Garbage in = quality out

Jan 3, 2024

5 min

Het fundament van Customer Support-kennismanagement is de kennisbank. Hierin zouden alle antwoorden op klantvragen te vinden moeten zijn. Dit vormt ook de basis voor de antwoorden van een AI-kennisassistent. De kennisbank heeft dus een grote invloed op de output. Wanneer de kennisbank verouderde informatie bevat, of belangrijke informatie mist, kan het AI-systeem mogelijk onjuiste of helemaal géén antwoorden geven.  Dus hoe zorg je ervoor dat ‘garbage in = garbage out’ verandert in ‘garbage in = quality out’. In deze blogpost gaan we in op hoe je dit principe kunt realiseren
Kennismanagement

Het is essentieel dat een kennisbank correcte informatie bevat, omdat het de basis vormt voor een efficiënte operatie van de klantenservice. Het bijhouden ervan kan een uitdaging vormen. Een voorbeeld: de knowledge manager draait vaak niet mee in de praktijk van de klantenservice en is hierdoor afhankelijk van customer support agents die een melding doen om de kennisbank up-to-date te houden. Het bijhouden vergt dus veel discipline. 

Hoe werken AI-modellen?

AI-modellen zijn zo geprogrammeerd dat zij hun antwoorden baseren op de kennis die tot hen beschikbaar is gemaakt. De meeste Conversational AI-tools focussen zich op een stuk ‘Knowledge Retrieval’. Knowledge Retrieval houdt in dat het AI-model informatie opzoekt om vervolgens met deze kennis vragen te beantwoorden. De kennisbank is gekoppeld aan een Large Language Model (LLM). Een LLM is een type AI dat is ontworpen om menselijke taal te begrijpen, te genereren en erop te reageren. Dit kan dus gebruikt worden om vragen te beantwoorden of teksten te schrijven.

De uitdaging ligt in het focussen op het onderliggende probleem: onjuiste output door een verouderde kennisbank of ontbrekende informatie. Dat probleem houdt zichzelf in stand zolang de kennisbank niet geüpdatet wordt. Het is een eenrichtingsverkeer waarbij kennis opgehaald wordt om een antwoord te formuleren. Mocht het juiste antwoord ontbreken, dan is er geen mechanisme om hier feedback op te geven. De AI-tool kan geen goed antwoord aanleveren, simpelweg omdat de juiste input niet beschikbaar is. Ofwel: garbage in = garbage out. 

Hoe bereiken we ‘garbage in = quality out’?

Dus hoe blijft de kennisbank actueel met minimale afhankelijkheid van menselijke discipline? Bij Jochem.ai noemen we dit de feedbackloop. Deze loop maakt van eenrichtingsverkeer, tweerichtingsverkeer. Hiervoor kijken we waar de meest actuele en relevante kennis wordt gedeeld: tijdens de dagelijkse operatie. Collega’s stellen vragen aan elkaar. Deze interacties zijn waardevol voor het updaten van de kennisbank, maar worden zelden vastgelegd. 

Hier komt Jochem.ai om de hoek kijken: dit gesprek wordt geanalyseerd en er kunnen suggesties gedaan worden voor de verbetering van de kennisbank. De gesprekken worden geanalyseerd in een bepaalde communicatietool, bijvoorbeeld Microsoft Teams. Doordat de AI het onderwerp van de vraag detecteert, weet hij welke collega geschikt en bereikbaar is om te antwoorden.

Het AI-systeem pikt achter de schermen de nieuwe informatie uit het gesprek in de communicatietool als input voor de kennisbank. De taak om gedisciplineerd de kennisbank te updaten wordt daarmee weggenomen. Maar wat als het antwoord van een collega niet klopt? Wordt de kennisbank dan zomaar geüpdatet? Nee, hier is supervisie op. Een kennismanager moet goedkeuring geven op de nieuwe informatie. De AI doet een suggestie-aanpassing en de kennismanager geeft een go of no-go. Hierna wordt de kennis direct geüpdatet.

AI-oplossingen

Een feedbackloop, zoals geïmplementeerd in Jochem.ai, overstijgt de beperkingen van typische “knowledge retrieval” AI-oplossingen. Veel AI-tools gaan uit van een kennisbank, maar hebben geen concrete feedback push. Zonder concrete feedback push is de kennisbank nog steeds afhankelijk van mensen die het updaten. Hierdoor kan de informatie outdated zijn.


Met Jochem.ai wordt het bovenstaande probleem getackeld. Door gesprekken te analyseren wordt de kennisbank constant verbeterd.Benieuwd wat Jochem.ai voor jou kan betekenen? Plan een afspraak om meer te leren over hoe Jochem.ai kan bijdragen aan het verbeteren van jouw kennismanagement. https://calendly.com/gina-f/demo_jochem?month=2023-12

Het fundament van Customer Support-kennismanagement is de kennisbank. Hierin zouden alle antwoorden op klantvragen te vinden moeten zijn. Dit vormt ook de basis voor de antwoorden van een AI-kennisassistent. De kennisbank heeft dus een grote invloed op de output. Wanneer de kennisbank verouderde informatie bevat, of belangrijke informatie mist, kan het AI-systeem mogelijk onjuiste of helemaal géén antwoorden geven.  Dus hoe zorg je ervoor dat ‘garbage in = garbage out’ verandert in ‘garbage in = quality out’. In deze blogpost gaan we in op hoe je dit principe kunt realiseren
Kennismanagement

Het is essentieel dat een kennisbank correcte informatie bevat, omdat het de basis vormt voor een efficiënte operatie van de klantenservice. Het bijhouden ervan kan een uitdaging vormen. Een voorbeeld: de knowledge manager draait vaak niet mee in de praktijk van de klantenservice en is hierdoor afhankelijk van customer support agents die een melding doen om de kennisbank up-to-date te houden. Het bijhouden vergt dus veel discipline. 

Hoe werken AI-modellen?

AI-modellen zijn zo geprogrammeerd dat zij hun antwoorden baseren op de kennis die tot hen beschikbaar is gemaakt. De meeste Conversational AI-tools focussen zich op een stuk ‘Knowledge Retrieval’. Knowledge Retrieval houdt in dat het AI-model informatie opzoekt om vervolgens met deze kennis vragen te beantwoorden. De kennisbank is gekoppeld aan een Large Language Model (LLM). Een LLM is een type AI dat is ontworpen om menselijke taal te begrijpen, te genereren en erop te reageren. Dit kan dus gebruikt worden om vragen te beantwoorden of teksten te schrijven.

De uitdaging ligt in het focussen op het onderliggende probleem: onjuiste output door een verouderde kennisbank of ontbrekende informatie. Dat probleem houdt zichzelf in stand zolang de kennisbank niet geüpdatet wordt. Het is een eenrichtingsverkeer waarbij kennis opgehaald wordt om een antwoord te formuleren. Mocht het juiste antwoord ontbreken, dan is er geen mechanisme om hier feedback op te geven. De AI-tool kan geen goed antwoord aanleveren, simpelweg omdat de juiste input niet beschikbaar is. Ofwel: garbage in = garbage out. 

Hoe bereiken we ‘garbage in = quality out’?

Dus hoe blijft de kennisbank actueel met minimale afhankelijkheid van menselijke discipline? Bij Jochem.ai noemen we dit de feedbackloop. Deze loop maakt van eenrichtingsverkeer, tweerichtingsverkeer. Hiervoor kijken we waar de meest actuele en relevante kennis wordt gedeeld: tijdens de dagelijkse operatie. Collega’s stellen vragen aan elkaar. Deze interacties zijn waardevol voor het updaten van de kennisbank, maar worden zelden vastgelegd. 

Hier komt Jochem.ai om de hoek kijken: dit gesprek wordt geanalyseerd en er kunnen suggesties gedaan worden voor de verbetering van de kennisbank. De gesprekken worden geanalyseerd in een bepaalde communicatietool, bijvoorbeeld Microsoft Teams. Doordat de AI het onderwerp van de vraag detecteert, weet hij welke collega geschikt en bereikbaar is om te antwoorden.

Het AI-systeem pikt achter de schermen de nieuwe informatie uit het gesprek in de communicatietool als input voor de kennisbank. De taak om gedisciplineerd de kennisbank te updaten wordt daarmee weggenomen. Maar wat als het antwoord van een collega niet klopt? Wordt de kennisbank dan zomaar geüpdatet? Nee, hier is supervisie op. Een kennismanager moet goedkeuring geven op de nieuwe informatie. De AI doet een suggestie-aanpassing en de kennismanager geeft een go of no-go. Hierna wordt de kennis direct geüpdatet.

AI-oplossingen

Een feedbackloop, zoals geïmplementeerd in Jochem.ai, overstijgt de beperkingen van typische “knowledge retrieval” AI-oplossingen. Veel AI-tools gaan uit van een kennisbank, maar hebben geen concrete feedback push. Zonder concrete feedback push is de kennisbank nog steeds afhankelijk van mensen die het updaten. Hierdoor kan de informatie outdated zijn.


Met Jochem.ai wordt het bovenstaande probleem getackeld. Door gesprekken te analyseren wordt de kennisbank constant verbeterd.Benieuwd wat Jochem.ai voor jou kan betekenen? Plan een afspraak om meer te leren over hoe Jochem.ai kan bijdragen aan het verbeteren van jouw kennismanagement. https://calendly.com/gina-f/demo_jochem?month=2023-12

ISO 27001

Certified

GDPR & CCPA

Compliant

Microsoft Azure Marketplace

Deploy in your private tenant

ISO 27001

Certified

GDPR & CCPA

Compliant

Microsoft Azure Marketplace

Deploy in your private tenant

Part of

Our team has years of experience dealing with (enterprise) SaaS solutions.

Part of

Our team has years of experience dealing with (enterprise) SaaS solutions.

Use Cases

E(NPS) Improvement

Improving your existing AI-Assistant

Internal ChatGPT

Knowledge Management

Service

Use and transfer to any other app of information received from Google APIs will adhere to Google API Services User Data Policy, including the Limited Use requirements.

Closure B.V. / Stationsplein 45 - Ruimte A7.209 / 3013AM Rotterdam KVK: 70792828 © Closure 2024. Alle rechten voorbehouden

Use Cases

Internal ChatGPT

AHT Reduction

E(NPS) Improvement

Improving your existing AI-Assistant

Knowledge Management

Service

Use and transfer to any other app of information received from Google APIs will adhere to Google API Services User Data Policy, including the Limited Use requirements.

Contact

Terms of Service

GDPR Policy

Closure B.V. / Stationsplein 45 - Ruimte A7.209 / 3013AM Rotterdam KVK: 70792828 © Closure 2024. Alle rechten voorbehouden

Solutions

Use Cases

Resources

Get demo