Comment le modèle d'IA note les agents pour le routage prédictif
Le routage prédictif de Genesys utilise l'intelligence artificielle (IA) pour diriger les interactions vers le meilleur agent. Le score de l'agent dérivé par le routage prédictif est basé sur un ensemble diversifié de points de données, y compris le niveau de compétence des agents, l'historique des contacts d'un client et la performance d'un agent à un certain moment de la journée. Vous pouvez mieux interpréter ces données et leur impact sur les décisions de routage en comprenant le concept d'explicabilité.
Qu'est-ce que l'explicabilité et pourquoi est-elle importante ?
L'explicabilité est la capacité d'expliquer aux utilisateurs non techniques le raisonnement qui sous-tend les décisions prises par l'IA. L'explicabilité aide les organisations à remplir leurs obligations morales et légales concernant les données qu'elles traitent. En utilisant les données disponibles, l'explicabilité permet d'atténuer les craintes d'une mauvaise utilisation des données et d'une introduction de biais dans les données disponibles. Pour ce faire, il fournit une transparence sur les données ou les caractéristiques utilisées par le modèle d'IA et sur l'importance de ces caractéristiques.
Que signifie l'importance des caractéristiques dans le processus de décision ?
L'importance des caractéristiques est un score pour les caractéristiques d'entrée basé sur leur utilité pour prédire la variable cible. Si l'importance des caractéristiques indique les données qui ont le plus d'influence sur les décisions, elle n'indique pas nécessairement que les données ont causé la décision. Par exemple, vous avez deux caractéristiques d'entrée pour prédire la température d'un jour donné : le mois de l'année et la température de la veille. Si vous avez accès aux deux entrées, la prédiction de la température d'aujourd'hui sera précise avec un écart de seulement +/- 1 degré. Si la seule donnée dont vous disposiez était la température de la veille, la prédiction pourrait être à +/- 2 degrés près. Toutefois, si la seule donnée utilisée était le mois, vous ne pourriez prédire la température que dans une fourchette de +/- 4 degrés.
Par conséquent, l'importance de la température du jour précédent en tant que caractéristique d'entrée est plus élevée que l'importance du mois, parce qu'isolément, elle contribue à fournir une meilleure prédiction par rapport aux autres entrées.
La corrélation implique-t-elle la causalité ?
La corrélation n'implique pas la causalité. Si la valeur de certaines caractéristiques peut aider à prédire un résultat, on ne peut pas supposer qu'elles ont causé un résultat particulier. Les ventes de glaces et l'incidence des coups de soleil sont fortement corrélées ; lorsque les ventes de glaces sont élevées, nous pouvons prédire une forte incidence des coups de soleil. Il ne s'ensuit cependant pas que la crème glacée provoque des coups de soleil, ni que l'interdiction de la crème glacée éradique les coups de soleil. Par conséquent, nous ne devons pas supposer que le fait de tenter de modifier la valeur d'une caractéristique importante a une incidence sur les autres paramètres.
Pourquoi l'explicabilité dans le routage prédictif ?
Le routage prédictif utilise des modèles d'apprentissage automatique pour déterminer les agents susceptibles de traiter une interaction le plus efficacement possible. Pour effectuer le scoring, le modèle utilise des caractéristiques créées à partir de diverses sources internes, notamment des données sur le profil des agents, des données agrégées sur les clients et des données historiques sur les interactions.
Avec l'explicabilité, le routage prédictif tente de décortiquer les facteurs qui ont influencé le score de l'agent. Cela aide les parties prenantes telles que les administrateurs, les superviseurs, les propriétaires d'entreprise, les scientifiques des données et les consultants en solutions à comprendre les données qui sont utilisées dans les décisions assistées par l'IA.
Pour mieux comprendre l'explicabilité, prenons l'exemple d'interactions qui sont régulièrement acheminées vers un groupe spécifique d'agents et nous décidons d'en étudier les raisons. Supposons que l'indicateur clé de performance que vous avez défini pour vos files d'attente soit le temps de traitement moyen et que vous observiez que pour le modèle prédictif de cette file d'attente, l'une des caractéristiques les plus importantes est le temps de travail après appel (ACW). D'après les caractéristiques d'explicabilité, nous comprenons que les agents qui passent le moins de temps sur l'APA sont censés avoir le temps de traitement le plus faible et sont donc classés en haut de l'échelle.
Où puis-je voir l'explicabilité dans Genesys Cloud ?
Chaque file d'attente sur laquelle le routage prédictif est actif possède son propre modèle prédictif. Pour chaque modèle, l'explicabilité répartit les caractéristiques de notation des agents en trois catégories : les caractéristiques des agents, les caractéristiques des clients et d'autres caractéristiques. Les caractéristiques qui ont influencé le score de l'agent par rapport à l'ensemble des indicateurs clés de performance sont énumérées par ordre décroissant d'importance.
Outre les informations relatives aux caractéristiques, la page Modèle prédictif fournit également des informations sur la date de la dernière formation du modèle. Pour plus d'informations sur l'interprétation de l'importance des caractéristiques, voir Afficher les caractéristiques qui ont influencé les décisions de routage prédictif.
La page Modèle prédictif fournit une répartition par caractéristique comme suit :
Comment modifier les décisions d'IA sur la base des données d'explicabilité actuelles ?
Le routage prédictif utilise les données qui sont facilement disponibles dans la plateforme Genesys Cloud pour former les modèles. Bien que la plupart des données utilisées dans les modèles ne puissent pas être modifiées, il existe certaines caractéristiques optionnelles, qui peuvent être remplies pour améliorer les prédictions. Pour plus d'informations, voir Données requises pour le routage prédictif.
