AI 模型如何对预测路由的代理进行评分

Genesys 预测路由使用人工智能 (AI) 将交互路由到最佳座席。 通过预测路由得出的座席分数基于一系列不同的数据点，包括座席的技能水平、客户的联系历史记录以及座席在一天中特定时间的表现。 通过理解可解释性的概念，您可以更好地解释这些数据及其对路由决策的影响。

什么是可解释性，为什么它很重要？

可解释性是向非技术用户解释人工智能驱动决策背后的理由的能力。 可解释性可帮助组织履行其处理数据的道德和法律义务。 通过使用现有数据，可解释性有助于缓解对滥用数据的担忧以及使用现有数据引入偏见的担忧。 它通过提供 AI 模型使用的数据或功能的透明度以及这些功能的重要性来做到这一点。

特征重要性在决策过程中意味着什么？

要素重要性是根据输入要素在预测目标变量中的用处得出的分数。 虽然特征重要性表示对决策影响最大的数据，但它不一定表示数据导致了决策。 例如，您有两个用于预测任何给定日期温度的输入要素： 一年中的月份和前一天的温度。 如果您可以同时获得两个输入，则当今温度的预测将是准确的，偏差仅为+/-1度。 如果你唯一的输入是前一天的温度，那么预测值可能在+/-2度以内。 但是，如果您使用的唯一输入是月份，则可能只能预测+/-4度范围内的温度。 

因此，前一天的温度作为输入要素的重要性高于月份的重要性，因为相对于其他输入，它有助于提供更好的预测。

相关性是否意味着因果关系？

相关性并不意味着因果关系。 虽然某些特征的价值可能有助于预测结果，但不能假定它们导致了特定的结果。 冰淇淋的销售和晒伤的发生率高度相关；当冰淇淋销量高时，我们可以预测晒伤的发生率会很高。 但是，这并不意味着冰淇淋会导致人们被晒伤，或者禁用冰淇淋可以消除晒伤。 因此，我们不能假设尝试更改重要功能的值会影响其他指标。

为什么预测路由具有可解释性？

预测路由使用机器学习模型对可能最有效地处理交互的座席进行评分。 为了进行评分，该模型使用从各种内部来源创建的功能，包括座席档案数据、汇总的客户数据和历史互动数据。

通过可解释性，预测路由会尝试解开影响座席评分的因素。 这有助于管理员、主管、企业主、数据科学家和解决方案顾问等利益相关者了解在人工智能辅助决策中使用的数据。

例如，为了更好地理解可解释性，您可以看到交互被定期路由到特定的座席池，并且您选择调查其背后的原因。 假设您为队列设置的 KPI 是 “平均处理时间”，并且您会发现，对于该队列的预测模型，最重要的功能之一是呼叫后工作 (ACW) 时间。 从可解释性功能来看，我们了解到，在 ACW 上花费时间最少的座席预计处理时间最短，因此排名很高。

我在哪里可以看到 Genesys Cloud 中的可解释性？

预测路由处于活动状态的每个队列都有自己的预测模型。 对于每个模型，可解释性将座席评分功能分为三个分段： 座席功能、客户功能和其他功能。 影响座席相对于 KPI 集评分的要素按重要性降序列出。

除了与特征相关的信息外，预测模型页面还提供有关模型上次训练日期的信息。 有关解释功能重要性的详细信息，请参阅查看影响预测路由决策的要素。

“预测模型” 页面提供了按功能划分的如下所示：

如何根据当前的可解释性数据改变人工智能决策？

预测路由使用Genesys Cloud平台中随时可用的数据来训练模型。 虽然模型中使用的大多数数据都无法修改，但有一些可选功能可以填充以改进预测。 有关更多信息，请参阅预测路由</span>的数据要求。