Scott-Taylor_300x224.png

Hoe u gegevensbeheer kunt verbinden met de essentie van uw bedrijf

Klik voor meer informatie over auteur Scott Taylor.

De videoblogserie Data Rants begint met de host Scott Taylor “The Data Whisperer.” De serie behandelt enkele van de meest prominente vragen in datamanagement, zoals masterdata, het verschil tussen masterdata en MDM, ‘waarheid’ versus ‘betekenis’ in data, datakwaliteit en nog veel meer.

In de videoblog van vandaag bespreekt Scott hoe u ervoor kunt zorgen dat u uw zakelijke prioriteiten afstemt op uw behoeften op het gebied van gegevensbeheer.

Keith_Foote_600x448.jpg

Chatbots begrijpen – DATAVERSITY

Klik voor meer informatie over auteur Keith D. Foote.

Sinds kort is er een nieuwe tool beschikbaar om met klanten en potentiële klanten te communiceren. Het wordt een chatbot genoemd en het vereenvoudigt de interacties tussen computers en mensen. Chatbots bieden bedrijven een nieuwe en opwindende manier om in de onmiddellijke behoeften van potentiële klanten te voorzien. Chatbots kunnen 24 uur per dag in realtime reageren op online vragen, terwijl menselijke werknemers zich concentreren op ander werk of wanneer het bedrijf gesloten is. Verschillende organisaties, waaronder Facebook, Google, Amazon, Apple en Microsoft, hebben hun eigen chatbots ontwikkeld. Chatbots zijn ook een populaire tool geworden voor banken.

Chatbots worden door sommigen beschouwd als de op het randje van computers die interactie hebben met mensen. Het beantwoorden van vragen in natuurlijke taal is een gemeenschappelijk doel van bedrijven die 24-uursservice tegen minimale kosten aanbieden. Vanuit technologisch perspectief vertegenwoordigen chatbots de volgende logische stap in de evolutie van “vraag- en antwoord” -systemen die gebruik maken van natuurlijke taalverwerking (NLP). Door het ontwerp verzamelt een chatbot gedragsinformatie van zijn gebruikers, waardoor deze zich intelligenter kan ontwikkelen en op vragen kan reageren. Zo traint het zichzelf om geleidelijk beter te worden in zijn werk. Naarmate de chatbot ervaring opdoet, blijft hij verbeteren.

Chatbots zijn populair geworden omdat ze consumenten normaal gesproken snelle, intelligente antwoorden op hun vragen bieden. Als mensen een vraag stellen, willen ze over het algemeen niet 24 uur wachten op een antwoord, maar krijgen ze liever een onmiddellijke reactie. Chatbots bieden die service. Als een klant geen snel antwoord krijgt, gaan ze meestal verder en doen ze hun aankoop op een andere website (een die hun vragen beantwoordt). Door direct te reageren, houden chatbots klanten betrokken en vergroten ze de kans dat ze een aankoop doen.

Een chatbot installeren

Er zijn verschillende benaderingen die kunnen worden gebruikt bij het installeren en integreren van een chatbot. Om de effectiviteit te maximaliseren, moet een chatbot worden ontworpen met het oog op een specifiek klantenbestand (of specifieke medewerkers). Afhankelijk van waarvoor het wordt gebruikt, zijn sommige platforms betere keuzes dan andere. De verschillende technologieën, zoals machine learning, natuurlijke taalverwerking, en semantisch begrip, kan worden aangepast om communicatie te bieden die nuttig is voor specifieke klantenbestanden.

Het installeren en implementeren van een chatbot is eigenlijk vrij eenvoudig. Omdat chatbots steeds populairder worden, is er ook een groot aantal tools beschikbaar gekomen om ze te bouwen en te implementeren. Dit zijn enkele van de beschikbare tools en sjablonen:

  • Landbot biedt een zeer efficiënte, gebruiksvriendelijke interface voor het maken van chatbots die kunnen worden geïntegreerd met andere services, waaronder Twitter, Slack en Facebook. Dit is een geweldige optie voor bedrijven die op verschillende platforms met hun klanten willen communiceren.
  • Chatfuel concentreert zich op Facebook-integratie. Deze dienst ondersteunt bots voor reacties van Facebook Messenger en gaat verder dan de standaard chatantwoordfuncties die normaal door Facebook worden gebruikt.
  • Sequel richt zich ook op Facebook. Deze dienst ondersteunt slepen en neerzetten voor het maken van bots.
  • Botsify ondersteunt chatbots die kunnen worden geïntegreerd met WordPress-sites. Botsify-chatbots zijn flexibeler en aanpasbaarder dan veel andere versies.
  • ManyChat is ook gericht op Facebook, maar dit platform is opmerkelijk gebruiksvriendelijk.

Hoe chatbots werken

Een chatbot gebruikt machine learning-software om gesprekken (of chats) tussen mensen en computers te ondersteunen via websites, mobiele apps, berichtentoepassingen of de telefoon. Twee verschillende taken (analyse van gebruikersverzoeken en het terugsturen van de respons) worden uitgevoerd door de chatbot. Een gebruikersverzoekanalyse identificeert de intentie van de gebruiker en zoekt en extraheert vervolgens de relevante gegevens. Het doel van de chatbot is om een ​​passend antwoord te geven op het verzoek. (Als het verzoek niet wordt begrepen, kan de chatbot het juiste antwoord niet geven.)

Bij het terugsturen van de reactie streeft de chatbot naar de meest geschikte reactie. Het antwoord kan zijn in de vorm van:

  • Tekst opgehaald uit een database met verschillende gestandaardiseerde antwoorden
  • Opgeslagen gegevens in bedrijfssystemen
  • Gecontextualiseerde informatie (informatie die in context is, op basis van de verstrekte gegevens)
  • Een vraag die de chatbot helpt de vraag van de gebruiker te begrijpen
  • Verbale reacties

Beveiligingsproblemen rond chatbots

Helaas bieden chatbots hackers nog een andere manier om toegang te krijgen tot privé- en vertrouwelijke informatie, die is opgeslagen op de website van het bedrijf. De locatie van gevoelige gegevens, hoe lang deze zijn opgeslagen, wie toegang heeft en hoe de gegevens worden gebruikt, zijn Veiligheidsproblemen die potentiële risico’s worden. Dit geldt met name voor sterk gereguleerde bedrijfstakken die zeer gevoelige informatie verwerken, zoals financiën en gezondheidszorg. Voordat een chatbot wordt opgezet, moet een organisatie regels opstellen over de verzamelde gegevens. Volgens Chaitanya Hiremath, CEO van Scanta:

“We geven steeds meer verantwoordelijkheid aan chatbots om gesprekstaken te automatiseren die mensen eerder hebben uitgevoerd. Deze gesprekken werden vroeger gevolgd door supervisors, managers en goed oud gezond verstand om gedrag te sturen. Dit wordt nu geautomatiseerd door op machine learning getrainde systemen die 24 × 7 zonder toezicht op de achtergrond draaien. Het goede nieuws is dat we kosteneffectieve hyperproductiviteit uit deze systemen kunnen halen. Het slechte nieuws is dat slechte actoren deze systemen kunnen vergiftigen en manipuleren en grootschalige schade kunnen aanrichten. “

Chaitanya vervolgt:

“Neem bijvoorbeeld het geval van de Microsoft Tay-chatbot die is ontworpen om te leren van de interactie met zijn gebruikers. Hackers vergiftigden de chatbot met racistische en vrouwonvriendelijke opmerkingen en binnen een paar dagen begon Tay deze hatelijke gesprekken na te bootsen. Denk nu eens aan andere mogelijke gevallen waarin u gehackt advies krijgt van een bankrobeadviseur of een zorgadviseurbot. Zou u op een enquêtekoppeling klikken die een chatbot voor klantenservice u heeft verstrekt? We vertrouwen e-mail niet meer, maar wel chatbots? “

Chatbot veiligheidsrisico’s kunnen over het algemeen worden onderverdeeld in twee categorieën: kwetsbaarheden en bedreigingen. Zelfs systemen met strakke beveiligingssystemen hebben potentiële kwetsbaarheden en kunnen het risico lopen te worden blootgesteld aan aanvallen. Kwetsbaarheden zijn doorgaans langetermijnkwesties die regelmatig moeten worden aangepakt. Het wijzigen van wachtwoorden, het bijwerken van de toegang van werknemers en het sluiten van achterdeuren zijn allemaal stappen die nodig zijn om zwakke punten te elimineren waardoor het systeem kan worden geopend en gecompromitteerd. Particuliere platforms hebben normaal gesproken volledige controle over hun beveiliging. Openbare chatbots veranderen de situatie echter drastisch. Chatbots worden vaak onbemand gelaten (dat is hun doel), wat hackers de tijd geeft om elke beschikbare toegang te vinden en te gebruiken.

Op de vraag waarom chatbots zo kwetsbaar zijn voor aanvallen, antwoordde Chaitanya Hiremath:

“Allereerst zijn deze systemen meestal ofwel gebouwd op open-source machine learning-modellen en getraind op open-source datasets, ofwel gebouwd op openbaar toegankelijke AI-as-a-Service-platforms. Dit geeft slechte acteurs de blauwdrukken die ze nodig hebben om een ​​systeem te onderzoeken, zwakke punten te ontdekken en een aanval uit te voeren. Ten tweede verzamelen chatbots voortdurend nieuwe informatie om van te leren. Dit maakt ze op een unieke manier kwetsbaar om te leren van vergiftigde gegevens die zijn verzameld van kwaadwillende gebruikers. Ten slotte worden de gesprekken die op deze chatbots worden gevoerd vrijwel niet gecontroleerd. Bedrijven vertrouwen erop dat gebruikers legitiem een ​​chatbot gebruiken en het systeem niet aanvallen. En gebruikers vertrouwen erop dat de output van de chatbot legitiem is, aangezien deze afkomstig is van een vertrouwd bedrijf. “

Aanvallen op machine learning worden ook wel vijandige aanvallen genoemd. Traditionele technieken, zoals uitval en gewichtsverlies, bieden over het algemeen geen bruikbare verdediging tegen vijandige aanvallen. Op dit moment lijken er slechts twee verdedigingen te zijn:

  • Tegenstrijdige training: Een ML trainingsoplossing dat genereert veel voorbeelden van vijandige aanvallen en traint het model om te voorkomen dat ze door elk van hen worden misleid. Open-source versies van vijandige training zijn beschikbaar in het cleverhans bibliotheek.
  • Defensieve destillatie: Deze strategie traint het model om output “waarschijnlijkheden” van verschillende klassen te bieden, in plaats van moeilijke beslissingen te nemen over welke klasse moet worden uitgevoerd. Deze kansen zijn afkomstig van een eerder model dat voor dezelfde taak is getraind met behulp van harde klassenlabels. Het proces creëert een model dat is getraind om zich tegen deze inspanningen te verdedigen, waardoor het voor hackers moeilijk wordt om het systeem aan te vallen. (Oorspronkelijk was distillatie geïntroduceerd in “Distilling the Knowledge in a Neural Network”, beschreven als een compressietechniek van een model, waarbij een klein model wordt getraind om een ​​groter model te imiteren in een poging om computerefficiëntie te verkrijgen.)

De twee belangrijkste methoden voor het verkrijgen van chatbotbeveiliging zijn authenticatie en autorisatie. Authenticatie verwijst naar het verificatieproces van de gebruikersidentiteit, terwijl autorisatie beschrijft het geven van toestemming aan specifieke gebruikers, hen in staat stellen om specifieke taken uit te voeren of toegang te verlenen tot een portaal. Bovendien heeft Scanta (het bedrijf waarvan Chaitanya Hiremath CEO is) een krachtige beveiligingslaag voor chatbots ontwikkeld met behulp van kunstmatige intelligentie. Het wordt het VA-schild genoemd en Chaitanya beschreef het als volgt:

“Het is een SaaS-beveiligingsoplossing die een verbeterde laag van realtime supervisie op gespreksniveau biedt om aanvallen op chatbots te voorkomen. Bedrijven kunnen beleid aanpassen om verdachte gesprekken te controleren, analyseren of blokkeren om kwaadwillig gebruik te stoppen en te voorkomen dat gecompromitteerde systemen vertrouwelijke, valse of ongepaste informatie vrijgeven. Deze beveiligingsoplossing werkt door een kritisch Zero Trust-beveiligingsraamwerk toe te voegen aan chatbotsystemen waardoor ze soepel en veilig blijven werken. “

Tot slot

Hoewel chatbots voor klantenservice de kosten verlagen, kunnen de verbeteringen die ze aanbrengen in de klantervaring ook een aanzienlijke positieve impact hebben. Chatbots zijn 24/7 toegankelijk en beantwoorden vragen vaak sneller dan mensen. Chatbots zijn het meest effectief wanneer ze worden gebruikt in klantenservicetoepassingen voor dienstverlenende industrieën, zoals de detailhandel, reizen en telecom. Chatbots zijn voorspelbaar waardevoller voor bedrijven die duizenden telefoontjes van klanten afhandelen, in plaats van 4 of 5 oproepen per week.

Chatbot-beveiliging is een probleem dat “moet” worden aangepakt.

Voor organisaties die een groot aantal verzoeken verwerken, kan de impact van een chatbot aanzienlijk zijn. Bank of America beschrijft bijvoorbeeld een toename van 7 tot 10 miljoen gebruikers in zes maanden. Dit werd veroorzaakt door de lancering van proactieve inzichten (ook bekend als Erica). Erica biedt klanten begeleiding en aanbevelingen op basis van hun specifieke gedrag, wat hen helpt om met hun geld om te gaan.

Christian Kitchell, AI Solutions en Erica executive bij Bank of America verklaarde:

“Binnen een maand na lancering inzichten, we zagen een meer dan twee keer sprong in engagement, en dat hebben we op het pad van vorig jaar volgehouden. Het is een functie van meer klanten die de aantrekkingskracht en waarde die we brengen, beginnen te erkennen – omdat we Erica behoorlijk wat hebben verbeterd tijdens onze ontwikkelingscyclus. ”