Tekoälyn hyödyntäminen asiakaspalvelussa : nyt ja tulevaisuudessa
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.039 | 0.012 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".