Hoe je met ongestructureerde data écht scoort in het AI-tijdperk

De meeste bedrijven zijn gewend om met data in gestructureerde formaten te werken. Dat is data met rijen en kolommen, waartoe ook de klantgegevens afkomstig uit CRM-applicaties behoren. Iedere organisatie heeft daarnaast een pak informatie die gevangen zit in ongestructureerde data. Denk aan formats zoals documenten, beelden, audio en video-opnamen. Die ongestructureerde gegevens kunnen bijzonder waardevol zijn en de business meer nauwkeurige en uitgebreide AI-inzichten opleveren. Ze zijn immers gebaseerd op informatie over klanten. 

Veel organisaties zijn op zoek naar een holistisch beeld van hun klanten. Het ontbreekt hen echter aan de technische vaardigheden om hun ongestructureerde data te zien, openen en integreren, laat staan dat ze er op een betrouwbare manier gebruik van kunnen maken. Met de kracht van Large Language Models (LLM’s) en generatieve AI moet dat nu wel lukken. 

In het AI-tijdperk hebben succesvolle organisaties voor elk contactpunt met de klant nood aan geïntegreerde, gebundelde, intelligente en actiegerichte oplossingen. Tegelijkertijd moeten ze ook de complexiteit zoveel mogelijk verminderen. 

Alles begint daarom bij het vermogen om ongestructureerde content aan te boren. En op basis daarvan kennis te verzamelen, de data efficiënt te indexeren en uit elke afdeling van het bedrijf inzichten te halen. 

Klanten beter kennen en bedienen met AI 

Een klant die hulp nodig heeft met een recente aankoop, start de conversatie vaak via een chatbot van het bedrijf. Om die ervaring zo relevant en positief mogelijk te maken, is het belangrijk dat de volledige interactie gebaseerd is op data over de klant. Zoals informatie over recente aankopen, garanties en elke conversatie die in het verleden heeft plaatsgevonden. De chatbot moet ook in de bedrijfsdata kunnen duiken, bijvoorbeeld om te zoeken naar ervaringen van andere klanten die een soortgelijk product hebben aangekocht. Of om interne kennisartikelen door te nemen. 

Een deel van die informatie zit in transactionele databases en is dus gestructureerde informatie. De rest bevindt zich in ongestructureerde bestanden, zoals garantiecontracten of kennisartikelen. Beide soorten data moeten toegankelijk zijn, en uiteindelijk moet de ‘juiste’ data gebruikt worden. Zo niet, dan zal de uitwisseling met de chatbot in het beste geval frustrerend en in het slechtste geval incorrect zijn. 

Om de beste en de meest nauwkeurige AI-antwoorden te genereren, moeten we LLM’s aanvullen met eigen, realtime gestructureerde en ongestructureerde gegevens uit de applicaties, warehouses en data lakes van het bedrijf. 

Ongestructureerde data doorzoeken met RAG 

Retrieval Augmented Generation (RAG) is een effectieve en relatief nieuwe methode om modellen in het kader van AI nauwkeuriger te maken. RAG stelt bedrijven in staat om hun eigen (on)gestructureerde data te doorzoeken. Het zorgt ervoor dat generatieve AI meer context- en tijdsgebonden kan werken, en zo betrouwbare en relevante resultaten oplevert. 

Hoe werkt RAG precies? Concreet gebruikt het een LLM dat tekst, audio of video omzet in een wiskundig, mathematisch model. Dat is noodzakelijk, want AI kan enkel met wiskundige gegevens werken, niet met tekst. Vervolgens kan je de ongestructureerde data op een nieuwe manier doorzoeken. Niet zoals je vroeger in een tekst naar trefwoorden zocht, maar door te zoeken naar een vergelijkbare tekst (contracten, e-mails, chats, video, …).  

In welke contracten heb je vroeger bijvoorbeeld al eens een gelijkaardige clausule gezet? Of hoe ben je het verleden omgegaan met een klant die een product om een bepaalde reden niet wilde aanschaffen? Uiteindelijk komt de gevonden tekst bij de gebruiker terecht. Dat kan een verkoper of een callcentermedewerker zijn, maar ook een chatbot. 

Relevant zijn, in elke situatie 

Als je alle klantdata – zowel gestructureerd als ongestructureerd – kunt combineren in de vorm van een 360°-beeld, zullen je klanten in iedere situatie altijd de meest relevante info krijgen. Financiële instellingen kunnen hun medewerkers bijvoorbeeld in realtime informatie tonen over de markt of andere financiële gegevens. Vervolgens kunnen zij die info gebruiken om de vraag van een klant te beantwoorden en actiegericht advies te geven. 

Veel bedrijven experimenteren met RAG-technologie om de interne processen te verbeteren en hun mensen van informatie te voorzien die correct en up-to-date is. Ze begrijpen dat ze efficiënter beslissingen kunnen nemen door te focussen op contextuele, gepersonaliseerde ondersteuning. 

Wat je organisatie kan doen om data voor te bereiden op AI? In de eerste plaats moet je weten waar alle gegevens staan en nagaan wat de kwaliteit is van die informatie. Zo moet je controleren of de data goed genoeg is om te gebruiken in generatieve AI-modellen. Daarna moet je ervoor zorgen dat de data actueel, relevant en toegankelijk is. Om de beste resultaten te garanderen, is het belangrijk dat je gestructureerde en ongestructureerde data kunt combineren. 

Tot slot moet je de data voor je applicaties activeren en de juiste pijplijnen aanleggen, zodat RAG die gegevens bij een vraag kan ophalen en een goed antwoord kan formuleren. Sinds juni 2024 kan Salesforce naast gestructureerde data ook ongestructureerde data integreren, en dit in diverse talen, waaronder Nederlands, Frans en Engels. Later dit jaar zullen ook video- en audiobestanden mogelijk zijn. In slechts enkele kliks, zonder diepgaande kennis van LLM’s, zet je ongestructureerde data om in een wiskundig model, waarna  een eindgebruiker of bot deze onontgonnen schat aan informatie kan doorzoeken. 

Dit artikel is geschreven door Gianni Cooreman, Director Account SEs Benelux bij Salesforce en valt buiten de verantwoordelijkheid van de redactie