Kalidad, Pagsunod at Pagiging Kumpidensyal: Hindi Nagbibigay ng Maling Impormasyon — Mga Aplikasyon ng Kagawaran: Serbisyo sa Customer at Pagbebenta

Mga nadagdag:

Kakayahang magtatag ng mga ligtas na hangganan na nagbabawas sa panganib ng maling impormasyon sa mga isyu sa presyo, pangako at patakaran
Kakayahang magdisenyo ng mga secure na prompt at proseso na nagpoprotekta sa personal na data ng customer (sumusunod sa KVKK)
Kakayahang magtatag ng cycle ng quality assurance (QA) na kinabibilangan ng pag-apruba at pag-audit ng tao

Ang artificial intelligence (AI) na nakaharap sa customer ay parehong malaking pagkakataon at malaking panganib para sa isang negosyo. Ang isang pagkakamali sa isang kopya ng marketing ay maaaring itama; Ngunit ang maling presyo na ibinigay sa isang customer, maling impormasyon sa patakaran o isang pangako na hindi matutupad ay nangangahulugan ng direktang pagkawala ng tiwala, pinsala sa pananalapi at mga legal na problema. Hindi ka ililigtas ng "bot told me" defense; Responsibilidad ng kumpanya sa customer.

Sa panghuling unit na ito, bumuo kami ng balangkas na sinisiguro ang lahat ng natutunan mo sa nakaraang 11 unit. Nakapatong ito sa tatlong haligi: katumpakan (hindi pagbibigay ng maling impormasyon), privacy (pagprotekta ng personal na data) at kontrol (pahintulot ng tao). Ang tatlong ito ay ang sinturong pangkaligtasan na nagpapalit ng AI mula sa isang pinagmumulan ng panganib tungo sa isang maaasahang tool sa negosyo.

Tandaan: Ang yunit na ito ay nagbibigay ng pangkalahatang balangkas. Ang mga regulasyon ng iyong sariling industriya (mga karapatan ng mamimili, KVKK, mga patakaran sa mensahe ng komersyal) ay maaaring magpataw ng mga karagdagang obligasyon; Ang tunay na responsibilidad para sa pagsunod ay nakasalalay sa iyong institusyon.

Tatlong Panganib, Tatlong Haligi

Maling impormasyon (hallucination): Iniimbento ng modelo ang presyo/patakaran/pangako. Column: na-verify na pinagmulan + pag-apruba ng tao.
Paglabag sa privacy: Ang personal na data ng customer (pangalan, numero ng telepono, ID, pagbabayad) ay pumapasok sa hindi secure na tool. Column: masking + aprubadong sasakyan (pagsunod sa KVKK).
Labis na awtoridad: Nangako ang bot/ahente na hindi nito maibibigay (diskwento, eksaktong petsa, garantiya). Column: malinaw na hurisdiksyon + guardrail.

Dapat pangasiwaan ng bawat daloy ng AI na nakikipag-ugnayan sa customer ang tatlong panganib na ito nang sabay-sabay.

Iwasan ang Maling Impormasyon: Layer ng Katumpakan

Ang ginintuang tuntunin ng katumpakan: kritikal na impormasyon (presyo, patakaran, pangako) ay nagmumula sa isang na-verify na pinagmulan (tandaan ang RAG unit), hindi mula sa pagsasaulo ng modelo, at kapag hindi sigurado, ang modelo ay nananatiling tahimik at ibibigay. Pinutol ng prinsipyo ng "secure o ipasa" ang maling impormasyon sa pinagmulan.

Hakbang sa Hakbang: Isang Safe Quality Cycle (QA)

Pag-uuri ayon sa panganib. Ang sagot ba ay mababa ang panganib (pangkalahatang impormasyon) o mataas na panganib (presyo, pangako, halaga ng refund)?
Maglagay ng pinto ng tao sa mataas na panganib. Ang mga tugon na ito ay nangangailangan ng pag-apruba ng tao bago ipadala.
Kumonekta sa pinagmulan. Ang kritikal na impormasyon ay dapat na nakabatay sa isang na-verify na dokumento at hindi gawa-gawa.
I-mask ang personal na data. Huwag pumasok kung hindi kinakailangan; Anonymize kung kinakailangan.
Suriin sa pamamagitan ng sampling. Ang ilan sa mga automated na tugon ay regular na sinusuri ng tao.
Feed back. Kolektahin ang mga error at i-update ang mga prompt at guardrails.

Mga Nakokopyang Prompt

Prompt na nag-scan para sa mga panganib bago ipadala ang tugon:

Suriin at i-flag ang tugon ng customer na ito bago mag-post:- Mayroon bang hindi na-verify na PRICE, rate o halaga?- Nagmula ba ang claim sa patakaran/panuntunan, o maaari itong gawa-gawa?- Mayroon bang anumang COMMITMENTS (eksaktong petsa, warranty, diskwento) na lumampas sa awtoridad?- Kasama ba ang personal na data (pangalan, telepono, ID, address, pagbabayad) nang hindi kinakailangan? Ilista ang bawat paghahanap na may label na "high/medium/low risk" at isang mungkahi para sa pagwawasto.Tugon: {{ reply }}

Agad na i-mask ang personal na data (bago pumasok sa sasakyan):

Itago ang personal na data sa sumusunod na text: pangalan-apelyido -> [NAME], telepono-> [PHONE], e-mail -> [EMAIL], TR/ID -> [ID], address -> [ADDRESS], card/pagbabayad -> [PABAYAD]. Panatilihin ang kahulugan at teknikal na detalye ng problema. Teksto: {{ teksto }}

Guardrail prompt na nagdidirekta ng mga isyu na may mataas na panganib sa mga tao:

HUWAG tumugon sa mga isyung ito nang mag-isa; sa halip ay sabihin ang "Ipinapasa ko ito sa isang kinatawan": eksaktong presyo/diskwento, hindi pagkakaunawaan sa halaga ng kontrata/refund, legal/medikal/pinansyal na payo, pagbabago ng personal na data, seguridad/hinala ng panloloko. Maaari mong sagutin ang mga tanong sa pangkalahatang kaalaman sa labas ng listahang ito.

Sampling prompt para sa regular na quality audit (QA):

Nasa ibaba ang 10 random na sagot mula sa mga huling X na sagot. Para sa bawat isa, suriin ang: katumpakan (angkop ba ito sa pinagmulan), tono (ito ba ay nakikiramay/angkop), kaugnayan (mayroon bang pang-aabuso/personal na pagtagas ng data). I-rank ang mga problemang isyu ayon sa kahalagahan at ibuod ang umuulit na pattern ng error (hal., "patuloy siyang gumagawa ng mga deadline") sa isang pangungusap. Mga sagot: {{ mga halimbawa }}

Mahinang Diskarte / Malakas na Diskarte

mahinang diskarte

Malakas na diskarte

Send all replies without approval

Gateway ng pag-apruba ng tao para sa mataas na panganib

Pagtutugma ng presyo/patakaran sa modelo

Link sa na-verify na pinagmulan

Ang pagpasok ng personal na data sa sasakyan gaya ng dati

Mag-mask up at magmaneho nang may pag-apruba

Pag-aayos ng mga error nang paisa-isa kapag nangyari ang mga ito

Isinasara ang pangunahing dahilan gamit ang audit + feedback

Ang pagkakaiba ay ang malakas na diskarte ay nagtatatag ng isang sistema na "pinipigilan ang error bago ito mangyari" sa halip na "pag-aayos nito kapag nangyari ito".

Tatlong Mini Case

Kaso 1 — Ginawang halaga ng refund. Sinabi ng isang bot, "Makakabawi ka ng 850 TL kapag ibinalik mo ang iyong produkto"; samantalang ang aktwal na halaga ay iba at hindi iyon malalaman ng bot. Natukoy ng prompt sa pag-screen ng panganib ang ganitong "hindi kumpirmadong halaga" na output sa mga nakaraang pagsubok. Ikinonekta ng koponan ang lahat ng mga tugon na naglalaman ng mga halaga sa gate ng pag-apruba ng tao; Hindi na naipadala muli sa customer ang maling numero ng refund.

Kaso 2 — Pagtatakpan ng protektadong privacy. Nais ng isang kinatawan na buod ng mahabang reklamo na kasama ang pangalan, telepono, at impormasyon ng order ng customer. Pinatakbo niya muna ang masking prompt; ang mga personal na field ay naging mga tag na [NAME], [PHONE]. Ang buod ay may parehong kalidad, ngunit walang personal na data ang hindi kinakailangang ipinakilala sa tool; Ang isang ligtas na daloy ay nilikha sa mga tuntunin ng KVKK.

Kaso 3 — Nakita ng pag-audit ang ugat na sanhi. Sa buwanang QA sampling, nakakuha ang AI ng isang umuulit na pattern: tinanong ng bot "kailan ito darating?" Siya ay patuloy na gumagawa ng mga deadline sa kanyang isipan para sa kanyang mga katanungan. Ito ay hindi isang solong pagkakamali ngunit isang ugat na sanhi. Idinagdag ng team ang isyu sa petsa ng paghahatid sa guardrail at gumawa ng panuntunan na "ilipat lang ang petsa sa system, kung hindi ay ilipat". Pinigilan ng isang solong pag-aayos ang dose-dosenang mga error sa hinaharap.

Tip: Panatilihing maikli at malinaw ang listahan ng "mataas na panganib"; ngunit dapat itong kasama: pera (presyo, pagbabalik, diskwento), oras (eksaktong pangako sa paghahatid), mga pagbubukod sa patakaran at pagbabago ng personal na data. Ang apat na lugar na ito ay kung saan nangyayari ang pinakamadalas at magastos na mga error sa customer-contact AI.

Saan Huminto ang Pananagutan?

Ang pinakamahalagang prinsipyo ay ang huli: AI ay isang bilis at kalidad na multiplier, hindi isang pananagutan. Ang bawat pangako, bawat presyo, bawat pangako na ginawa sa customer ay nagbubuklod sa kumpanya sa legal at komersyal. Iyon ang dahilan kung bakit pinananatili ang AI sa posisyon ng "paggawa ng mga draft at pagpapadala ng impormasyon" sa halip na "paggawa ng mga desisyon"; Sa mga kritikal na desisyon, ang pag-apruba ng tao ay hindi isang luho kundi isang pangangailangan. Sa isang maayos na sistema, pinangangasiwaan ng AI ang 90% na gawain, ang tao ay tumatagal ng 10% na kritikal na desisyon at pinapasan ang lahat ng responsibilidad.

Pag-iingat: Ang ideya na "kapag sapat na ang pagkakabuo ng modelo, hindi na kailangan ng pangangasiwa ng tao" ay mapanganib. Gaano man kahusay ang modelo, maaari itong paminsan-minsan ay makagawa ng maling tono ng kumpiyansa; at sa negosyong nakikipag-ugnayan sa customer, ang kailangan lang ay isang maling presyo o pangako. Ang gateway ng tao sa pag-apruba ay hindi isang sakripisyo ng bilis, ngunit ang presyo ng pagtitiwala.

Mga karaniwang pagkakamali

Pagpapadala ng mga tugon na may mataas na peligro (presyo, pangako, pagbabalik) nang walang pag-apruba ng tao.
Hindi pag-uugnay ng kritikal na impormasyon sa na-verify na pinagmulan at umaasa sa pagsasaulo ng modelo.
Pagpasok sa isang hindi secure na sasakyan nang hindi nagtatakip ng personal na data (paglabag sa KVKK).
Hindi tumutukoy sa Guardrail (listahan ng paksang mataas ang panganib).
Pag-aayos ng mga error nang paisa-isa at paglaktaw sa pag-update ng ugat na sanhi (prompt/panuntunan).
Iniisip na inilalagay nito ang responsibilidad sa AI o sa tool provider.

Sa buod

Dapat pamahalaan ng AI ng customer-contact ang tatlong panganib nang sabay-sabay: maling impormasyon, paglabag sa privacy, labis na pahintulot.
Para sa katumpakan: i-link ang kritikal na impormasyon sa na-verify na pinagmulan, italaga kapag hindi sigurado.
Para sa privacy: i-mask ang personal na data, gumamit lamang ng mga aprubado at secure na sasakyan (KVKK).
Ikonekta ang mga isyu na may mataas na stake (pera, oras, pulitika, personal na data) sa gate ng pag-apruba ng tao.
Suriin ang mga error sa pamamagitan ng sampling at isara ang ugat na sanhi; Ang tunay na responsibilidad ay laging nasa tao.

Gawain ng aplikasyon

Maghanda ng “security suite” para sa sarili mong daloy ng pakikipag-ugnayan sa customer: (1) magsulat ng guardrail list ng mga paksang may mataas na peligro (minimum na pera, oras, patakaran, personal na data), (2) magpatakbo ng sample na tugon ng customer sa pamamagitan ng risk screening prompt at lagyan ng label ang mga natuklasan, (3) mag-purge ng text na naglalaman ng personal na data gamit ang masking prompt, (4) tumukoy ng lingguhang QA sampling na mga ritwal, kung saan nagtala ng mga error sa pagsa-sample ng QA (kung sino ang nagre-record ng mga error sa pag-sample ng QA). Panghuli, ilista kung anong mga uri ng desisyon ang hindi mapupunta nang walang pag-apruba ng tao.

checklist

[ ] Nagtakda ako ng listahan ng guardrail para sa mga paksang may mataas na panganib.
[ ] Iniugnay ko ang kritikal na impormasyon sa na-verify na pinagmulan.
[ ] Nagmaskara ako ng personal na data at gumamit lamang ng mga inaprubahang sasakyan.
[ ] Naglalagay ako ng gate ng pag-apruba ng tao sa mga high-risk na sagot.
[ ] Nagtatag ako ng regular na QA sampling at feedback loop.
[ ] Nilinaw ko sa proseso na ang tunay na responsibilidad ay nasa tao.

Pagsusulit sa Module

1. Ano ang pinakamahalagang elemento kapag nagsusulat ng prompt ng system para sa chatbot ng suporta sa customer?

A) Malinaw na tukuyin ang tungkulin ng bot, saklaw, mga hangganan at ibigay ito sa tao kapag hindi nito alam ✔
B) Nangangailangan sa bot na magbigay ng sagot sa bawat posibleng tanong
C) Pagpapanatiling mabilis ang system hangga't maaari at hindi nagbibigay ng mga detalye
D) Gawing nakakatawa at palakaibigan ang bot sa lahat ng sitwasyon

Paliwanag: Ang tungkulin ng bot, saklaw at lalo na ang mga limitasyon nito (kung ano ang hindi nito magagawa, kung kailan ito ibibigay sa mga tao) ay dapat na malinaw na tinukoy. Kung hindi, ang bot ay maaaring gumawa ng hindi awtorisadong mga pangako o gumawa ng maling impormasyon sa isang paksang hindi nito alam.

2. Ano ang pinakamahusay na paraan upang makakuha ng pare-pareho at automated na mga resulta kapag inuuri ang mga tiket gamit ang artificial intelligence?

A) Upang ibuod ang bawat kahilingan bilang libreng teksto, nang walang kahanga-hangang format
B) Pagbibigay ng mga paunang natukoy na kategorya, mga nakapirming antas ng pangangailangan ng madaliang pagkilos at isang hindi nababagong format ng output ✔
C) Iwanan ang listahan ng kategorya sa modelo at hayaan itong mahanap ito sa sarili nitong bawat oras.
D) Pag-uuri ng mga kahilingan ayon sa haba lamang

Paglalarawan: Ang pagbibigay sa modelo ng isang paunang natukoy na listahan ng mga kategorya, mga nakapirming antas ng pagkaapurahan, at isang hindi nababagong format ng output (hal. JSON) ay nagsisiguro ng isang pare-pareho at naproseso ng makina na resulta sa iba't ibang kahilingan. Ang pag-drop sa kategorya sa modelo ay gumagawa ng iba't ibang mga tag sa bawat oras.

3. Ano ang pangunahing layunin ng diskarteng RAG (knowledge-based production / Retrieval-Augmented Generation)?

A) Paganahin ang modelo na magbigay ng mas malikhain at orihinal na mga sagot
B) Pagpapaikli sa oras ng pagtugon ng modelo
C) Ibase ang tugon ng modelo sa napapanahon at na-verify na dokumentasyong pinagmumulan na ibinigay ✔
D) Nangangailangan sa modelo na kumonekta sa internet sa lahat ng pagkakataon

Paliwanag: Hindi kabisado ng RAG ang sagot ng modelo; Nagbibigay-daan ito upang makagawa ng na-update at na-verify na mga dokumento ng pinagmulan na nakuha sa oras ng tanong. Pinapataas nito ang katumpakan at lubos na binabawasan ang gawa-gawang impormasyon (hallucination).

4. Habang bumubuo ng sagot mula sa base ng kaalaman, ano ang dapat gawin ng modelo kung ang sagot sa tanong ay hindi makukuha sa ibinigay na mga mapagkukunan?

A) Gumagawa ng hula na tila makatwiran mula sa kanyang pangkalahatang kaalaman
B) Pagkopya at pagbibigay ng handa na sagot sa isang katulad na paksa
C) Iniwan ang tanong na walang sagot at tahimik na isinara ang usapan
D) Pagsasabi na wala siyang impormasyon at ididirekta ang customer sa tamang pinagmulan/awtoridad ✔

Paliwanag: Ang modelo ay hindi dapat gumawa ng impormasyon na wala sa pinagmulan; Dapat nitong malinaw na sabihin na wala itong impormasyon at idirekta ang customer sa isang opisyal o sa tamang pinagmulan. Inaalis nito ang panganib ng maling impormasyon.

5. Ano ang pinakamahusay na diskarte sa pagbalangkas ng tugon ng suporta sa isang galit na customer?

A) Dumiretso sa teknikal na solusyon at hindi pinapansin ang emosyon
B) Pagpapaliwanag sa paraang nagtatanggol na ang customer ang may kasalanan
C) Panatilihin ang tugon bilang pormal at malayo hangga't maaari
D) Kilalanin muna ang damdamin nang may empatiya, pagkatapos ay mag-alok ng malinaw na solusyon o susunod na hakbang ✔

Paliwanag: Kailangang kilalanin muna ang damdamin at magpakita ng empatiya, pagkatapos ay malinaw na ipakita ang konkretong solusyon o susunod na hakbang. Ang paglundag diretso sa teknikal na solusyon o pagwawalang-bahala sa emosyon ay nagpapataas ng tensyon.

6. Ano ang pinakamagandang pagbabago kapag iniangkop ang tugon sa suporta sa live chat sa halip na email?

A) Pagkopya ng text verbatim, nang hindi ito binabago, sa chat
B) Gawing mas pormal ang teksto at magdagdag ng signature block at heading ng paksa
C) Paikliin at hatiin ang teksto upang maiangkop ito sa tempo ng talumpati at sa susunod na hakbang ✔
D) Magbigay ng mas maraming teknikal na detalye hangga't maaari sa isang mensahe

Paglalarawan: Ang live chat ay maikli, mabilis at nakakausap. Mahabang e-mail block; Ang pag-convert ng mga mensahe sa maikli, pira-piraso, at nakatuon sa iisang susunod na hakbang ay angkop para sa channel. Ang paglipat ng parehong text mula sa channel patungo sa channel nang hindi binabago ito ay sumisira sa karanasan.

7. Ano ang pinakamalusog na diskarte kapag naging kwalipikado ang isang potensyal na customer (lead) na may suporta sa artificial intelligence?

A) Pag-frame ng AI output (ICP/BANT) at pagmamarka ng mga pagpapalagay na kailangang i-verify ✔
B) Pinoproseso ang lahat ng impormasyong nabuo ng AI sa CRM bilang totoo nang hindi ito bini-verify.
C) Paggawa ng kwalipikasyon batay lamang sa bilang ng mga empleyado ng kumpanya
D) Pagpapadala ng parehong pangkalahatang mensahe sa bawat lead at paglaktaw ng kwalipikasyon

Paglalarawan: Ang AI ay maaaring gumawa ng isang structured briefing mula sa pampublikong magagamit na impormasyon; ngunit ang output na ito ay maaaring maglaman ng mga pagpapalagay. Tama na gamitin ang resulta ng kwalipikasyon sa pamamagitan ng pagmamarka sa mga pagpapalagay na kailangang ma-verify at paglalagay sa mga ito sa isang balangkas tulad ng ICP/BANT. Mapanganib na tanggapin ang output bilang tunay nang walang tanong.

8. Ano ang pinakamahalagang prinsipyo sa isang epektibong email ng cold sales?

A) Ipinapaliwanag ang lahat ng mga tampok at mga nagawa ng kumpanya nang detalyado
B) Tumutok sa problema/layunin ng mamimili, panatilihin itong maikli at magbigay ng isang malinaw na CTA ✔
C) Pagpapadala ng parehong pangkalahatang teksto sa pinakamaraming tao hangga't maaari
D) Magbahagi kaagad ng detalyadong listahan ng presyo sa unang e-mail

Paglalarawan: Ang mga epektibong email sa pagbebenta ay nakatuon sa tatanggap, hindi nakatuon sa nagpadala: tinutugunan ng mga ito ang problema o layunin ng customer, maikli at naka-personalize, at may kasamang isang malinaw na susunod na hakbang (CTA). Ang paglista ng lahat ng mga tampok ng kumpanya ay makaligtaan ang mamimili.

9. Kapag naghahanda ng teksto ng alok/mungkahi na may artipisyal na katalinuhan, ano ang elementong higit na nagpapataas ng lakas ng panghihikayat ng output?

A) Naglilista lamang ng mahabang listahan ng mga pagtutukoy
B) Pagpapanatiling pangkalahatan at malabo ang alok upang umangkop sa bawat customer
C) Huwag isulat ang presyo at magdagdag lamang ng mga komplimentaryong pangungusap
D) Pagtatatag ng isang salaysay na nakatuon sa benepisyo na kumokonekta sa mga pangangailangan at layunin ng customer ✔

Paliwanag: Ang pagsusulat ng alok sa isang wikang nakatuon sa benepisyo na kumokonekta sa mga pangangailangan at layunin ng customer ay nagpapataas ng lakas ng panghihikayat nito. Ang pagbibigay lamang ng isang listahan ng mga detalye ay mapapaisip ang customer na 'ano ang nakukuha nito sa akin?' iniwan siyang mag-isa sa kanyang tanong.

10. Ano ang pinakamahusay na diskarte kapag naghahanda ng tugon ng AI sa isang pagtutol sa pagbebenta ("Masyadong mataas ang iyong presyo")?

A) Huwag pansinin ang pagtutol at lumipat sa ibang paksa
B) Nag-aalok ng malaking diskwento kaagad at walang kondisyon
C) Tumugon sa customer-partikular sa pamamagitan ng pagkilala sa pagtutol at pag-reframe ng halaga/pakinabang ✔
D) Inaakusahan ang customer na hindi nauunawaan ang produkto

Paglilinaw: Mabisang kilalanin muna ang pagtutol, pagkatapos ay i-reframe ang halaga/pakinabang at mag-alok ng tugon na partikular sa customer. Ang pagbibigay ng malaking diskwento ay agad na binabawasan ang halaga; Ang pagwawalang-bahala sa pagtutol ay sumisira sa tiwala.

11. Ano ang pinakamahalagang output na inaasahan mula sa artificial intelligence kapag nagpoproseso ng mga tala sa panayam sa CRM?

A) Pagbubuo ng mga tala bilang buod, mga desisyon, mga susunod na hakbang at mga responsibilidad ✔
B) Pagkopya ng mga tala kung ano ang mga ito, nang walang anumang pagbabago
C) Ginagawa lang ang mga tala na mas mahaba at mas magarbong
D) Itala lamang ang tagal at oras ng pag-uusap

Paglalarawan: Mga nakakalat na tala; Ang paglalagay nito sa isang structured na format tulad ng buod, mga desisyon na ginawa, mga susunod na hakbang (mga aksyon) at ang mga responsable ay ginagawang mas madali para sa koponan na sundin. Ang pagkopya ng tala bilang ay o simpleng pagpapalawak nito ay hindi gumagawa ng halaga.

12. Ano ang pinakamahusay na paraan upang matiyak na 'hindi nagbibigay ng maling impormasyon' sa isang output ng artificial intelligence na nakikipag-ugnayan sa customer?

A) Ang pagbibigay sa modelo ng buong awtoridad at hayaan itong gawin ang bawat pangako sa sarili nitong
B) Nililimitahan ang kritikal na impormasyon sa mga na-verify na mapagkukunan, nagdelegasyon kapag hindi sigurado, at nagdaragdag ng isang layer ng pag-apruba ng tao ✔
C) Alisin ang lahat ng mga tseke para sa bilis at direktang ipadala ang output
D) Naghihintay ng pagwawasto sa ibang pagkakataon kung ang maling impormasyon ay nahayag

Paglalarawan: Modelo; Ang mga kritikal na impormasyon tulad ng presyo, patakaran at pangako ay hindi dapat gawa-gawa, ngunit dapat lamang makuha mula sa mga na-verify na mapagkukunan at dapat ibigay sa mga tao kapag hindi sigurado. Ang mga kritikal na tugon ay dapat magkaroon ng isang layer ng pagpapatunay ng tao.

13. Ano ang dapat gawin ng isang support specialist kung gusto niyang ipabuod sa artificial intelligence tool ang reklamo ng customer na naglalaman ng pangalan, numero ng telepono at impormasyon ng order?

A) Idikit ang impormasyon kung ano ito at makuha ang pinakamabilis na resulta
B) Ipagpalagay na ang pagdaragdag ng pariralang 'kumpidensyal' sa dulo ng teksto ay sapat na
C) Pag-mask at pag-anonymize ng personal na data at/o paggamit ng aprubadong tool na may katiyakan ng kumpanya ✔
D) Ang pag-iisip na ang pagpapadala ng impormasyon at pagkatapos ay tanggalin ang pag-uusap ay nag-aalis ng panganib.

Paliwanag: Ang personal na data (sa saklaw ng KVKK) ay hindi dapat ilagay sa mga tool ng third-party nang hindi kinakailangan. Ang tamang diskarte; pag-mask at pag-anonymize ng impormasyon ng pagkakakilanlan at/o paggamit ng isang aprubadong tool na may katiyakan sa data ng kumpanya (hindi gumagamit ng data sa edukasyon, patakaran sa storage).

14. Ano ang pinakamahusay na prinsipyo kapag nagdidisenyo ng isang multi-step na pagkakasunod-sunod ng pagbebenta?

A) Pagpapadala ng parehong mensahe ng paalala araw-araw
B) Magdagdag ng bagong halaga sa bawat mensahe at magpatuloy sa mga makatwirang pagitan ✔
C) Patuloy na taasan ang dalas ng mensahe hanggang sa matanggap ang isang tugon.
D) Kung ang unang tugon ay hindi natanggap, ilagay ang buong serye sa isang mahabang email.

Paglalarawan: Ang bawat follow-up na mensahe ay dapat magpatuloy sa pamamagitan ng pagdaragdag ng bagong halaga (nilalaman, kaso, ibang anggulo) at dapat ipadala sa mga makatwirang pagitan. Ang pag-uulit ng parehong 'isang paalala lang' na mensahe sa mga maikling pagsabog ay napakalaki at binabawasan ang rate ng pagtugon.

15. Ano ang dapat na papel ng AI kapag nagtatatag ng cycle ng quality assurance (QA) para sa mga team ng suporta at pagbebenta?

A) AI ay bumubuo ng draft; Ang mga kritikal na tugon ay sinusuri at inaprubahan ng mga tao, ang responsibilidad ay nasa tao ✔
B) Ipinapadala ng AI ang lahat ng mga tugon nang walang kumpirmasyon; Ang mga tao ay tumitingin lamang kapag may mga reklamo
C) Kung ang AI ay sapat na advanced, hindi na kakailanganin ang pangangasiwa ng tao.
D) Ang responsibilidad ay nakasalalay sa kumpanya ng software na nagbibigay ng tool

Paglalarawan: Bumubuo ang AI ng mga draft ng tugon at pinapahusay ang pagkakapare-pareho; gayunpaman, ang mga kritikal na tugon sa customer, lalo na ang mga may kinalaman sa presyo/pangako/patakaran, ay dapat suriin at aprubahan ng isang tao. Ang tunay na responsibilidad ay laging nasa pangkat ng tao.