29 mei 2017 • mei 16, 2018 at 3:55 pm Qdraw

De top zeven van intelligente Chatbot-tools

Chatbots zijn hot. Vorige week voorspelde onderzoeksbureau Juniper nog dat bedrijven in 2022 acht miljard dollar per jaar gaan besparen, dankzij chatbots. Maar wat zijn de allerbeste chatbot-tools? In dit overzicht is dit uitgezocht.

De ontwikkelingen gaan razendsnel. Chatbot-tools worden steeds beter in het begrijpen van zinnen. Wat voorheen alleen beschikbaar was in het Engels, is nu ook beschikbaar in het Nederlands.

Om een goed overzicht te krijgen van de verschillende chatbot-tools analyseerde ik de top zeven intelligente chatbot-tools. Hierbij wordt gefocust op ‘Natural language processing’-tools (NLP) en worden een aantal punten vergeleken. Deze punten zijn gebaseerd op zijn ervaring met chatbots, onder andere de chatbot voor Eneco.


IBM Watson, LUIS, API.AI, Wit.AI (Dialogflow), Meya.AI, Amazon Lex, Chatfuel, De top zeven van intelligente Chatbot-tools ; | foto 1

Bij het ontwikkelen van een chatbot komt een hoop kijken. Zo heb ik meegewerkt aan de ontwikkeling van de Eneco Chatbot, een intelligente chatbot waarmee consumenten snel meterstanden kunnen doorgeven. Benieuwd wat we voor jou kunnen betekenen? Neem contact op voor een vrijblijvend gesprek.

Het artikel van Juniper: ‘Chatbots, a Game Changer for Banking & Healthcare, Saving $8 billion Annually by 2022’ is hier te vinden.

10 oktober 2017 – API.AI heeft de naam veranderd in Dialogflow

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

28 april 2017 • april 28, 2019 at 3:02 pm Qdraw

Nu inzetten op de ‘service by speech’ revolutie

Met je stem een computer besturen. Het klinkt als ‘science fiction’ maar het is nu werkelijkheid. Met spraakherkenning wordt het mogelijk om op elk moment van de dag, acties uit te voeren met een computer. Deze technologie is nu toegankelijk in de woonkamer dankzij Smart Home devices.

Speech to text

‘Speech to text’ is waar de grootste partijen nu actief mee bezig zijn. Dit uit zich in de vorm van digitale assistenten. Zo heeft Microsoft Cortana in Windows geïntegreerd. Apple heeft Siri en Google heeft haar Assistant. Ook Amazon heeft een digitale assistent, genaamd Alexa. De digitale spraak assistent van Amazon is nu met de tweede generatie bezig. De eerste generatie is geïntroduceerd in 2014 in de Verenigde Staten. Alexa werkt samen met Amazon Echo. Dit is een slimme speaker waar je tegen kunt praten en kunt gebruiken om smarthome producten te bedienen, vragen te stellen, muziek af te spelen en om dingen te kopen.

Concurrentie blijft niet lang uit en het antwoord van Google op Alexa is Google Home. Met dit ‘Internet of Things’- device in de woonkamer wordt het mogelijk om bijvoorbeeld Spotify af te spelen of je Chromecast te bedienen. Ook is het is mogelijk om een conversatie aan te gaan met de virtuele assistent en informatie in te winnen.


Nu inzetten op de service by speech revolutie ; Alexa, Colours, Echo Dot, Amazon, IOT-device | foto 1

Skills

Alexa is zo ontworpen dat je skills – eigen mogelijkheden – kunt toevoegen aan de virtuele spraak assistent. Zo heeft The Guardian (een Brits dagblad) een eigen Alexa Skill waarbij je bijvoorbeeld kunt vragen naar de headlines. Als maker van zo’n nieuwe skill heb jij de regie om zelf antwoorden te formuleren. Zo wordt het mogelijk om interactie te hebben met deze skill.

Wanneer je als ontwikkelaar een skill aanmaakt wordt er gevraagd naar een webhook – een voor de normale gebruiker verborgen webpagina die luistert naar antwoorden van in dit geval Alexa. Op deze manier wordt het mogelijk om dynamisch antwoorden te geven. Het voordeel hiervan is dat het als merk mogelijk wordt om realtime content up te daten en een gepersonaliseerde experience te bieden.

Met je stem een computer bedienen is toegankelijk voor een groot publiek

Er is een nieuw kanaal bij gekomen in het service-landschap! Deze innovatieve manier zorgt voor een gepersonaliseerde experience waarbij gemak centraal staat. Bijna alles is computer-stuurbaar, zonder dat je de bank hoeft af te komen.

Mocht de wereld van ‘service by speech’ je interesse hebben gewekt, maar weet je nog niet hoe je dit in je organisatie kunt toepassen en heb je de nodige vragen? Stuur mij dan een mailtje dan kunnen we een kopje koffie drinken.

Deze blogpost verscheen op Colours.nl en op de weblog van Dion van Velde.

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

13 februari 2017 • april 28, 2019 at 3:03 pm Qdraw

De vijf dingen die je niet wist over Artificial Intelligence

In deze blog ga ik het hebben over vijf verschillende thema’s binnen kunstmatige intelligentie. Deze thema’s gaan van de geschiedenis tot zelfrijdende auto’s.

  1. Er bestaat een test om te bepalen of een machine ‘sociale intelligentie’ vertoond;
  2. A.I. is ook de ‘dame’ in je telefoon die handige zaken handsfree regelt;
  3. Artificial Intelligence leert dankzij jou;
  4. Zelfrijdende auto’s heeft A.I. nodig om succesvol te zijn;
  5. Zelfs huisdieren hebben Artificial Intelligence.

 

1. Er bestaat een test om te bepalen of een machine ‘sociale intelligentie’ vertoond

De test om te bepalen of een machine ‘menselijke intelligentie’ kan vertonen is voor het eerst geïntroduceerd door de computerpioneer Alan Turing in 1950. “Kunnen machines denken?” is de hoofdvraag in de paper ‘Computing Machinery and Intelligence’ uit 1950. Sociale intelligentie wordt gemeten, niet de feitelijke kennis. Inmiddels is het de computers allang gelukt om beter te zijn in feitelijke kennis, neem als bijvoorbeeld IBM Watson met Jeopardy. Jeopardy draait om het antwoorden van triviant-vragen. In 2011 wist Jeopardy de all-time highscores te verbeteren.

De turingtest houdt in dat drie deelnemers afzonderlijk de test uitvoeren. De deelnemers zijn: Een computer, een mens en een mens die moet beoordelen wie de computer is. De computer en de mens proberen de beoordelaar te overtuigen dat zij mensen zijn.
Na een aantal vragen is duidelijk wat de status is van de sociale intelligentie van de computer. Deze status wordt vastgesteld door aan de beoordelaar te vragen wie de computer is. Wanneer de beoordelaar het niet goed inschat heeft de computer gewonnen.

80’s computer

2. A.I. is ook de ‘dame’ in je telefoon die handige zaken handsfree regelt

Wanneer je je telefoon vraagt om iets te doen door de spraak-assistent te activeren, dan wordt je stem doorgestuurd naar een clouddienst waar je stem door middel van Artificial Intelligence wordt vertaald naar geschreven tekst. Vervolgens wordt er een antwoord geformuleerd en deze wordt uitgesproken door een vriendelijke stem, wat in werkelijkheid gecombineerde woordklanken zijn die een geheel vormen. Op deze manier is het mogelijk om taken uit te voeren zonder gebruik te maken van een interface.

Er is daarnaast nog een andere vraag; Is een vrouwenstem minder eng is dan een mannenstem? Voor veel mensen is een spraak assistent toch de eerste kennismaking met A.I. Er is veel onderzoek gedaan naar of een vrouwenstem in combinatie met A.I., minder eng is dan een mannenstem. Uit onderzoek blijkt dat de verschillen klein zijn maar dat een vrouwenstem toch beter is. Vergelijk ‘Samantha’ in de film ‘Her’ maar eens met de Terminator machines.

Siri, maar nog in de tijd van iOS6.


De vijf dingen die je niet wist over Artificial Intelligence ; | foto 2, ‘reCAPTCHA’ in gebruik

3. Artificial Intelligence leert dankzij jou

Wanneer je een formulier invult, dan wordt er nog weleens gevraagd om iets over te typen. In het verleden werden hier huisnummers getoond. Wist je dat deze nummers gebruikt werden door Google om de software uit te dagen en zo beter te worden in het herkennen van schrift? Het tonen van deze ‘CAPTCHA’-vragen is om te voorkomen dat er nieuwe spamgebruikers zich toevoegen.

Google had al de streetview-data, een gigantische hoeveelheid afbeeldingen van complete landen. De volgende stap is om hier iets mee te doen. Het was in het verleden lastig om het huisnummer te vinden binnen een straat. Dus heeft Google software ontwikkeld om de huisnummers te vinden, zelf het huisnummer te herkennen. Het vragen aan de massa is een goed middel om door middel van Artificial intelligence een ‘Neural Network’ op te zetten. Vergelijk een Neural Network maar met je hersenen. Er wordt een grote verzameling connecties die gemaakt. Op deze manier is het mogelijk om, op een snelle manier, de gebruikers net iets beter te helpen.

‘reCAPTCHA’ voordat het gebruik ging maken van streetview-data.

4. Zelfrijdende auto’s heeft A.I. nodig om succesvol te zijn

Een zelfrijdende auto heeft veel sensoren, zo wordt er bijvoorbeeld in een Tesla gebruik gemaakt van 8 camera’s die samen 360-graden beelden maken van de omgeving. Om de diepte te kunnen inschatten wordt radar en sonar gecombineerd. Zo kan het systeem ook echt zien hoe de omgeving eruitziet. De data wordt slim gecombineerd en met slimme zelflerende algoritmes wordt de beste route bepaald. Dit allemaal zodat jij veilig aankomt op je bestemming.

Een prototype van een zelfrijdende Google auto

Als een zelfrijdende auto geen zelflerend systeem zou hebben, zou voor elke situatie een losse regel moeten worden uitgeschreven. In een situatie op straat zouden die zo veel regels zijn dat mensen dingen over het hoofd gaan zien. Elke situatie is uniek en door gebruik te maken van een zelflerend systeem worden regels snel toegevoegd. Daarnaast kunnen auto’s onderling deze kennis snel delen. De zelflerende auto kan een andere inschatting kunnen maken en voorkomen dat bijvoorbeeld de onderstaande kat wordt aangereden.

Iets met een kat en een zelfrijdende auto…

5. Zelfs huisdieren hebben Artificial Intelligence

Het bekendste voorbeeld een artificieel huisdier is Aibo. De door Sony geproduceerde hond had als enigste doel om mensen gezelschap te houden. Wanneer een huisdier intelligenter is wordt het makkelijker voor een mens om hier een emotionele band mee te hebben.

Waar een robothond gebruikt voor kan worden is het delen van verhalen, op een interactieve manier lesmateriaal over te brengen. Daarnaast worden zorgrobots ook gebruikt om ouderen te ondersteunen. Een taak van een zorgrobot is het herkennen van ongelukken. Een robot kan je ook helpen herinneren aan een afspraak.


De vijf dingen die je niet wist over Artificial Intelligence ; | foto 1

Het Aibo hondje, wat in het Japans ‘vriend’ of ‘maat’ betekend.

Mocht de wereld van Artificial Intelligence je interesse hebben gewekt, maar weet je nog niet hoe je dit in je organisatie kunt toepassen en heb je de nodige vragen? Stuur mij dan een mailtje dan kunnen we een kopje koffie drinken.

Voor dit blogartikel heb ik gebruikt gemaakt van de volgende bronnen: LiveScience, technologyreview, ieee.org, Flickr, Giphy, Giphy en Giphy

Deze blogpost verscheen op Colours.nl en op de weblog van Dion van Velde.

Dit bericht is geschreven door: Dion

Tags: ,

Gecategoriseerd in:

13 januari 2017 • april 28, 2019 at 3:03 pm Qdraw

Machine Learning bestaat voor 80% uit data-analyse

Verschillende bedrijven maken actief gebruik van Machine Learning. Een aantal banken zijn bijvoorbeeld met deze vorm van Artificial Intelligence aan de slag gegaan om real-time transacties te analyseren. Zo kan een dergelijk systeem op basis van grote hoeveelheden data voorspellingen doen, die bijvoorbeeld kunnen aantonen of een transactie mogelijk frauduleus is. Erg handig dus!

De trend van geautomatiseerde voorspellingen zal voorlopig nog voortzetten, waarbij new business concepten zullen worden ontwikkeld die van grote waarde kunnen gaan zijn, zoals het voorbeeld van de bancaire sector. Het blijft daarbij noodzaak om met deze technologieën te experimenteren. Voor een mens is het vrijwel onmogelijk om dergelijke voorspellingen met de hand te doen. Daar is de hoeveelheid data te groot voor, toch speelt de mens wel een grote rol in het traject.

Voordat gestart kan worden met het opzetten van een Machine Learning systeem zal eerst een boel data moeten worden geanalyseerd. Uit ervaring blijkt dat data-analyse 80% van de tijd in beslag zal nemen en de laatste 20% zal zitten in het configureren van het Machine Learning algoritme. Dus hoe gaat dat analyseren nu precies in zijn werk? In deze blog leg ik dat in 7 stappen uit.

Allereerst een kleine introductie over wat Machine Learning nu precies doet: het is een systeem dat leert van het gedrag dat een gebruiker vertoont en de data die een gebruiker daarmee achterlaat. In deze data zal het systeem patronen herkennen. Op basis van de patronen ontwikkelt het een algoritme en een model dat de voorspellingen maakt. In het blogartikel ‘Voorspellen of een gebruiker lid blijft‘ vertel ik hoe dat precies in zijn werk gaat. Op basis van het algoritme kan het systeem voorspellingen doen, waarbij het potentie heeft om zelfstandig te kunnen opereren.

Stap 1: Doel bepalen Machine Learning traject

De eerste stap is te bepalen wat er voorspelt moet worden en een doel te koppelen aan het onderzoek. Een doel kan bijvoorbeeld zijn: ‘ik wil kunnen voorspellen of een websitebezoeker een bestelling zal gaan plaatsen.’ Dit geeft richting aan het onderzoek en inzicht in welk probleem er precies opgelost moet worden.

Stap 2: Data verzamelen

In de tweede stap van het Machine Learning traject moet geïnventariseerd worden wat voor data beschikbaar is. Vervolgens is het aan jou om in het systeem aan te geven welke data van belang is en welke data ruis bevat. Dit is een belangrijke stap, omdat op deze wijze het systeem in de juiste richting gestuurd wordt en gaat begrijpen wat de juiste voorspellingen moeten zijn. Om deze stap te kunnen nemen moet de data inzichtelijk worden gemaakt. Samenvatten en visualiseren van de data helpt om daar grip op te krijgen.

Stap 3: Samenvatten van data

Een goede samenvatting van de data kan helpen inzicht te krijgen in verschillende datastructuren en te controleren of de dataset zuiver is. Het is namelijk van belang de dataset zo zuiver mogelijk te krijgen. In feite ga je in deze stap beginnen met de data te analyseren.

Om een goede samenvatting te maken zal je een antwoord moeten krijgen op een aantal vragen zoals: hoe is de data opgebouwd? Wat voor categorieën worden er gebruikt? Wat betekenen de waardes van de data? Gaat het om een getal, of een getal met decimalen? Wat is de hoogste waarde? Wat voor eigenschappen heeft deze waarde nog meer en hoe wordt deze toegepast? Is het mogelijk om gemiddelden te maken? Zijn er belangrijke uitschieters en wat houden deze in?

Wanneer eventuele correlaties en lineaire verbanden onderzocht moeten worden kunnen de waardes gecontroleerd worden aan de hand van de correlatiecoëfficiënt van Pearson. Mocht het gaan om waardes op ordinaal niveau, dus een rangschikking, kan gebruik worden gemaakt van de Spearman’s rang-correlatie, waarbij de data vervangen wordt door rangnummers en alsnog een correlatie kan worden berekend.

Zoeken naar waardevolle data in een zee vol informatie. De tekst gaat verder na de afbeelding


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 1

Stap 4: Functionele datavisualisatie

Ook is het handig om data visueel te maken. Grafieken en tabellen kunnen inzicht geven in mogelijk interessante structuren. Een mogelijkheid is gebruik te maken van een histogram of scatterplot. Let hierbij op de verschillende groepen en de eventuele verspreiding van deze groepen.

Er zijn verschillende tools om datavisualisaties te maken. Je zou deze visualisaties kunnen maken met R-Studio. R-Studio maakt gebruik van de programeertaal R. De programeertaal R is ontwikkeld voor statistiek en data-analysedoeleinden en wordt ook veel gebruikt voor Machine Learning.

Een histogram kan gebruikt worden om een beter beeld te krijgen bij de getallen. Bij een eenvoudige dataset kun je eventuele verbanden nog aflezen, maar als het complexer wordt is aan te raden om een hulpmiddel, zoals het histogram te gebruiken. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 2

Een andere methode die gebruikt kan worden om data visueel te maken is het scatter plot. Dit is een twee dimensionele weergave van een structuur, waarin twee variabelen worden weergegeven en het mogelijk maakt om een eerste indruk te krijgen van eventuele correlaties te ontdekken. Op deze manier krijg je een eerste indruk van de data.

Een voorbeeld kan zijn de eruptiedata van de ‘Old Faithful’ geiser in Yellowstone. Waarbij er twee assen zijn: de wachttijd tussen de erupties en de duur van de eruptie. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 3

Stap 5: Opstellen onderzoeksvraag

Wanneer de data geanalyseerd is en het doel van het onderzoek duidelijk, is de volgende stap om een onderzoeksvraag op te stellen, om vervolgens te bepalen welke data nodig zijn om het model te trainen. In de blogpost ‘De 6 must-know’s voordat je start met Machine Learning’ geef ik een aantal handvaten over het opstellen van een goede onderzoeksvraag, om de juiste inzichten en voorspellingen uit het systeem te krijgen. Hierin staan ook de verschillende vormen van Machine Learing beschreven welke je in de volgende stappen nodig bent.

Stap 6: Traningsdata (Pre-processing modules)

Nu het doel bepaald is, de gegevens klaar staan en een onderzoeksvraag is opgesteld, is het tijd om het voorspellend model te gaan bouwen en te trainen. Het is mogelijk om een algoritme van tevoren te trainen met behulp van een trainingsdataset. In het hypothetische geval dat er voorspeld moet worden of een websitebezoeker een bestelling zal gaan plaatsen kan een dergelijke trainingsdataset bestaan uit het aantal frequenties dat een bepaald type handeling is uitgevoerd.

In mijn eerdere blogpost ‘Voorspellen of een gebruiker lid blijft’ wordt dieper ingegaan op het proces van trainen van het model en hoe we dit precies doen aan de hand van het machine learning itaration model. In het model wordt ‘stap 6’: ‘Pre-processing modules’ genoemd. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 4

Stap 7: ‘Machine Learning algorithm’ toepassen

Op basis van de trainingsdata wordt het Machine Learning algoritme gevoed. Dit komt omdat het model steeds weer resultaten produceert, die gebruikt worden om oude algoritmes te verbeteren. Oftewel de uitkomst van elke stap leert of alle voorgaande stappen goed zijn uitgevoerd, maar het is aan jou om het juiste algorimte te kiezen en de waardes te tweaken.

Mocht de wereld van toegepaste data-analyse en Machine Learning je interesse hebben gekregen, maar je hebt nog de nodige vragen? Laten we dan eens een kop koffie drinken.

Voor dit blogartikel heb ik gebruikt gemaakt van de volgende bronnen: MachineLearningMastery, Gartner, R-tutor en Stackoverflow.

Deze blogpost verscheen op Colours.nl en op de weblog van Dion van Velde. Credits voor dit artikel gaan ook naar onze ‎Online Marketeer: Elizabeth Geul, zij heeft bijgedragen aan de tekst door deze te redigeren.

Dit bericht is geschreven door: Dion

Tags: , , ,

Gecategoriseerd in:

13 december 2016 • mei 16, 2018 at 1:58 pm Qdraw

De 5 typen van Conversational Commerce

De interactie tussen mensen gaat razendsnel. We communiceren via verschillende kanalen zoals bellen en whats-appen. Maar de communicatie tussen klant en bedrijf verloopt nog altijd traag. Als je een mailtje stuurt met een vraag duurt het lang voordat je antwoord krijgt.

Waarom zouden bedrijven een toekomst moeten zien in Chatbots? Chatbots zijn een nieuwe manier om te communiceren tussen klant en bedrijf. Chatsbots versnellen en vergemakkelijken de dienstverlening van bedrijven aan klanten. Zo hoeft de klant niet langer te wachten op de directe beschikbaarheid van een medewerker.

Over hoe je dit systeem kunt inzetten heb ik “Conversational Commerce – Chatbots in de praktijk” geschreven. In deze blog ga ik het hebben over de verschillende type chatbots.

Zelfservice-chatbot

Het type zelfservice bot helpt bestaande klanten om sneller en beter geholpen te worden. Wanneer je al klant bent hoef je je bij een zelfservice-chatbot alleen maar te identificeren en word je op elk moment geholpen dat jij dat wilt. Het is bijvoorbeeld mogelijk om midden in de nacht een conversatie te voeren waarbij zaken direct geregeld worden.

Wanneer je als bedrijf nog geen chatbot hebt is het bij een zelfservice-chatbot goed te doen om te beginnen met één ‘taak’. Zo’n taak kan bijvoorbeeld zijn: het doorgeven van een verhuizing. Deze taak omvat meer dan alleen maar informeren en antwoorden; Het is noodzakelijk dat de klant echt dingen kan gaan veranderen in het CRM-systeem waarin de adresgegevens zijn opgeslagen. Uiteraard moet de klant zich eerst wel identificeren zodat we weten tegen welke klant we een chat aan het voeren zijn.

Wanneer een klant sneller en beter geholpen kan worden verhoogd dit de NPS-score. Een NPS-score is één van de manieren om klanttevredenheid mee te meten. Wanneer je een chatbot goed inzet help je de klant sneller en beter en verhoog je hiermee de klanttevredenheidscijfers.

(Tekst gaat verder onder de afbeelding.)

Een voorbeeld van een zelfservice-chatbot is de Eneco Chatbot waarbij klanten de meterstand kunnen doorgeven: #colours #trots (De Eneco Chatbot case is hier te vinden)


Eneco chatbot (selfservice) | foto 1

Vraagbaken

Wanneer je een korte vraag hebt, kan de chatbot hier snel op antwoorden. Het is ook mogelijk om op deze manier snel te leren van de gebruikers. Een eenvoudige vraag zou kunnen zijn: “Hoelang moet ik de spinazie koken” of “Ik mis een onderdeel bij het in elkaar zetten van mijn Ikea kast”.

De vragen-antwoord combinaties zijn snel aan te vullen. Wat hierbij belangrijk is dat er gemonitord wordt welke vragen er gesteld worden aan de bot zodat dit snel kan worden aangevuld. Het zelflerende algoritme koppelt de intentie aan het antwoord.

Doordat er meer vragen afgehandeld worden door de chatbot wordt het callcenter sterk ontlasten kan zich focussen op ingewikkeldere problemen en specifieke vraagstukken die de chatbot niet direct kan afhandelen.


Een voorbeeld van een vraagbaken-chatbot is de HealthTap waar klanten eenvoudige medische vragen kunnen stellen:


Healthtap chatbot (vraagbaken) | foto 2

Direct sales

Het verkopen van producten of diensten kan ook via een ‘Conversational Commerce’ interactie. Een voorbeeld uit de V.S.: 1-800-Flowers.com. Hier kan je direct bloemen kopen en laten bezorgen. Facebook is bezig met Messenger-payments (beschikbaar als closed-beta). Messenger-payments ondersteunen op dit moment alleen Paypal en creditcards.


Bij 1-800 Flowers is het mogelijk om in een conversatie direct-sales aan te bieden:


1-800FLOWERS (direct sales) | foto 3

Inspiratie

De chatbot kan je helpen met de volgende vragen: “Wat wil ik nu gaan eten vanavond?” of “Naar welk restaurant zal ik gaan?”. Deze vorm van een chatbot interactie draait om personalisatie en het voorspellen van engagement tussen klant en merk. De chatbot kan een persoonlijk antwoord op basis van de keuzes samenstellen en leren van impliciete data en expliciete data. Impliciete data (of gedragsdata) helpt de klant om betere inspiratie te vinden.

In Messenger is het eenvoudig om afbeeldingen, GIF’jes en korte filmpjes te sturen. In het Messenger-platform is deze rijke multimedia ervaring beschikbaar. Op deze manier maak je het gesprek beeldend en interactief.

Een inspiratie chatbot draait om het verhogen van de brand experience. Dit kan bereikt worden door een conversatie te personaliseren en het bieden van een rijke multimedia omgeving.


The Guardian Sous-chef is een chatbot die inspiratie bied:


Guardian Sous-chef | foto 4

Entertainment

Just for fun, niet omdat het moet maar omdat het kan. Leuke antwoorden en ter vermaak is een speciale catagorie. Zo is er een Guus Geluk die leuke gesprekken voert zoals: “Hé, wat leuk dat je even met me wilt kwekken op Snoetboek! ”. Hij refereert aan het feit dat hij altijd geluk heeft. Een ander voorbeeld is ‘Miss Piggy’ uit de ‘The Muppet Show’ waarbij zij zichzelf is en lekker vervelend kan zijn.


De ‘Miss Piggy’ chatbot uit de ‘The Muppet Show’ is er voor de entertainment:


Miss Piggy (Entertainment) | foto 5

Er zijn 5 typen chatbots die gebruikt worden. Chatbots zijn een nieuwe manier om te communiceren tussen klant en bedrijf. De klant wordt sneller en makkelijker geholpen. Sommige chatbots leggen daarbij meer nadruk op direct selling en helpen andere chatbots bij het inspireren en verhogen van de Brand Experience.

Het is sterk afhankelijk van het merk welke vorm het beste gaat werken. Mocht de wereld van toegepaste chatbots je interesse hebben gekregen, maar je hebt nog de nodige vragen? Laten we dan eens een kop koffie drinken.


Deze blogpost verscheen voor het eerst op de weblog van Dion van Velde

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

6 december 2016 • mei 16, 2018 at 1:58 pm Qdraw

Eneco Chatbot Live

Het is vanaf vandaag mogelijk om je meterstanden door te geven via de Eneco Chatbot. Eneco heeft als eerste energiemaatschappij een intelligente chatbot op Facebook Messenger. Hiermee is een nieuw self-service kanaal toegevoegd aan de dienstverlening van Eneco.

Tekst gaat verder onder de afbeelding



Eneco Chatbot | foto 1

De klanten ontvangen één keer per jaar een e-mail met daarin het verzoek om de meterstanden door te geven. Maandelijks geven duizenden klanten de meterstanden door.
Vanuit deze mail komen de klanten bij de chatbot terecht en start de conversatie. De chatbot reageert volgens een geautomatiseerd reactiesysteem. Dit data-driven systeem is vooraf bepaald welke reactie er volgt op welke actie. Op deze manier wordt je optimaal geholpen en kan het doorgeven van de meterstand in een paar minuutjes gebeurt zijn.

Het kanaal Facebook Messenger is een kanaal dat bij de klanten bekend is en wordt gebruikt. Er zijn 7 miljoen mensen die Messenger op hun mobiel hebben staan en 6,8 miljoen dagelijkse Facebook-gebruikers. Messenger is een nieuw kanaal dat aan de serviceverlening wordt toegevoegd. Doordat dit kanaal al veel wordt gebruikt wordt het nog eenvoudiger en laagdrempeliger om de meterstanden door te geven.

De chatbot is vanaf vandaag te proberen op m.me/enecochatbot.
Mocht de wereld van chatbots je interesse hebben gekregen, maar je hebt nog de nodige vragen? Laten we dan eens een kop koffie drinken.


Het filmpje dat Eneco geplaatst heeft op Youtube



Eneco Chatbot | foto 2

Deze blog verscheen voor het eerst op Qdraw.nl

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

25 november 2016 • april 28, 2019 at 3:04 pm Qdraw

De 6 must-know’s voordat je start met Machine Learning

Het is mogelijk om met Artificial Intelligence de toekomst te voorspellen. Machine Learning is een vorm van Artificial Intelligence waarbij de machine zichzelf patronen aanleert. Bij het implementeren van Machine learning worden er een aantal basis patronen geprogrammeerd. Op basis van nieuwe inputdata leert de computer (d.m.v. Machine Learning) de huidige data (bestaande patronen) te trainen en uit te breiden.
Dit model kunnen we succesvol inzetten om de uitkomsten van nieuwe data te voorspellen. Met dank aan deze voorspellingen kan een organisatie sneller succesvol zijn en de concurrenten een stap voor blijven. In dit proces is het belangrijk om de juiste vragen te stellen en te weten wanneer je succes hebt. In dit artikel ga ik het hebben over de zes must knows om Artificial Intelligence succesvol in te zetten.

Stappen in het Machine Learning proces

Om een beter beeld te geven hoe het proces verloopt, is er een model ontwikkeld: het ‘Machine Learning Iteration Model’. Je begint elk proces altijd met de input van raw data. Deze data moet vervolgens verwerkt worden tot trainingdata. Trainingdata is de data die geschikt is om te voeden aan het Machine Learning algoritme. De Machine Learning algoritme maakt van deze gegevens een model. De eerste versies van zo’n model worden ook wel candidate models genoemd. Het model berekend op basis van de trainingdata de voorspelling. De app maakt vervolgens verbinding met het model om op basis van nieuwe data voorspellingen te doen.

Tekst gaat verder na de afbeelding



Machine Learning iteration model | foto 1

De 6 must knows

  1. Stel de juiste vraag om te voorspellen.

    Het proces van Machine Learning valt of staat bij een goede onderzoeksvraag. Zo’n vraag moet daarom voldoen aan de volgende vier punten:

    • Maak de scope helder: wat gaan we nu voorspellen en wat niet;
    • Maak duidelijk wat het doel van de voorspelling is;
    • Maak inzichtelijk in welke context/situatie de vraag relevant is.

      Er moet een mogelijkheid zijn om te meten of de machine defect is. Dit klink logisch maar dat is het over het algemeen niet.
    • Maak meetbaar wanneer het een succes is.
      En welke manier van Machine Learning hiervoor gebruikt kan worden.
      (In het artikel “Voorspellen of een gebruiker lid blijft” vertel ik iets meer over de verschillende vormen van Machine Learning).
  2. Verwerk de raw data (volledig) tot trainingdata.

    Aan de hand van de trainingdata kan het Machine Learning algoritme voorspellingen doen. Elke stap die hierna komt heeft een toenemende afhankelijkheid van de vorige stap. Als je een belangrijk data-element bent vergeten toe te voegen in de eerste stap, kom je in de volgende stappen in de problemen. Hierdoor zal je opnieuw moeten beginnen;

  3. Verwacht dat je stappen terug moet doen.

    Machine Learning is een itererend proces waarbij je steeds tot nieuwe inzichten komt en steeds meer leert over de data. Hierdoor moet je uitzoeken of die nieuwe inzichten/leerpunten ook toepasbaar zijn op eerder gemaakte stappen;

  4. Check tijdens het proces of je nog data mist.

    In een Machine Learning proces kom je er in veel gevallen achter dat er data mist. Er zijn drie manieren om dit op te lossen:

    • Door data van een andere bron erbij te zoeken, en deze twee databronnen te combineren;
    • Door eerst te bewijzen door middel van zelf gegeneerde nep data dat de data daadwerkelijk antwoord geeft op de vraag. Pas daarna met echte data aan de gang te gaan;
    • Door de data die nodig is om een voorspelling te doen alsnog te verzamelen en daarna opnieuw een model te maken met Machine Learning.
  5. Zorg ervoor dat de data is gestructureerd.

    Wanneer je meer data hebt vergroot je de kans dat het voor de machine makkelijker wordt om patronen te vinden. Het is hierbij wel belangrijk dat de data compleet is en niet vervuild. Machine Learning kan namelijk niet helpen bij het opschonen van vervuilde data.

  6. Ga niet verder met een slechte oplossing.

    Evalueer de data en kijk of je eventuele fouten kunt oplossen. Hierdoor kan je een betere voorspelling maken. Mocht dit niet lukken, beëindig dan de voorspelling en begin opnieuw met een nieuwe voorspelling. Zoals het Duitse automerk zou zeggen “Das beste oder nichts”.

Deze 6 must knows geven je een handvat om Machine Learning in te zetten in echte projecten. Het doel is om altijd beter te kunnen voorspellen dan om zomaar een willekeurige gok te doen. Dit heeft als voordeel dat je een stapje voor bent op de concurrent en wie wil dat nu niet.



Binary Bridge at Georgia tech (Door: Chris McClanahan) | foto 2

Deze blog is geschreven door Dion van Velde en verscheen op Colours.nl en mijn eigen blog Qdraw

Dit bericht is geschreven door: Dion

Tags: , , , ,

Gecategoriseerd in: