Human-Centered AI: Challenges and Opportunities in Relationship Marketing and Explainability

Lieu : Salle 3.216-Campus Grand Paris et en ligne
Horaire : 12h-13h30

WILL AI FINALLY PUT THE RELATIONSHIPS INTO RELATIONSHIP MARKETING? AND IS THAT A GOOD THING?

Intervenant : Aaron Ahuvia, Richard E. Czarnecki Endowed Collegiate Professor of Marketing - University of Michigan Dearborn

Biographie  : Aaron Ahuvia, Ph.D., est professeur de marketing au College of Business de l'université du Michigan-Dearborn. Il a obtenu son doctorat en marketing au Kellogg College of Business de la Northwestern University où, tout en menant des recherches originales, il a aidé le professeur Phillip Kotler à réviser son manuel classique. Une analyse indépendante de l'impact de la recherche* l'a classé au 22e rang mondial (19e aux États-Unis) pour l'influence de la recherche sur le comportement du consommateur. Il a été cité dans Time, The New York Times, The Wall Street Journal, et a participé à des émissions de radio et de télévision populaires telles que The Oprah Winfrey Show.

M. Ahuvia est le plus grand spécialiste mondial de l'amour de la marque, un sujet dont il est le pionnier et sur lequel il travaille depuis 1990. Ses recherches portent sur (a) l'amour des consommateurs pour certains produits et certaines marques ; (b) les questions liées au symbolisme des marques et à l'identité des consommateurs, telles que l'image de marque, les modes et les tendances ; et (c) la nature de la culture de consommation contemporaine, avec un accent particulier sur la façon dont les gens peuvent mener une vie réussie dans cet environnement

Résumé : Les chatbots alimentés par l'IA vont fondamentalement transformer les relations des consommateurs avec les entreprises. Les consommateurs considèrent généralement les marques comme des objets impersonnels, rejetant souvent les tentatives des spécialistes du marketing de créer des relations plus profondes. Toutefois, les futurs chatbots alimentés par l'IA permettront aux entreprises de personnifier leurs marques de manière à établir des relations beaucoup plus fortes et générant plus de confiance avec les consommateurs. Cela conduira à une augmentation spectaculaire de l'amour de la marque. Mais cela rendra également les consommateurs plus vulnérables à la manipulation.

HUMAN-CENTERED EXPLAINABLE AI (XAI) / BRIDGING THE GAP BETWEEN XAI AND REAL-WORLD IMPACT

Intervenant : Katrien Verbert - Professor at the HCI research group of the Department of Computer Science of KU Leuven.

Biographie : Katrien Verbert est professeur au sein du groupe de recherche Augment de la division HCI du département d'informatique de la KU Leuven. Ses recherches portent sur les systèmes de recommandation interactifs, l'analyse visuelle, l'IA explicable et les applications dans l'analyse de l'apprentissage, les soins de santé, l'agriculture de précision, la consommation des médias et les sciences humaines numériques.

Résumé : Malgré la longue histoire des travaux sur les explications dans la littérature sur l'apprentissage automatique, l'IA et les systèmes de recommandation, les efforts actuels sont confrontés à des difficultés sans précédent : les modèles contemporains sont plus complexes et moins interprétables que jamais. Comme ces modèles sont utilisés dans de nombreuses applications quotidiennes, la justification de leurs décisions auprès des utilisateurs finaux deviendra de plus en plus cruciale. En outre, plusieurs chercheurs ont exprimé le besoin d'interaction avec les explications comme une exigence fondamentale pour soutenir l'autonomisation des utilisateurs. De telles méthodes d'interaction peuvent permettre aux utilisateurs de piloter les modèles avec des données et un retour d'information, et peuvent contribuer à une meilleure compréhension des modèles.  Dans cet exposé, je présenterai nos travaux sur les méthodes d'explication interactives adaptées aux besoins des utilisateurs finaux, tels que les professionnels de la santé et les demandeurs d'emploi. En outre, je présenterai nos travaux sur la combinaison d'explications centrées sur les données et sur les modèles afin de permettre aux utilisateurs finaux d'affiner les modèles prédictifs.  Notre travail met l'accent sur les méthodes d'explication interactives et hybrides qui non seulement améliorent la compréhension du modèle, mais renforcent également la capacité de l'utilisateur à piloter et à améliorer les modèles d'intelligence artificielle à l'aide de ses connaissances dans le domaine. 

Pour plus d'informations, merci de contacter Margherita Pagani : margherita.pagani@skema.edu