت نشان دادن محکومیت با توجه به یک مدل ریاضی مرتبط با افزودن و حذف عوامل مستقل، یک مقاومت قضایی وجود دارد (لاوگرو 1989؛ کاپاردیس 1987؛ ویلکینز و همکاران 1978). هر چند این می تواند با استفاده از مفهوم استقلال قضایی توضیخ داده شود (به عنوان مثال آرمیتاژ 1995) ، می تواند از نظر دشواری در تلاش برای توجه حقوقی و تحلیلی به تصمیم های آن ها درک شود. قضات پرونده ها به عنوان یک کل در نظر می گیرند. آیا این بدان معنی است که استفاده از دیدگاه شماتیک جامع برای استفاده از مدل پشتیبانی از تصمیم گیری در محکومیت، با استفاده از کامپیوتر، غیر رسمی، بی نظم و نامحسوس است؟

Abstract

This article critically examines approaches to the production of systems of support for discretionary judicial decision-making in sentencing. The aim of the article is to attempt to illuminate the character of discretionary judicial decision-making and how academic research has informed the attempt to model the exercise of judicial discretion. Briefly placing the development of decision support systems for judicial sentencing in the context of world-wide themes in sentencing reform, the article proceeds to focus on various attempts to produce systems of decision support for sentencing. It then briefly explores two of the key issues (‘impact’ and ‘institutional authority’) which may determine the future support of such systems. If systems of decision support for judges are to have a future then they must not only be accepted at an institutional level, but also be seen as valuable by those for whom they are designed. Thus, the application of ‘judicial intelligence’ is unavoidable. Underlying the judicial sentencing decision process is some conception of ‘similarity’ between cases. How, then, should this ‘similarity’ be represented? Traditionally, representations of similarity have tended to be informed by ‘the legal-analytical’ paradigm. The supposedly basic building blocks of case information (‘offence’ and ‘offender’ and ‘aggravating and mitigating’ factors) are critically considered. It is argued that systems based on a ‘legal-analytical’ paradigm are limited in their representation of the decision process. These limitations, it is suggested, may be overcome by adopting an approach which tries to represent the informal schema of understanding which decision-makers employ and the holistic way in which they think about a case. It is argued, therefore, that judicial decision-making is amenable to modelling through the use of computer technology, but that there is a need to re-model our conception of judicial ‘intelligence’ on which such technology relies.

5-2- CAN SUCH A QUALITATIVE PERSPECTIVE BE MODELLED? (RE-THINKING RULES AND DISCRETION)

There has been judicial resistance to the attempt to represent sentencing according to some mathematical model associated with the addition and subtraction of ‘independent’ ‘factors’ (Lovegrove, 1989; Kapardis, 1987; Wilkins et al., 1978).Although this might be explained by the invocation of the concept of ‘judicial independence’ (e.g., Armytage, 1995), it can also be understood in terms of the difficulty in trying to account logically and analytically for their decisions. Judges stress their treatment of cases as a ‘whole’ and an intuitive ‘feel’ for individual cases. Does this mean that the use of a schematic-holistic perspective to try to model decision support in sentencing is in fact too informal, amorphous and intangible to be modelled by a computer?

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بکارگیری اطلاعات قضایی و قوانین در سیستم هایی با پشتیبانی تصمیم گیری قضایی اختیاری

The Application of Judicial Intelligence and ‘Rules’ to Systems Supporting Discretionary Judicial Decision-Making