Steeds betere algoritmen en een groeiende databerg: de ideale leerschool voor kunstmatige intelligentie. Wat gebeurt er als systemen met behulp van spraakherkenning doorlopend meeluisteren met wat klanten en medewerkers tegen elkaar zeggen? Deel 2 van een gesprek met Arjan van Hessen (Telecats/Universiteit Twente) over de inzet van slimme technologie in klantcontact, waarin we ook een blik op de toekomst werpen.

Veel gestelde vraag in de wereld van klantcontact: gaan computers menselijke taken overnemen? “Computers kunnen analyseren, in toenemende mate voorspellen en zullen in de toekomst gaan adviseren,” stelt Arjan van Hessen (Head of Imagination, Telecats/Universiteit Twente). “Maar eerst zal er een periode aanbreken waarin computers in toenemende mate mensen gaan ondersteunen. “Kunstmatige Intelligentie (KI) is een proces waarbij de computer ‘leert’ om input te koppelen aan output. Een bekend voorbeeld is het leren herkennen van plaatjes met poezen.” Bij die herkenning gaat het om het classificeren van informatie; het doel is om te komen tot een uitkomst waar we als mensen wat mee kunnen. Van Hessen licht toe: “Ook wanneer kunstmatige intelligentie ons adviseert, is het de mens die de context bepaalt. Denk aan KI in klantcontact: is het de bedoeling zo veel mogelijk klanten te adviseren of klanten zo goed mogelijk te adviseren? Het bepalen van dat einddoel heeft ook gevolgen voor eerdere fasen in dat proces.”

Kunstmatige intelligentie: de mens bepaalt het doel

KI-oplossingen winnen aan toepasbaarheid als ze in staat zijn te leren. Hiervoor heeft een KI-oplossing een grote hoeveelheid materiaal nodig om mee te werken. “Door van iedere resultaat bij te houden of het goed of fout was en bij fouten ook op te slaan wat het juiste resultaat had moeten zijn, kan een trainingscorpus worden gemaakt. Daarmee kan het systeem opnieuw getraind worden, zodat de volgende keer de kans op fouten weer kleiner is. Door bij te houden wanneer een trainingsset gemaakt is en meer gewicht aan nieuwere sets toe te kennen, kunnen systemen bovendien inspelen op veranderende omstandigheden.”

Omdat in klantcontact doorlopend enorme hoeveelheden informatie worden gegenereerd, leent klantcontact zich uitstekend voor KI-oplossingen. Spraakherkenning kan hierbij een middel zijn om de invoer – de spraak – om te zetten in tekst. Daar kunnen eventueel zogenaamde emotionele ‘markers’ aan worden toegevoegd, zoals toonhoogte, volume en spreeksnelheid. Deze output van de spraakherkenner wordt vervolgens, meestal samen met zoveel mogelijk andere parameters (tijd, datum, eigenschappen van de beller) gebruikt als de input voor de KI-engine.

Een lerend systeem

Vragen en opmerkingen van klanten kunnen met spraakherkenning worden geanalyseerd, maar de uitkomsten van dat proces kunnen ook weer worden gebruikt door een KI-toepassing, bijvoorbeeld door met een automatisch gegenereerd antwoord te komen. Ook hier geldt weer dat de ontwerpers van het KI-systeem van te voren zullen moeten definiëren wat de gewenste output is. Van Hessen: “Een doel kan bijvoorbeeld zijn bellers zo goed mogelijk te voorzien van een antwoord, zoveel mogelijk cross-selling te realiseren, of om de beltijd zo laag mogelijk te houden. Het is dus het doel, de vastgestelde output, die de eisen stelt aan het ‘leren’ door de computers.”

“Hoewel spraakherkenning zo goed is geworden dat we deze technologie in allerlei mobiele apps en software terugzien, is spraakherkenning niet iets dat kan worden aangezet waarna je alle menselijke medewerkers vervolgens naar huis kunt sturen. Spraakherkenning is beslist niet feilloos maar ook de klant is dat niet. Soms stellen bellers twee vragen in één zin of formuleren ze een vraag zo dat zonder nadere verduidelijking het ook voor ervaren medewerkers niet duidelijk is wat ze precies bedoelen. Het duiden van de vraag achter de vraag is voorlopig iets waar mensen nog wel beter in zijn.”

Van herkennen naar begrijpen

De inzet van kunstmatige intelligentie is dus veelbelovend, maar er zijn ook nog wat hobbels te nemen. Van Hessen: “Taal is een complex verschijnsel en er zit nog steeds een grote uitdaging in het correct begrijpen van de spraak. Voor mensen is direct duidelijk wat het verschil is tussen ‘Jan zoent Marie’ en ‘Marie zoent Jan’, maar voor de computer bevatten beide uitspraken dezelfde woorden. Computers hebben ook nog steeds grote moeite met een ambigue zin als ‘Jan ziet Marie met de verrekijker’.”

Om dit soort problemen te kunnen oplossen is het nodig dat de computer de herkende tekst grammaticaal analyseert, dus bepaalt wat onderwerp, lijdend voorwerp en de relatie tussen die twee is. In de taaltechnologie wordt dit een tripple genoemd: subject, object en predicaat; onderdelen van de standaard die bekend staat als Resource Description Framework. De mogelijkheden van RDF en Tripples zijn zeer krachtig, zoals onderstaand Newsreader-filmpje laat zien, maar het zal nog even duren voordat deze technologie de contactcenterwereld in zal rollen.

Toepassingen van KI in klantcontact: in verschillende fasen

De resultaten van spraakherkenning – in de vorm van herkende tekst – worden al gebruikt in verschillende onderdelen van het klantcontact. Van Hessen legt uit: “Het klantcontactproces bestaat uit verschillende onderdelen en fasen en voor iedere fase bestaan andere toepassingsmogelijkheden van spraakherkenning. Door hun ‘persoonlijke gegevens’ in te spreken kunnen klanten in veel gevallen zonder menselijk tussenkomst geïdentificeerd worden. Bij deze identificatie kan je bijvoorbeeld werken met spraakherkenning van postcode en huisnummer. Dit biedt de mogelijkheid om de medewerker direct en geautomatiseerd de relevante klantgegevens te presenteren voordat hij/zij het gesprek aanneemt.”

Een volgende stap is dat naast identificatie ook de vraag van de klant als input wordt gebruikt., bijvoorbeeld door de klant te verzoeken om kort in te spreken wat de vraag of het onderwerp van het contact is. Van Hessen: “Het antwoord kan gebruikt worden om de belreden te classificeren en dat maakt het mogelijk om het gesprek zonder menselijk interventie naar het juiste team te routeren. Ook kan je op deze manier op voorhand relevante informatie aan de medewerker presenteren. Bij classificatie van de vraag of het onderwerp zijn we inmiddels in staat in 90 procent van de gevallen de vraag correct te classificeren op basis van de herkende spraak en beschikbare gegevens van de beller.”

Open vraag spraakherkenning

Op dit moment wordt een combinatie van identificatie, classificatie en routering van het gesprek – de meest uitgebreide toepassing van spraakherkenning op dit moment – bij KPN toegepast. De klant spreekt in waarvoor hij of zij belt; indien mogelijk wordt de klant automatisch geïdentificeerd op basis van het telefoonnummer. Het systeem verbindt de klant door met de meest geschikte medewerker, die daarna niet alleen over de CRM-gegevens van de beller beschikt, maar ook de vraag van de klant in tekst op het scherm ziet. Daaraan wordt relevante informatie uit het kennissysteem toegevoegd. Het is een goed voorbeeld waarbij de output van de spraakherkenner – de herkende vraag van de klant – door een KI-systeem wordt ingezet om nieuwe informatie aan de medewerker aan te bieden.

Offline en realtime analyseren van de inhoud van gesprekken

En tot slot biedt spraakherkenning ook de mogelijkheid om alle spraak realtime en/of offline te analyseren voor kwaliteitsdoeleinden; bijvoorbeeld om te monitoren wanneer welke onderwerpen of sentimenten in een conversatie genoemd zijn. “Met text mining kunnen grote hoeveelheden vastgelegde gesprekken worden geanalyseerd. Zo kan je bijvoorbeeld nagaan welke processen of onderwerpen overheersen bij gesprekken met een lage NPS of klanttevredenheidsscore. In een realtime variant van deze analyse kan je bepaalde signalen over de situatie aan de medewerker presenteren.” Van Hessen geeft als voorbeeld realtime emotiedetectie: ‘deze klant is geagiteerd’; of aan het doen van suggesties: ‘deze klant is mogelijk gebaat bij ons nieuwe product’ of aan het presenteren van relevante informatie (‘klant belt over slechte wifi-ontvangst, zie hier een analysetool’).

Kunstmatige intelligentie en de toekomst van klantcontact

Wanneer we de blik in de toekomst werpen, dienen zich allerlei innovatieve oplossingen aan. Daarbij helpt het dat niet alleen spraakherkenning zich goed heeft ontwikkeld. “Ook het laten uitspreken van teksten door de computer – iets waar in het Google-project Deepmind met WaveNet grote stappen mee zijn gezet – is tegenwoordig zo goed dat je niet meer direct door hebt dat het een computer is die de spraak genereert,” aldus Van Hessen. Ook hier zal een combinatie van KI-oplossingen er voor zorgen dat je bijvoorbeeld de gemeente kunt bellen om te vragen wat de status van je aangevraagde bouwvergunning is. “Met Natural Language Generation (NLG), een techniek die de computer een duidelijke, correct geformuleerde zinnen laat construeren, kan het systeem je op basis van een aantal parameters uit bijvoorbeeld een database dan een helder antwoord geven. Tot voor kort werd nog gebruik gemaakt van slotfilling – het aantal elkaar plakken van allerlei losse stukjes uitgesproken tekst – maar NLG is aanzienlijk flexibeler en maakt zinnen die mooier en duidelijker klinken en overkomen.”

Als je nog een stap verder gaat, kan je denken aan de mogelijkheid om uitgesproken zinnen van bijvoorbeeld een Franse klant als Nederlandse tekst op het scherm te krijgen, of om het als Nederlandse spraak via je headset te horen. Microsoft doet dit al voor bepaalde taalcombinaties in Skype. Ook hier liggen er allerlei nieuwe mogelijkheden in de combinatie van spraakherkenning, automatische vertaling en spraaksynthese. Juist in die combinaties van verschillende technieken en technologieën liggen de innovatiekansen – en daar kunnen we in klantcontact de komende tijd nog veel van verwachten.

Lees ook deel 1 van het interview met Arjan van Hessen over kunstmatige intelligentie.

Customer Experience, Technologie Telecats