Tekoälyn hyödyntäminen asiakaspalvelussa : nyt ja tulevaisuudessa
Notice bibliographique
Résumé
Työssä selvitettiin tekoälyn hyödyntämisen tasoa asiakaspalvelussa. Lisäksi tutkittiin minkälaisilla mittareilla tekoälyn hyötyjä voisi mitata sekä minkälaisia eettisiä haasteita tekoälyn hyödyntämisessä on. Tavoitteena oli saada selville, pystyykö tekoäly korvaamaan ihmisen asiakaspalvelussa tai ainakin ihmisen tekemää työtä. Tätä lähestyttiin asiakaskokemuksen kautta, sillä hyvä asiakaskokemus kertoo parhaiten, miten asiakaspalvelu on ratkaissut kompleksisia ongelmia. \n \nTutkimus suoritettiin kvalitatiivisena kirjallisuuskatsauksena käyttäen hermeneuttista kehää. Hermeneuttisen kehän myötä kirjoittajan ymmärrys tutkittavasta aiheesta kehittyi työn edetessä ja ennakkoluulot aiheesta muuttuivat mahdollisimman objektiiviseksi näkemykseksi. \n \nTutkimuksen myötä selvisi, että tekoäly korvaa muutamissa suurissa yrityksissä maailmalla jo hyvin paljon asiakaspalvelutyötä, mutta samaan aikaan se on kykenemätön ratkaisemaan kaikkein kompleksisimpia tilanteita asiakkaiden kanssa. Asiakaspalvelu vaatii reklamaatiotilanteissa ajoittain asiayhteyden ulkopuolista ajattelua ja/tai sääntöjen rikkomista ongelman ratkaisemiseksi. Tekoäly sen sijaan toimii aina asetettujen raamien puitteissa. Tekoälyn käytön eettiset ongelmat ovat samat kuin muillakin ja ne korostuvat yksityisyyden suojan osalta. Asiakaspalvelun mittarit sopivat tekoälyn mittaamiseen ja ne kärsivät pääsääntöisesti vähemmän vinoumista, kuin ihmisten työtä mitatessa. Työssä selvisi myös, että ihmisen korvaaminen tekoälyllä ei välttämättä ole yrityksen kannalta edes paras ratkaisu. Tekoälyn ja ihmisen vahvuudet ja heikkoudet täydentävät toisiaan ja niiden yhdistäminen on usein kannattavampaa.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 0,012 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».