美国电子商务专业杂志《Digital Commerce 360》采访了致力于利用人工智能（AI）为零售商提供支持服务的初创企业Kognitos（科格尼托斯）运营负责人多尔顿·韦德，就零售业中AI战略的应用进行了访谈。
来自零售企业的声音：“不知道从何入手引入生成式AI”
对于零售企业而言，从11月下旬“黑色星期五”促销到假日季发货截止期往往转瞬即逝。在应对海量订单和赶工期的压力下，这几周给运营和客户支持部门带来了“必须最大限度利用所有资源”的挑战。
这些资源也包括对AI零售战略的新投资。快速高效的运营与客户支持正是提供企业自动化平台的Kognitos所专注的领域。Kognitos于2023年11月完成了2000万美元A轮融资，并以此谋求进一步增长。
Kognitos正在涉足零售、消费品包装、制造业及物流等领域的应用场景。采用其服务的企业包括食品巨头百事公司、印度IT巨头Wipro、Century Supply Chain Solutions以及交通工具座椅制造商Noco Industries等。
在考虑引入Kognitos服务的企业高管中，经常听到这样的声音：“虽然明白需要制定利用AI的战略来推动业务，也非常希望引入生成式AI，但是对于安全性存在各种担忧，不知道从何入手。”（韦德）
企业高管有意愿利用AI，但也担心安全性
经营者的这种观点反映了商业世界的趋势。根据IT解决方案集成商Insight与调查公司Harris Poll进行的2023年调查显示，Fortune 500企业领导者中，有73%的人表示为了提高员工生产力，期待在未来三年内引入生成式AI。
此外，受访者列出的优先事项包括“客户参与”（66%）、“供应链”（41%）和“库存管理”（40%）。
然而，调查中受访者对AI的担忧也显而易见，其中“质量与管理”（51%）、“安全性与安全风险”（49%）受到的关注最多。
Kognitos认为，提升可访问性是关键，即通过让计算机像人与人之间的对话一样使用自然语言进行交互来实现。同时，提高在涉及高级知识和术语情况下的准确性是今后的课题。尽管强调AI基于逻辑和模式识别功能的优势，但在透明性和检查功能方面的优势被认为是能够满足企业管理层担忧的核心领域。
例如，OpenAI提供的即使向“ChatGPT”输入内容并得到回答，人们也无法知道为什么会出现这样的答案。即使对模型进行微调，人们也无法知晓得出结果的原因。无论技术多么出色，最终都因技术本身透明度不足而导致无法理解。（韦德）
韦德认为，Kognitos服务具备的透明度能与竞争对手实现差异化。此外，该服务在可视化方面表现优异，能够满足企业保守和谨慎的需求。
举个简单的例子，如果想在银行办理贷款的人理由不明确，即使申请住房贷款也不会被批准。同样地，如果AI出现一次幻觉，就会产生严重的问题。（韦德）
所谓幻觉，是指AI模型产生与事实不符的输出的情况。这是因为AI无法正常反映人类用户所看到的景象，而是看到了不充分的模式或状态。从防止这一问题的角度来看，高可见性是一个显著优势。
期待生成式AI的应用及客户服务（CS）的提升
韦德认为，缩短访问公司内部数据和信息的途径在减少时间和工作量方面是AI可以应对的课题。这种对速度和效率提升的需求正是Kognitos已经着手解决的领域。
已经为几家客户构建了让AI回溯过去数据的机制，例如查询“11月所有订单的平均利润率是多少？”
下一步是向AI提出简单问题并实际查询相关数据。由于所有数据都被记录，因此查询非常简单。
Kognitos开发了一种可以用英语轻松编写代码的解释器程序，通过多种方式使用大型语言模型来提升用户体验。（韦德）
大型语言模型（LLM）是目前Amazon、Google、Meta、OpenAI及其他IT企业所使用的AI深度学习模型中最常见的类型之一。韦德强调，解释器是Kognitos所提供服务的“核心”，且能够利用多个LLM生成输出。
他们会组合调整类似Meta发布的对话式AI基础技术“Llama”等LLM，有时也会使用类似OpenAI“ChatGPT”的工具。（韦德）
据韦德介绍，通过这种方法，Kognitos能够避免过度依赖单一LLM。
在使用LLM的场景中，有时也会收到关于非标准表单字段的问题，例如来自不同供应商的采购订单等。在某些情况下，搜索系统可能因无法识别某家供应商的格式而导致错误。Kognitos希望提供更好的服务，使即使没有技术或专业知识的用户也能通过对话进行故障排除。
例如，在平台上用英语输入“我找不到这张采购订单或订单号。你能帮忙吗？”后，AI会用“对于Amazon来说，采购订单始终位于日期正下方”这样自然的英语进行回答。（韦德）
在同一系统中，还可以基于公司内部可用数据为客户创建回复。“LLM发挥作用的另一个场景是，当需要生成内容、翻译和构建上下文时。”韦德表示。
Kognitos将此系统称为“Concierge”。使用方法首先是请求“Concierge”根据客户支持工单的摘要创建邮件，然后告知对方“请使用‘GPT-4’模型”。除了“GPT-4”之外，还可以选择其他大型语言模型，例如“Llama”或阿联酋研究机构开发的“Falcon”。（韦德）
为了赢得终端用户的青睐，更快速的客户服务可能会带来良好效果。这是韦德对零售业中人工智能应用所期待的领域。
无论是零售业还是电子商务，都拥有大规模的呼叫中心。Kognitos实际上正在开展这样的用例：在呼叫中心进行实时转录，或者连接到能够进行通话实时转录的工具。然后使用该工具记录笔记，并利用LLM在Snowflake云服务上生成对话摘要。（韦德）
据韦德介绍，可以通过多种方式利用大型语言模型来提升用户体验。由于平台已经可以引用已输入的操作流程，这里就轮到人工智能自动文档化发挥作用了。
人工智能会根据过往信息，调查在特定场景下代理人员应采取的标准操作流程。基于该流程采取行动，并自动生成邮件向客户传达后续跟进措施。（韦德）
防止欺诈行为
Kognitos重点关注的另一个领域是防止欺诈。韦德在与一家《财富》500强D2C品牌讨论此用例时，提到了为忠诚会员发放积分的背景。该D2C品牌已引入Kognitos的服务。
积分计划是指顾客拍摄购买收据照片，系统识别商品后给予积分的项目。问题在于，加油站和食品店的收据格式各不相同。由于大多数收据未结构化，常规程序无法处理。（韦德）
然而，Kognitos表示由于其能够处理非结构化数据，因此可以应对这种情况。
在Kognitos平台上，实际上可以获取这些信息并从所有不同的收据中提取数据。将数据分类为Excel格式上传至营销软件，调查具体购买商品，从而实现欺诈检测。（韦德）
欺诈检测的目的是消除收据重复提交，结果可以发现客户企业方面存在的多个问题。
Kognitos使用包括LLM在内的此前构建的多种定制模型。通过在解释器中运行这些模型并输入欺诈信号，从而防止支付多余积分或市场研究数据损坏。（韦德）
解释器的使命是将欺诈迹象转化为普通业务用户易于理解且实用的见解。为此，不仅需要与人对话，还需要理解人类。“Kognitos一直教导人们如何与机器沟通。相反，最终需要让机器能够理解人类。”（韦德）