המרואיין: עמרי אלוש מנהל קבוצת המחקר

כמה אנשי פיתוח ? איך מחולקים ?

המחלקה שלי הינה מחלקת מחקר שיש בה כעשרה חוקרים, מנהלת פרויקטי מחקר, מתייגים וסטודנטים\מתמחים שכותבים כלים.

רקע

החברה עוזרת לצוותי מכירה לסגור יותר עסקאות ע”י הבנה מה עובד טוב בשיחות ומתן המלצות קונקרטיות לשיפור. המערכת שלנו מפשטת ומייעלת את אופן העבודה של אנשי המכירות. אנחנו מתמללים שיחות מכירה ונותנים תובנות ומוציאים פרטים חשובים ומשימות לביצוע משיחות.

אנו מתעסקים בעיקר בחברות B2B בהן תהליכי המכירה הינם מורכבים וארוכים (מספר חודשים). בעזרת המערכת שלנו תקבל תובנות כמו: “אתה צריך לדבר יותר על המתחרים, אבל בשלב מאוחר יותר בשיחה, אחרי שדיברת על הערך והפיצ’רים של המוצר לפחות ארבע דקות”. כל התובנות שלנו מתוך data אמיתי של החברה עצמה, ולא מתוך Best practices שאולי לא תופסים עבור החברה הספציפית. אנו מעבדים גם טקסט (NLP), גם Voice וגם Video.

מהם המוצרים של החברה ?

יש למעשה מוצר-על אחד שהינו מערכת ניתוחהזדמנויות מכירה, כולל שיחות מכירה ואימיילים. ברמה הראשונה אנחנו מוסיפים שכבות של הבנה לשיחה, למשל חילוץ Action Items (לדוגמא, “אשלח לך אימייל אחרי השיחה” או “אדבר עם המנהל שלי ואחזור אליך”), המאפשר לאיש המכירות להתרכז יותר בתהליך המכירה המורכב ופחות בצורך לרשום לעצמו תזכורות במהלך השיחה. אנחנו גם מנתחים את הוידאו במהלך השיחה ומזהים את נושאי השיחה אוטומטית. כך ניתן להבין שיחה בת שעה במהירות גבוהה, ולצלול ישר לדמו, לדיון על המחיר ועוד.

המערכת משלבת את הניתוחים הללו גם להמלצות לשיפור, למשל:

• “בהזדמנות המכירה הזו עדיין לא דיברת מספיק על המחיר ואנחנו יודעים שבעיסקאות כאלו בשלב כזה מדברים על המחיר לפחות X דקות”
• “הלקוח נשמע נלהב אך לא שואל הרבה שאלות, וזה מעורר חשד!”

אילו חלקים במוצר מצריכים אלגוריתמיקה ?

בערך הכל. אנחנו מפתחים הכל בבית – עולם המכירות מצריך מודלים ייחודים, ולא ניתן להשתמש במודלים שאומנו על ויקיפדיה או חוות דעת מאמזון וכו’. אנו משלבים אלגוריתמים קלאסיים עם למידה עמוקה. למשל:

בתחום ה-Speech, תימלול, חלוקה לדוברים, זיהוי ארועים (צחוק, מוסיקה), זיהוי חתימה קולית.

בתחום ה NLP זיהוי נושאי שיחה, סיווג אימיילים.

בתחום ה-Video שהינו תחום יחסית קטן והוא בעדיפות נמוכה: OCR, סיווג (איזה מסך כרגע בשימוש)

ובאופן כללי הסקת נתונים.

מה עובד לכם טוב ? (דוגמאות לאלגוריתמים)

בגונג יש עשרות בעיות שונות שהיינו צריכים לפתור – כדי שהמערכת תעבוד כל ה pipeline צריך לעבוד, בלי חוליה חלשה. יכולות זיהוי הדיבור שלנו גבוהות מאוד– אנחנו עושים פחות מחצי מהטעויות שעושות גוגל ואמאזון. התמלול המדויק מאפשר תהליכים מורכבים אחרים, למשל זיהוי אוטומטי של נושאי שיחה דרך NLP הנותן חלוקה של השיחה לנושאים שונים. שכבת הסקה סטטיסטית מוסיפה הבנה של מה עושים אנשי מכירות טובים (נושאי שיחה, סדר הנושאים, משך כל נושא,…) בכדי שאחרים יוכלו להשתפר.

אנחנו משלבים שיטות ML קלאסיות עם Deep Learning ולכל בעיה בוחרים את הפתרון המתאים ביותר אליה. למשל, אחרי התמלול של ה  Voice מתקבל טקסט חסר סימני פיסוק וכדי להקל על העיבוד כטקסט יש לנקד אותו. את הוספת סימני פיסוק אנו עושים בעזרת רשתBi-Directional LSTM (bLSTM) עם Attention.

לזיהוי המתרחש בוידאו בזמן שיחה אנחנו משתמשים ב-Convolutional Neural Network , ועוד.

מה מאתגר אתכם ?

בגונג עובדים על מגוון גדול של מודלים. האתגר שלנו לעבוד מהר ולספק איזון נכון בין מודלים איכותיים לשחרור מהיר של פיצ’רים מועילים. בעולם שלנו אין דאטה סטים גדולים עליהם עובדים כולם, ואיסוף ותיוג דאטה איכותי הוא בעיה משמעותית. ברמה האלגוריתמים, אנחנו מנסים להבין שיחות חופשיות בין כמה אנשים, שמתאפיינות בהרבה ז’רגון מקצועי ו”דיפלומטיה” של מכירה. שיחה חופשית בין אנשים שונה מאוד מטקסט כתוב, וכוללת הרבה גמגומים, הפסקות בדיבור, משפטים קטועים, התפרצויות ועוד, המקשים על הבנה עמוקה בעזרת מכונה.

בעיות שפתרתם בדרך יצירתית ?

דוגמא חמודה היא זיהוי החתימה הקולית של משתמש.

דרך נפוצה לזיהוי חתימה קולית של דובר היא לבקש ממנו לחזור על כמה משפטים לצורך קליברציה. אפשרות אחרת היא לבקש מהמשתמש לזהות את עצמו בשיחה. בגונג אנחנו מעדיפים לא להטריח את המשתמשים ולכן השתמשנו בטריק:

אנו יודעים בסבירות גבוהה שמי שזימן את הפגישה הוא צד בשיחה (זה בדרך כלל המקרה). אנחנו לוקחים אוסף שיחות שבסבירות גבוהה המשתמש נמצא בהן כדובר, אף שאנחנו לא יודעים מי מהדוברים הוא אכן המשתמש. אז אנחנו מחפשים מקבץ (Cluster) של דוברים עם חתימה קולית דומה מתוך אוסף השיחות של מזמין הפגישה. בדרך זו אנחנו מזהים אוטומטית את החתימה הקולית של המשתמש.

ספר על משימת איסוף ה DB אצלכם ? (מי עושה ? מי בודק ? מי מתייג ? מי מנהל ?)

משימת איסוף הדאטה היא משימה קריטית להצלחה של מודלים. בגונג יש לנו מנהלת פרויקטים האחראית לנושא הזה. היא בקשר עם אנשי המוצר ועם אנשי האלגוריתמיקה, ומנהלת את המתייגים. היא מבינה את הצורך המוצרי ואת הגישות האלגוריתמיות, קובעת את התגיות, מכשירה את המתייגים, ומבקרת את העבודה שלהם באופן שוטף. המתייגים הינם עובדי GONG שעובדים למשך זמן על משימות, וצוברים נסיון והבנה בדומיין הייחודי שלנו. כמו כן מצטבר דאטה תוך כדי שימוש במוצר בזמן אמת וגם אותו צריך לנהל ולשלב. בראייה שלנו תפקיד מנהל פרויקטי מחקר הוא תפקיד משמעותי בכל צוות מחקר רציני, ובשנים הקרובות נראה חברות רבות מאמצות אותו להצלחת פרויקטים.

מהם אתגרי העתיד ?

אנו מאמינים שה AI יהיה מסוגל לייעל עבודה של איש מכירות בלפחות 100%. עבודתם של אנשי המכירות מאוד מורכבת ודורשת יכולות בין אישיות גבוהות, אך הבינה המלאכותית תוכל לחסוך לפחות חצי מהזמן. למשל, להציע ולשלוח במקומך מיילים, למיין לידים לפי איכות ועוד. היכולת ההולכת וגוברת של AI להבין שיחה מורכבת בין אנשים, הכוללת משא ומתן וניואנסים תרבותיים, מדהימה ומעניין לראות אילו יכולות מתווספות כל הזמן.