No último ano, a tendência de grupos hoteleiros investirem em IA para resolver desafios de comunicação e produtividade acelerou claramente. No entanto, muitos hoteleiros ainda são relativamente novos na tecnologia e, muitas vezes, o foco está principalmente na funcionalidade, em detrimento do que realmente importa: a qualidade e a escalabilidade dos dados.
O principal papel de uma IA conversacional, como Velma, é entender os pedidos dos clientes e dar as respostas apropriadas. Este é o binário inteligência/conhecimento que vimos no artigo: “Sofismo e inteligência artificial”. Na grande maioria dos casos, as respostas de assistentes virtuais são formatos de texto em cada idioma (ou pior, traduzidos automaticamente). Este método, de outro milénio, pode funcionar para um hotel, mas torna-se horrível em grande escala. Essas soluções baseadas em texto enfrentam não apenas problemas significativos de qualidade, mas também enormes problemas de escalabilidade, especialmente ao lidar com idiomas não europeus, como árabe, chinês, japonês, etc.
Velma, a assistente virtual universal da Quicktext, está implantada em hotéis em 76 países e, até este momento, gerou um volume único de mais de 30 milhões de conversas. Desde 2017, esses dados conversacionais possibilitaram a criação de um banco de dados hoteleiro estruturado único, o único do seu tipo no mundo: Q-Data. Este banco de dados atualmente inclui 2600 pontos de informação (em comparação, um site de hotel normalmente tem no máximo 250 pontos de informação). Além disso, este banco de dados está em constante evolução a uma taxa de cerca de 300 novos pontos de informação por ano. Este modelo de dados estruturados é a base para criar IA de forma rápida, eficiente e precisa para qualquer hotel. De fato, o tempo de configuração para cada hotel é, em média, de duas semanas, e para grupos (dependendo do tamanho), de um a três meses.
Quando está processando informações sobre 10, 50, 100 ou até 1.000 hotéis, manter dados consistentes e precisos em vários idiomas é um verdadeiro desafio. Podemos dizer com toda a certeza: sem dados estruturados, é quase impossível gerenciar os dados de um grupo hoteleiro e totalmente impossível mantê-los.
Esse problema é resolvido usando pontos de dados de informação corretos em vez de texto livre. Velma, assim, gera as suas respostas a partir do banco de dados Q-Data, que pode ser facilmente coletado e atualizado quando necessário.
Um bom exemplo vale mais que mil palavras: Num sistema clássico, os dados de check-in podem ser os seguintes: O check-in é às 15h, e pode aproveitar o check-in antecipado ao meio-dia por 30 euros. Esses dados devem ser escritos e traduzidos para todos os idiomas… Eu convido-o a testar esta frase simples em tradução automática, e garanto que ficará bastante chocado. Em Q-Data: tudo o que é necessário é preencher o banco de dados com os três valores 15:00, 12:00, 30. E automaticamente, graças à entrada anterior de nossos linguistas internos, Velma será capaz de dar a resposta em 36 idiomas.
E agora vamos supor que esses dados de check-in são os mesmos para 40 hotéis de um grupo, basta indicar onde for necessário que esses dados são genéricos e, assim, se aplicam a todos os hotéis desse grupo. Vamos fazer um cálculo rápido para 40 hotéis em 4 idiomas:
Dir-me-á que tudo isso é arcaico, e que basta fazer o scraping dos dados do hotel (web, PDF, PowerPoint, etc.) e a IA generativa fará o trabalho. Na verdade, não, não é o caso, por várias razões:
Poderá tentar me dizer que os dados de um hotel boutique de 30 quartos em Londres e de um resort de 2000 quartos em Punta Cana não têm muito em comum. De fato, é por isso que o Q-Data foi projetado – para um grupo hoteleiro de 4000 hotéis com 4000 quartos. E quem pode mais, pode menos. E assim, a diferença é que provavelmente o resort usará mais pontos de informação do que o hotel boutique, mas o banco de dados é essencialmente o mesmo. Incrível, mas verdadeiro. Além disso, quando pontos de informação são adicionados ao Q-Data (cerca de 300 por ano, após o estudo das conversas por nossos analistas de dados), eles estão automaticamente disponíveis para todos os outros hotéis do mundo. Por outras palavras, por ter a Velma no seu hotel também beneficiará do feedback de outros hotéis ao redor do planeta. E é por isso que quase nunca terá que criar novos diálogos sobre novos assuntos, porque é certo que outro hotel no mundo provavelmente já precisou desse ponto de dados específico.
Se você perguntar a uma IA clássica num hotel: “este hotel tem piscina?”, ela provavelmente responderá bem. Isso é chamado de busca vertical. Agora, se você perguntar a uma IA de um grupo hoteleiro: “estou procurando um hotel com piscina” – o que é necessário aqui é uma busca horizontal em todos os hotéis do grupo. E a única maneira de uma IA responder a algo assim é que a sua busca horizontal seja baseada num banco de dados estruturado, como Q-Data. É por isso que hoje a Velma é a única IA na indústria hoteleira globalmente, que é capaz de buscas verticais e horizontais. Mas Velma vai ainda mais longe, porque ela também é capaz de buscar vários critérios ao mesmo tempo. Por exemplo: “Estou procurando um hotel com estacionamento, em Nova York, com um orçamento de menos de 300 dólares por dia”… E com Velma, tudo isso pode ser facilmente gerenciado, mesmo de uma maneira tão natural de conversação, porque essa busca também deve ser gerenciável verbalmente.
Agora que entendeu que o verdadeiro problema com a IA é menos a capacidade cognitiva da IA e muito mais a capacidade da IA de possuir os dados e que apenas estruturando esses dados você pode garantir respostas de qualidade a curto, médio e longo prazo.
Caso ainda tenha alguma dúvida, pergunte à Velma, porque #VelmaWorks porque #VelmaKnows…
AMÉM
© Imagem: Shutterstock
