Modelle der generativen künstlichen Intelligenz haben einen so unauslöschlichen Einfluss auf die Erstellung digitaler Inhalte hinterlassen, dass es immer schwieriger wird, sich daran zu erinnern, wie das Web vorher aussah. Sie können diese KI-Instruments für clevere Projekte wie Movies und Fotos nutzen – aber ihr Gespür für das Kreative hat sich noch nicht ganz auf die physische Welt ausgeweitet.

Warum haben wir additionally noch keine generativen KI-gestützten personalisierten Objekte wie Handyhüllen und Töpfe in Häusern, Büros und Geschäften gesehen? Laut Forschern des MIT Laptop Science and Synthetic Intelligence Laboratory (CSAIL) ist die mechanische Integrität des 3D-Modells ein zentrales Thema.

Während KI dabei helfen kann, personalisierte 3D-Modelle zu erstellen, die Sie herstellen können, berücksichtigen diese Systeme oft nicht die physikalischen Eigenschaften des 3D-Modells. Der Doktorand der MIT-Abteilung für Elektrotechnik und Informatik (EECS) und CSAIL-Ingenieur Faraz Faruqi hat diesen Kompromiss untersucht und generative KI-basierte Systeme entwickelt, die gleichzeitig ästhetische Änderungen an Designs vornehmen können Erhaltung der Funktionalität, und eine andere, die Strukturen mit den gewünschten modifiziert taktile Eigenschaften Benutzer wollen fühlen.

Es actual machen

Gemeinsam mit Forschern von Google, Stability AI und der Northeastern College hat Faruqi nun einen Weg gefunden, mit KI reale Objekte herzustellen und so Gegenstände zu schaffen, die sowohl langlebig sind als auch das vom Benutzer beabsichtigte Aussehen und die beabsichtigte Textur aufweisen. Mit der KI-gestützten „MechStyleBeim „System“ laden Benutzer einfach ein 3D-Modell hoch oder wählen ein voreingestelltes Asset aus Dingen wie Vasen und Haken aus und veranlassen das Software mithilfe von Bildern oder Textual content, eine personalisierte Model zu erstellen. Ein generatives KI-Modell ändert dann die 3D-Geometrie, während MechStyle simuliert, wie sich diese Änderungen auf bestimmte Teile auswirken, um sicherzustellen, dass gefährdete Bereiche strukturell intakt bleiben. Wenn Sie mit diesem KI-erweiterten Entwurf zufrieden sind, können Sie ihn in 3D drucken und in der realen Welt verwenden.

Sie können beispielsweise ein Modell eines Wandhakens und das Materials auswählen, mit dem Sie ihn bedrucken möchten (z. B. Kunststoffe wie Polymilchsäure). Anschließend können Sie das System auffordern, eine personalisierte Model mit Anweisungen wie „Generieren Sie einen kaktusähnlichen Haken“ zu erstellen. Das KI-Modell arbeitet mit dem Simulationsmodul zusammen und generiert ein 3D-Modell, das einem Kaktus ähnelt und gleichzeitig die strukturellen Eigenschaften eines Hakens aufweist. Dieses grüne, geriffelte Accessoire kann dann zum Aufhängen von Tassen, Mänteln und Rucksäcken verwendet werden. Solche Kreationen sind teilweise dank eines Stilisierungsprozesses möglich, bei dem das System die Geometrie eines Modells basierend auf seinem Verständnis der Textaufforderung und der Arbeit mit dem vom Simulationsmodul erhaltenen Suggestions ändert.

Laut CSAIL-Forschern hatte die 3D-Stilisierung früher unbeabsichtigte Folgen. Ihre prägende Studie ergab, dass nur etwa 26 Prozent der 3D-Modelle nach ihrer Änderung strukturell funktionsfähig blieben, was bedeutete, dass das KI-System die Physik der Modelle, die es änderte, nicht verstand.

„Wir wollen KI verwenden, um Modelle zu erstellen, die man tatsächlich herstellen und in der realen Welt verwenden kann“, sagt Faruqi, der Hauptautor eines Buches ist Papier das Projekt vorstellen. „MechStyle simuliert additionally tatsächlich, wie sich GenAI-basierte Änderungen auf eine Struktur auswirken. Unser System ermöglicht es Ihnen, das taktile Erlebnis für Ihren Gegenstand zu personalisieren, indem Sie Ihren persönlichen Stil darin integrieren und gleichzeitig sicherstellen, dass der Gegenstand dem täglichen Gebrauch standhält.“

Diese rechnerische Gründlichkeit könnte Benutzern schließlich dabei helfen, ihre Habseligkeiten zu personalisieren und beispielsweise eine einzigartige Brille mit gesprenkelten blauen und beigen Punkten zu erstellen, die an Fischschuppen erinnern. Es entstand auch eine Pillendose mit einer felsigen Textur, die mit rosa und aquamarinfarbenen Flecken kariert ist. Das Potenzial des Methods erstreckt sich auf die Herstellung einzigartiger Wohn- und Bürodekorationen, beispielsweise eines Lampenschirms, der an rotes Magma erinnert. Es kann sogar unterstützende Technologien entwerfen, die an die Spezifikationen der Benutzer angepasst sind, wie z. B. Fingerschienen zur Unterstützung bei Verletzungen der Fingerfertigkeit und Utensiliengriffe zur Unterstützung bei motorischen Beeinträchtigungen.

In Zukunft könnte MechStyle auch bei der Erstellung von Prototypen für Zubehör und andere Handheld-Produkte nützlich sein, die Sie möglicherweise in einem Spielzeugladen, Baumarkt oder einer Kunsthandwerksboutique verkaufen. Laut CSAIL-Forschern besteht das Ziel darin, dass sowohl erfahrene als auch unerfahrene Designer mehr Zeit mit Brainstorming und dem Testen verschiedener 3D-Designs verbringen können, anstatt Elemente von Hand zusammenzubauen und anzupassen.

Stark bleiben

Um sicherzustellen, dass die Kreationen von MechStyle dem täglichen Gebrauch standhalten, erweiterten die Forscher ihre generative KI-Technologie um eine Artwork physikalische Simulation, die als Finite-Elemente-Analyse (FEA) bezeichnet wird. Sie können sich ein 3D-Modell eines Gegenstands, beispielsweise einer Brille, mit einer Artwork Wärmekarte vorstellen, die angibt, welche Bereiche unter einem realistischen Gewicht strukturell realisierbar sind und welche nicht. Während die KI dieses Modell verfeinert, zeigen die physikalischen Simulationen, welche Teile des Modells schwächer werden, und verhindern weitere Änderungen.

Faruqi fügt hinzu, dass die Ausführung dieser Simulationen bei jeder Änderung den KI-Prozess drastisch verlangsamt, sodass MechStyle weiß, wann und wo zusätzliche Strukturanalysen durchgeführt werden müssen. „Die adaptive Planungsstrategie von MechStyle verfolgt, welche Änderungen an bestimmten Punkten im Modell stattfinden. Wenn das genAI-System Änderungen vornimmt, die bestimmte Regionen des Modells gefährden, simuliert unser Ansatz die Physik des Designs erneut. MechStyle nimmt nachfolgende Änderungen vor, um sicherzustellen, dass das Modell nach der Herstellung nicht kaputt geht.“

Durch die Kombination des FEA-Prozesses mit adaptiver Planung konnte MechStyle Objekte generieren, die zu 100 Prozent strukturell realisierbar waren. Beim Testen von 30 verschiedenen 3D-Modellen mit Stilen, die an Dinge wie Ziegel, Steine ​​und Kakteen erinnern, stellte das Workforce fest, dass der effizienteste Weg, strukturell tragfähige Objekte zu erstellen, darin besteht, Schwachstellen dynamisch zu identifizieren und den generativen KI-Prozess zu optimieren, um seine Auswirkungen abzuschwächen. In diesen Szenarien stellten die Forscher fest, dass sie die Stilisierung entweder vollständig stoppen konnten, wenn eine bestimmte Belastungsschwelle erreicht battle, oder schrittweise kleinere Verbesserungen vornehmen konnten, um zu verhindern, dass sich gefährdete Bereiche dieser Marke nähern.

Das System bietet außerdem zwei verschiedene Modi: eine Freestyle-Funktion, mit der die KI schnell verschiedene Stile auf Ihrem 3D-Modell visualisieren kann, und eine MechStyle-Funktion, die die strukturellen Auswirkungen Ihrer Optimierungen sorgfältig analysiert. Sie können verschiedene Ideen ausprobieren und dann den MechStyle-Modus ausprobieren, um zu sehen, wie sich diese künstlerischen Verzierungen auf die Haltbarkeit bestimmter Regionen des Modells auswirken.

CSAIL-Forscher fügen hinzu, dass ihr Modell zwar sicherstellen kann, dass Ihr Modell vor dem 3D-Druck strukturell stabil bleibt, es jedoch noch nicht in der Lage ist, 3D-Modelle zu verbessern, die von Anfang an nicht realisierbar waren. Wenn Sie eine solche Datei auf MechStyle hochladen, erhalten Sie eine Fehlermeldung, aber Faruqi und seine Kollegen beabsichtigen, die Haltbarkeit dieser fehlerhaften Modelle in Zukunft zu verbessern.

Darüber hinaus hofft das Workforce, mithilfe generativer KI 3D-Modelle für Benutzer zu erstellen, anstatt Voreinstellungen und von Benutzern hochgeladene Designs zu stilisieren. Dies würde das System noch benutzerfreundlicher machen, sodass diejenigen, die mit 3D-Modellen weniger vertraut sind oder ihren Entwurf nicht on-line finden, ihn einfach von Grund auf neu erstellen können. Nehmen wir an, Sie wollten einen einzigartigen Schüsseltyp herstellen und dieses 3D-Modell battle nicht in einem Repository verfügbar. Stattdessen könnte KI es für Sie erstellen.

„Während die Stilübertragung für 2D-Bilder unglaublich intestine funktioniert, haben nicht viele Arbeiten untersucht, wie diese Übertragung auf 3D erfolgt“, sagt Google-Forschungswissenschaftler Fabian Manhardt, der nicht an der Arbeit beteiligt battle. „Grundsätzlich ist 3D eine viel schwierigere Aufgabe, da Trainingsdaten knapp sind und eine Änderung der Geometrie des Objekts seine Struktur beschädigen und es in der realen Welt unbrauchbar machen kann. MechStyle hilft, dieses Drawback zu lösen, indem es eine 3D-Stilisierung ermöglicht, ohne die strukturelle Integrität des Objekts durch Simulation zu zerstören. Dies gibt Menschen die Möglichkeit, kreativ zu sein und sich durch Produkte, die auf sie zugeschnitten sind, besser auszudrücken.“

Farqui schrieb das Papier zusammen mit der leitenden Autorin Stefanie Mueller, einer außerordentlichen Professorin am MIT und CSAIL-Hauptforscherin, und zwei weiteren CSAIL-Kollegen: der Forscherin Leandra Tejedor SM ’24 und dem Postdoktoranden Jiaji Li. Ihre Co-Autoren sind Amira Abdel-Rahman PhD ’25, jetzt Assistenzprofessorin an der Cornell College, und Martin Nisser SM ’19, PhD ’24; Google-Forscher Vrushank Phadnis; Stabilitäts-KI-Vizepräsident für Forschung Varun Jampani; MIT-Professor und Direktor des Heart for Bits and Atoms Neil Gershenfeld; und Megan Hofmann, Assistenzprofessorin an der Northeastern College.

Ihre Arbeit wurde vom MIT-Google Program for Computing Innovation unterstützt. Es wurde im November auf dem Symposium on Computational Fabrication der Affiliation for Computing Equipment vorgestellt.

Mehr als 300 Menschen aus Wissenschaft und Industrie strömten in ein Auditorium, um an einer teilzunehmen BoltzGen-Seminar am Donnerstag, 30. Oktober, veranstaltet von der Abdul Latif Jameel Klinik für maschinelles Lernen im Gesundheitswesen (MIT Jameel Clinic). Headliner der Veranstaltung struggle MIT-Doktorand und BoltzGen-Erstautor Hannes Stärk, der BoltzGen erst wenige Tage zuvor angekündigt hatte.

Darauf aufbauend Boltz-2ein Open-Supply-Modell zur Vorhersage der biomolekularen Struktur zur Vorhersage der Proteinbindungsaffinität, das im Sommer für Aufsehen sorgte, BoltzGen (offiziell veröffentlicht am Sonntag, 26. Oktober) ist das erste Modell seiner Artwork, das einen Schritt weiter geht, indem es neuartige Proteinbinder erzeugt, die bereit sind, in die Arzneimittelforschungspipeline aufgenommen zu werden.

Drei wichtige Innovationen machen dies möglich: Erstens die Fähigkeit von BoltzGen, eine Vielzahl von Aufgaben auszuführen, Proteindesign und Strukturvorhersage zu vereinheitlichen und gleichzeitig die Leistung auf dem neuesten Stand zu halten. Als nächstes werden die integrierten Einschränkungen von BoltzGen anhand des Feedbacks von Wetlab-Mitarbeitern entwickelt, um sicherzustellen, dass das Modell funktionelle Proteine ​​erzeugt, die den Gesetzen der Physik oder Chemie nicht widersprechen. Abschließend wird das Modell in einem strengen Evaluierungsprozess auf „nicht behandelbare“ Krankheitsziele getestet, wodurch die Grenzen der Fähigkeiten von BoltzGen zur Bindemittelerzeugung ausgereizt werden.

Die meisten Modelle, die in Industrie oder Wissenschaft verwendet werden, sind entweder zur Strukturvorhersage oder zum Proteindesign geeignet. Darüber hinaus sind sie darauf beschränkt, bestimmte Arten von Proteinen zu erzeugen, die erfolgreich an einfache „Ziele“ binden. Ähnlich wie Schüler, die auf eine Testfrage antworten, die wie ihre Hausaufgabe aussieht, funktionieren die Modelle oft, solange die Trainingsdaten beim Entwurf des Ordners dem Ziel ähneln. Bestehende Methoden werden jedoch quick immer an Zielen evaluiert, für die bereits Strukturen mit Bindemitteln vorhanden sind, und schwächeln letztendlich in der Leistung, wenn sie bei anspruchsvolleren Zielen eingesetzt werden.

„Es gab Modelle, die versuchten, sich mit der Gestaltung von Bindemitteln auseinanderzusetzen, aber das Drawback besteht darin, dass diese Modelle modalitätsspezifisch sind“, betont Stärk. „Ein allgemeines Modell bedeutet nicht nur, dass wir mehr Aufgaben bewältigen können. Darüber hinaus erhalten wir ein besseres Modell für die einzelne Aufgabe, da die Nachahmung der Physik anhand von Beispielen erlernt wird, und mit einem allgemeineren Trainingsschema stellen wir mehr solcher Beispiele bereit, die verallgemeinerbare physikalische Muster enthalten.“

Die BoltzGen-Forscher haben sich alle Mühe gegeben, BoltzGen an 26 Zielen zu testen, von therapeutisch relevanten Fällen bis hin zu Fällen, die explizit aufgrund ihrer Unähnlichkeit mit den Trainingsdaten ausgewählt wurden.

Dieser umfassende Validierungsprozess, der in acht Wetlabs in Wissenschaft und Industrie stattfand, zeigt die Breite und das Potenzial des Modells für die bahnbrechende Arzneimittelentwicklung.

Parabilis Medicines, einer der Branchenpartner, der BoltzGen in einer Nasslaborumgebung getestet hat, lobte das Potenzial von BoltzGen: „Wir glauben, dass die Übernahme von BoltzGen in die Fähigkeiten unserer bestehenden Helicon-Peptid-Rechenplattform unseren Fortschritt bei der Bereitstellung transformativer Medikamente gegen schwere menschliche Krankheiten beschleunigen wird.“

Während die Open-Supply-Versionen von Boltz-1, Boltz-2 und jetzt BoltzGen (das auf der Vorschau vorgestellt wurde 7. Konferenz zum molekularen maschinellen Lernen am 22. Okt.) bringen neue Möglichkeiten und Transparenz in die Arzneimittelentwicklung, sie signalisieren aber auch, dass die Biotech- und Pharmaindustrie ihre Angebote möglicherweise neu bewerten muss.

Inmitten der Begeisterung für BoltzGen auf der Social-Media-Plattform X stellte Justin Grace, ein leitender Wissenschaftler für maschinelles Lernen bei LabGenius, eine Frage. „Die Zeitverzögerung zwischen privater und offener Leistung für Chat-KI-Systeme beträgt (sieben) Monate und nimmt ab“, schrieb Grace ein Beitrag. „Im Proteinbereich scheint es sogar noch kürzer zu sein. Wie können Binder-as-a-Service-Unternehmen ihre Investitionen (wieder hereinholen), wenn wir nur ein paar Monate auf die kostenlose Model warten können?“

Für Wissenschaftler stellt BoltzGen eine Erweiterung und Beschleunigung der wissenschaftlichen Möglichkeiten dar. „Eine Frage, die mir meine Studenten oft stellen, ist: ‚Wo kann KI die Therapie verändern?‘“, sagt die leitende Co-Autorin und MIT-Professorin Regina Barzilay, Leiterin der KI-Fakultät der Jameel Clinic und Tochtergesellschaft des Pc Science and Synthetic Intelligence Laboratory (CSAIL). „Solange wir nicht behandelbare Ziele identifizieren und eine Lösung vorschlagen, werden wir nichts ändern“, fügt sie hinzu. „Der Schwerpunkt liegt hier auf ungelösten Problemen, was Hannes‘ Arbeit von anderen auf diesem Gebiet unterscheidet.“

Der leitende Co-Autor Tommi Jaakkola, Thomas-Siebel-Professor für Elektrotechnik und Informatik, der mit der Jameel Clinic und CSAIL verbunden ist, stellt fest, dass „Modelle wie BoltzGen, die vollständig als Open-Supply-Lösung veröffentlicht werden, umfassendere gemeinschaftsweite Bemühungen zur Beschleunigung der Möglichkeiten zur Arzneimittelentwicklung ermöglichen.“

Mit Blick auf die Zukunft glaubt Stärk, dass die Zukunft des biomolekularen Designs durch KI-Modelle auf den Kopf gestellt wird. „Ich möchte Werkzeuge bauen, die uns helfen, die Biologie zu manipulieren, um Krankheiten zu lösen, oder Aufgaben mit molekularen Maschinen auszuführen, die wir uns noch nicht einmal vorstellen konnten“, sagt er. „Ich möchte diese Werkzeuge bereitstellen und Biologen ermöglichen, sich Dinge vorzustellen, an die sie vorher noch nicht einmal gedacht haben.“

Im heutigen dynamischen Geschäftsumfeld kann der Ansatz eines Unternehmens zur Kundenerfahrung seine Markenwahrnehmung erheblich beeinflussen. Eine schlechte Interaktion, wie eine verpasste Lieferung oder ein nicht hilfreicher Agent, und die Beziehung erholt sich oft nicht. Branchendaten rücken: Quick 32% der Verbraucher geben nach nur einer schlechten Erfahrung eine Marke auf. Die Einsätze sind hoch, aber ist das die Realität? Die meisten Unternehmen haben immer noch Schwierigkeiten, es richtig zu machen.

Diese Lücke zwischen Absicht und Ergebnis ist größer als die meisten realisiert. Während 80% der Unternehmen der Ansicht sind, dass sie hervorragende Erfahrungen bieten, sind sich nur 8% der Kunden einig. Es ist kein Mangel an Anstrengung; Es ist ein Missverhältnis zwischen den Werkzeugen, dem Timing und dem menschlichen Verständnis, den der echte Service erfordert.

Die versteckten Kosten für die Frustration der Kunden

Stellen Sie sich das vor: Bob, ein langjähriger Kunde, bestellt eine Spülmaschine von 1.000 US -Greenback. Es ist verzögert. Aber wenn es auftaucht, ist es in einem beschädigten Zustand. Natürlich kontaktiert er Assist, nur um in die Warteschleife zu gelangen, übertragen zu werden, und forderte schließlich auf, auf eine Untersuchung zu warten. Niemand bemerkt seinen Tonfall oder die wiederholten Observe-ups. Kurz gesagt, das System fängt nicht an, dass Bob ein paar Klicks davon entfernt ist, seinen Kauf abzubrechen.

Jetzt multiplizieren das von Hunderttausenden von Kunden.

Was zu diesen Problemen führt, ist die Trennung zwischen Betriebs- und Kundendaten. Betriebssysteme wissen vielleicht, dass die Sendung spät ist, aber sie sind blind für Bobs Gefühle in Echtzeit. Assist -Transkripte, Anrufprotokolle und Chat -Nachrichten sind voller Hinweise, aber die Systeme können die Punkte nicht schnell genug an die Materie verbinden.

Und das erhöht die Kosten. Jedes Mal, wenn ein Kunde zurückruft oder eskaliert, fügt er 8 bis 15 US -Greenback professional Anruf hinzu, wobei komplexe Fälle noch mehr kosten. Jedes ungelöste Drawback frisst Vertrauen und Ränder. Im Laufe der Zeit wird es schwer zu ignorieren.

Überratene übernehmen: Wie wir GML verwenden, um die Lücke zu schließen

Bei Dentsu International Providers (DGS) haben wir einen anderen Ansatz verfolgt, um dies zu lösen. Während viele Unternehmen laufen Generative AI (Genai) Piloten in abgelegenen Taschen traten wir zurück und fragten: Was würde es brauchen, um ein System aufzubauen, das nicht nur Menschen versteht, sondern auch aus ihrem Maßstab lernt?

Das hat uns zu dem geführt, was wir jetzt generatives maschinelles Lernen oder GML bezeichnen. Es ist kein Schlagwort. Es ist das Rückgrat einer neuen Artwork, Entscheidungen zu treffen, die die Menschen an die erste Stelle bringen.

Was genau ist GML?

Stellen Sie sich das so vor. Genai ist großartig darin, Sprache zu verstehen. Es kann die Nachricht eines Kunden lesen, frustriert werden und sogar eine hilfreiche Antwort generieren. Maschinelles Lernen (ML)Andererseits zeichnet sich bei den Erspunkten und Vorhersagen von Ergebnissen auf der Grundlage früherer Verhaltens aus. Beide sind für sich genommen nützlich. Aber zusammen? Sie sind mächtig.

Mit GML kombinieren wir diese Stärken zu einem System, das kann:

• Nehmen Sie alles von Versanddaten über Chat -Transkripte auf
• Stellen Sie sich frühzeitig an, bevor ein Kunde verärgert ist
• Entscheiden Sie, welche Probleme derzeit Aufmerksamkeit benötigen
• Aktionen auslösen, die sich persönlich anfühlen, nicht roboter

Es geht darum, das richtige Objektiv zu haben, um zu sehen, was wirklich los ist, und den Muskel, schnell etwas dagegen zu tun.

Praktisch: Wie GML in der Praxis funktioniert

Es hilft zu sehen, wie sich dies in der realen Welt abspielt. So sieht ein typischer Anwendungsfall aus:

1. Erkennen Sie früh „gefährdete“ Bestellungen: Anstatt darauf zu warten, dass Kunden wie Bob sich über eine verspätete oder beschädigte Lieferung beschweren, scannt das System kontinuierlich sowohl Betriebsdaten (Sendungen, Auftragsnotizen, Logistik -Updates) und Konversationsdaten (Aufruf -Transkripte, Chat -Protokolle, IVR -Interaktionen und Agent -Notizen). Diese Weitwinkelansicht ermöglicht es, die High 10% der „problematischen“ Bestellungen zu kennzeichnen-diejenigen, die am wahrscheinlichsten eskalieren.
2. Schauen Sie über die Zahlen hinaus: Sobald GML markiert ist, greift er tiefer in die Gespräche selbst ein. Großsprachige Modelle durchsuchen Kundenbotschaften und Erkennungsrisikomarker – alles, von subtilen Anzeichen von Frustration bis hin zu expliziten Drohungen der Eskalation. Es geht darum, die Signale zu tauchen, die sonst im Geräusch verloren gehen würden.
3. Berechnung der Risikobewertung: Modelle für maschinelles Lernen verbinden diese Konversationshinweise mit operativen Signalen, um jeder Bestellung einen Risikobewertungen zuzuweisen. Das Ergebnis: Eine Rangliste, die den Agenten genau gibt, wo sie sich vor dem Snoweball konzentrieren sollen.
4. In Echtzeit handeln: Wenn Bobs Bestellung sowohl eine späte Versandflagge als auch eine frustrierte Sprache in seiner Chat -Geschichte zeigt, protokolliert das System nicht nur das Drawback – es stapft einen Assist -Agenten mit der richtigen Aktion: Vielleicht einen guten Willen -Rabatt, vielleicht einen proaktiven Ersatz. Der Punkt ist, dass Intervention vor der Eskalation geschieht.
5. Skalierung der Wirkung: Da dieser Prozess automatisiert ist, erstreckt er sich jedes Jahr über Millionen von Interaktionen. Was einst eine manuelle Triage von überarbeiteten Agenten erforderte, findet jetzt nahtlos statt und befreien Groups, ihre Energie dort auszugeben, wo sie am meisten zählt.

Was hielt die Lösung zusammen

Hinter den Kulissen machten zwei Designoptionen den Unterschied:

1. Eine einheitliche Sicht des Kunden: Anstatt Betriebsdaten und Konversationsdaten als separate Silos zu behandeln, haben wir ein Modell erstellt, das beide Seiten der Geschichte sieht. Bestellnummern und Verfolgungsdetails sagen uns was ist passiert. Transkripte und Agentennotizen zeigen wie es sich anfühlte. Im Zusammenhang erstellen sie ein weitaus genaueres Bild des Kundenrisikos.
2. Ein für Geschwindigkeitsgeschwindigkeit gebauter Entscheidungsmotor: Einblick ist nur nützlich, wenn sie schnell zu Handlungen führt. Aus diesem Grund wurde das System so konzipiert, dass das Risiko in Echtzeit in Echtzeit und durch die Oberfläche der nächsten Schritte für Agenten bewertet wurde. Anstatt das Gefühl danach zu analysieren, lernt der Motor kontinuierlich und hilft den Groups, im Second zu reagieren, wenn eine kleine Geste eine Beziehung retten kann.

Was hat sich dadurch geändert

Innerhalb weniger Wochen nach dem Reside:

• Die Zufriedenheit stieg um 22%
• Die Auflösungszeiten sanken um 80%
• Das Modell ist jährlich auf 40 Millionen Kundengespräche skaliert
• Auf der finanziellen Seite:
  • Ein Umsatz von 6 Millionen US -Greenback, der durch Vermeidung von Abwanderung eingespart wurde
  • Eine halbe Million Greenback an operativen Einsparungen durch reduzierte Anrufvolumina

Dies sind nicht nur Eitelkeitsmetriken. Sie verweisen auf ein System, das versteht, was für Kunden am wichtigsten ist, und erleichtern den Menschen das Leben leichter, ihnen zu dienen.

Echtzeitmaßnahmen ermöglichen

Die Technologie ist nur die Hälfte der Geschichte. Damit GML wirklich funktioniert, muss die Sanitärrechte richtig sein. Das bedeutet:

• Daten müssen in Echtzeit fließen
• Systeme müssen effektiv kommunizieren
• Die Antworten müssen schnell ohne Verzögerungen sein, ohne Batch -Jobs, kein Warten darauf, dass jemand auf „Ausführen“ klickt.

Wir haben gesehen, dass zu viele gute Ideen in PowerPoint stecken bleiben, weil die Infrastruktur nicht fertig warfare. GML fordert die Bereitschaft auf der ganzen Linie, insbesondere wenn das Ziel darin besteht, einzugreifen, bevor die Beschwerde stattfindet, nicht danach.

Warum GML nicht nur um KI geht, es geht auch um Absicht

Wir stellen GML nicht als Silberkugel. Es ist eine Verschiebung, wie wir über Service denken. Anstatt zu analysieren, was nach der Tatsache schief gelaufen ist, bauen wir Systeme auf, die Probleme vorhersehen, und geben den Groups die Instruments, um sie zu beheben, während noch Zeit ist, es richtig zu machen.

Es ist skalierbar. Es lernt, wie es geht. Und vor allem hilft es uns, Kunden weniger wie Assist -Tickets als auch eher wie Menschen mit Geschichten, Frustrationen und Erwartungen zu behandeln.

Dieser Artikel wurde mit Beiträgen von entwickelt Pavak BiswalSenior Supervisor bei Dentsu International Providers.

Häufig gestellte Fragen

Der neue Chatbot WiliBot GenAI des Unternehmens öffnet ein Portal zwischen der physischen Welt und künstlicher Intelligenz. Indem man „Dinge sprechen“ lässt, können Unternehmen und Verbraucher Fragen zu den unzähligen Produkten stellen, die mit dem allgegenwärtigen Web der Dinge verbunden sind, und mit ihnen Gespräche führen.

Wiliotder Pionier des Ambient Web of Issues (IoT), gab heute die Einführung von WiliBot bekannt, einem Chatbot mit generativer KI (GenAI), der natürlichsprachliche Gespräche mit Ambient-IoT-vernetzten Produkten ermöglicht. Durch die Kombination der Leistungsfähigkeit generativer KI mit dieser enormen Quelle an Echtzeitdaten der physischen Welt können Unternehmen – und letztendlich auch Verbraucher – Gespräche mit den Produkten führen, die sie herstellen, beschaffen, vertreiben und letztendlich kaufen.

„Ambient IoT und generative KI sind zunehmend symbiotische Technologien“, erklärte Tal Tamir, CEO von Wiliot. „Ambient IoT generiert riesige Datenmengen über Billionen von Alltagsgegenständen, und GenAI kann all diese Daten auf einzigartige Weise interpretieren. Auf der anderen Seite lernt GenAI durch die Analyse riesiger Datenmengen. In einem realen Ausmaß waren diese Daten bisher endlich, aber Ambient IoT bietet riesige neue Datensätze aus der physischen Welt, die eine GenAI-Plattform wie WiliBot – und andere – verwenden können, um Produkte, Materialien, Lieferketten und alles, was mit dem Web verbunden ist, zu beschreiben.“

Die Ambient Information Platform von Wiliot verwendet briefmarkengroße, selbstbetriebene IoT-Pixel, die an Produkten, Verpackungen, Behältern, Kisten, Paletten und vielem mehr angebracht sind. Diese IoT-Pixel übermitteln über Bluetooth Informationen wie Standort, Temperatur, Luftfeuchtigkeit und CO2-Fußabdruck an die Wiliot-Cloud, wo Unternehmen die Daten analysieren.

Von Wiliot entwickelte KI- und maschinelle Lernalgorithmen können dann „Ereignisse“ in der Lieferkette identifizieren und automatisch Warnmeldungen oder KI-Reaktionen generieren, die es Unternehmen ermöglichen, den Kurs zu korrigieren oder ihre Betriebsabläufe zu optimieren, etwa wenn sie feststellen, dass Lieferungen von Erzeugnissen oder Arzneimitteln bei unsicheren Temperaturen gehandhabt wurden.

„Obwohl Wiliots Arbeit im Bereich generative KI und die Einführung von WiliBot relativ neu sind, ist das Unternehmen seit langem ein Pionier in den Bereichen künstliche Intelligenz und maschinelles Lernen zur Gewinnung von Erkenntnissen aus Ambient-IoT-Daten“, fuhr Tamir fort. „Da immer mehr Unternehmen damit begonnen haben, Wiliots Ambient Information Platform einzuführen, wurden wir gefragt, wie GenAI-Funktionen die Transformation noch einfacher machen könnten. Unsere Antwort ist WiliBot, die reale Kombination aus Ambient-IoT und KI.“

Wiliot wird jetzt mit der Pilotierung von WiliBot bei wichtigen Unternehmenskunden beginnen. Eine breitere Einführung ist für Ende 2024 und 2025 geplant. Während dieser Pilotphase wird WiliBot von Unternehmen eingesetzt, die Fragen zu ihren Ambient-IoT-fähigen Produkten und Lieferketten stellen möchten: Wie frisch ist dieses Produkt? Wie ist es in den Laden gekommen? Welches Produkt sollte ich als nächstes in mein Sortiment aufnehmen und warum? Wie hoch ist der CO2-Fußabdruck dieses Produkts? Warum ist er so niedrig oder so hoch?

In jüngsten Projekten mit führenden Lebensmittelhändlern hat die Wiliot Ambient Information Platform gezeigt, dass Lebensmittelschwund etwa 5 Prozent der Waren in der Lebensmittelkette ausmacht – Lebensmittel, die verloren gehen, beschädigt werden oder verderben, bevor sie die Verkaufsregale erreichen. Die Wiliot-Plattform kann zwei Drittel der typischen Lebensmittelschwundprobleme lösen – und sorgt so für eine sicherere Lebensmittelversorgung, höhere Kundenzufriedenheit und geringere Kosten – während WiliBot nun den Zugriff auf diese Erkenntnisse im gesamten Unternehmen demokratisieren wird.

In Zukunft wird diese Konvergenz von Ambient-IoT und generativer KI den Verbrauchern im Geschäft und zu Hause über ein Ökosystem mobiler Apps zur Verfügung stehen. So können Verbraucher mit ihren Produkten sprechen und kommunizieren, um deren CO2-Fußabdruck, Materialzusammensetzung, Einhaltung ethischer Beschaffungsvorschriften, Frische und Sicherheit usw. besser zu verstehen.

„Mithilfe der Ambient Information Platform von Wiliot können Unternehmen bereits jetzt beispiellose Informationen über Billionen von Produkten gewinnen“, so Tamir abschließend. „Jetzt können mehr Unternehmen – und in Zukunft auch Verbraucher – alles über diese Produkte erfragen und ganz einfach verstehen. Mit WiliBot beantworten wir die Frage: ‚Was wäre, wenn Ihre Produkte sprechen könnten?‘ Jetzt können sie das – in natürlicher Sprache, dank WiliBot.“

WiliBot basiert auf einem führenden Massive Language Mannequin (LLM), um die bahnbrechenden Fähigkeiten des Ambient IoT mit der Rechenleistung von GenAI zu kombinieren und so ein neues Zeitalter der Lieferkettentransparenz einzuläuten.

Melden Sie sich für die kostenlosen insideAI Information an E-newsletter.

Folgen Sie uns auf Twitter: https://twitter.com/InsideBigData1

Folgen Sie uns auf LinkedIn: https://www.linkedin.com/firm/insideainews/

Folgen Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW