مايك كلفتون، الرئيس التنفيذي المشارك في Alorica – سلسلة المقابلات

مايك كلفتون هو الرئيس التنفيذي المشارك لشركة Alorica، الشركة الرائدة عالمياً في تجارب العملاء الرقمية (CX). في هذا الدور، يُ監督 مايك استراتيجية التحول الرقمي للشركة – بما في ذلك منتجاتها الرقمية الحائزة على جوائز – لتوفير تجارب العملاء المثالية عبر القنوات (الصوت، الدردشة، الويب، إلخ) والصناعات نيابة عن علامات Fortune 500. مع الخبرة القوية والخبرة في الابتكار الرقمي والذكاء الاصطناعي وتكنولوجيا المؤسسات، لدى مايك سجل حافل في دفع النمو الرائع من خلال دمج حلول التكنولوجيا القابلة للتحجيم لتلبية احتياجات السوق المتطورة.

Alorica هي شركة رائدة عالمياً في تجارب العملاء وأعمال外 المصدرة، توفر حلولاً رقمية بشرية لصناعات مثل البنوك والرعاية الصحية والتجزئة والاتصالات. مع أكثر من 100000 موظف في 17 دولة، تُدير الشركة مليارات التفاعلات سنوياً في أكثر من 75 لغة، وتوفر خدمات مثل مراكز الاتصال والتحليلات وحلول الذكاء الاصطناعي وتنقية المحتوى وعمليات المكتب الخلفي – جميعها تركز على تحقيق نتائج قابلة للقياس للعملاء.

تتحرك الصناعة نحو التكامل أكثر من التأتمت – كيف تعكس استراتيجية Alorica هذا النموذج الهجين؟

تعكس استراتيجية Alorica النموذج الهجين للتكامل أكثر من التأتمت من خلال التركيز على تعزيز أداء وكلاء الإنسان مع أدوات الذكاء الاصطناعي، بدلاً من استبدالهم. هذا النهج يضمن أن يبقى البشر في صلب التفاعلات مع العملاء، مدعومين بتكنولوجيا متقدمة لتحسين الكفاءة والفعالية.

على سبيل المثال، أطلقت Alorica حلولاً متقدمة مثل evoAI وKnowledge IQ ونموذج الثقة والأمان الرقمي وCX2GO®. تم تصميم هذه الأدوات لتعزيز أداء وكلاء الإنسان من خلال توفير تفاعلات في الوقت الفعلي ومتعددة السياقات التي تحسن إدارة المعرفة وضمان الثقة والأمان الرقمي.

من خلال دمج أدوات الذكاء الاصطناعي التي تقدم تفاعلات ذكية عاطفياً ومتعددة السياقات عبر لغات متعددة مع أوقات استجابة أقل من الثانية، تمكّن Alorica وكلاء الإنسان من تقديم دعم شخصي وفعال للعملاء. تترجم هذه الاستجابة في الوقت الفعلي إلى نتائج عملاء محسّنة.

بشكل عام، تُشدد استراتيجية Alorica على أهمية وكلاء الإنسان في الوقت نفسه الذي تستفيد فيه من الذكاء الاصطناعي لتعزيز قدراتهم، مما يعكس تحول الصناعة نحو التكامل أكثر من التأتمت.

هل يمكنك مشاركة أمثلة محددة حيث تم تعزيز أداء وكلاء الإنسان من قبل الذكاء الاصطناعي بدلاً من استبدالهم؟

هناك العديد من الأمثلة على التعزيز التي استفدنا منها في تقديم خدماتنا. واحدة منها هي القدرة على تفاعل الوكلاء مع محرك معرفة يستمع إلى الكلام في الوقت الفعلي ويتحول إلى محرك استجابة تلقائي يُطلب المساعدة؛ هذا هو أداة قوية ومتقدمة التي استخدمناها عبر العديد من الحلول. مثال آخر هو استخدام محركات الذكاء الاصطناعي للحوار لتعزيز قدرةنا على تدريب الوكلاء على أكثر السيناريوهات العميلية صعوبة. من خلال تشغيل محاكاة تفاعلات في الوقت الفعلي بواسطة الذكاء الاصطناعي، نحصل على تقليل التوتر، والنمذجة المستمرة للتعلم – تحديث الوكلاء حول الحالة والعاطفة مع اكتسابهم للمزيد من الخبرة.

كيف تتبع تأثير أداء أدوات الذكاء الاصطناعي – على سبيل المثال، في حل المشكلات الأولى، وقت التعامل، أو كفاءة الوكيل؟

تتبع أدوات الذكاء الاصطناعي في الاستخدام المكمل يقع بشكل مباشر على المعايير المخصصة للوكيل كما لو أن لا أدوات موجودة. الفرق يكمن في القدرة على التعامل مع المزيد من المكالمات بنسبة رضا أعلى وثقة أفضل لتوقع استراتيجيات القوى العاملة عندما يكون لديك بيانات صلبة من النماذج.

أطلقت العديد من الحلول المتقدمة هذا العام – evoAI وKnowledge IQ ونموذج الثقة والأمان الرقمي وCX2GO®. أي واحد منهم ترى أنه له تأثير “سوبر باور” الفوري لأداء الوكلاء، ولماذا؟

استخدامنا الداخلي لـ evoAI يمنح الوكلاء القدرة على الاستفادة من المكالمات المزيفة لتدريبهم بدرجة أعلى من الوعي بالمواقف، مما يؤدي إلى أكبر تأثير. يلي ذلك Knowledge IQ، الذي يعزز قدرة الوكيل على العثور على الإجابة الصحيحة. كانت هذه الأداتين مبدّلات اللعبة لموظفينا، تغييرًا كاملاً لطريقة سرعة ودقة معالجة احتياجات العملاء.

من منظور التعلم الآلي، كيف يتم تدريب نماذجك على الحفاظ على الدقة والتناسب مع تطور احتياجات العملاء واللغة والظروف السوقية؟

للحفاظ على الدقة والتناسب في مواجهة احتياجات العملاء المتطورة واللغة والظروف السوقية، تخضع نماذج التعلم الآلي لدينا إلى التدريب المستمر والتحسين.

هذه هي الاستراتيجيات الرئيسية التي نتبعها:

• التعلم المستمر: تم تصميم نماذجنا للتعلم من بيانات جديدة بشكل مستمر. يتضمن ذلك تحديث مجموعات البيانات التدريبية بانتظام مع التفاعلات الحديثة والتعليقات وأحدث التطورات في السوق. من خلال دمج أحدث المعلومات، يمكن لنماذجنا التكيف مع التغيرات في تفضيلات العملاء والظروف السوقية الناشئة.
• مصادر بيانات متنوعة: نستخدم مجموعة واسعة من مصادر البيانات لتدريب نماذجنا، بما في ذلك تفاعلات العملاء ووسائل التواصل الاجتماعي وتقارير السوق والمزيد. هذا التنوع يضمن أن نماذجنا تتعرّف على مختلف السيناريوهات وال细يات اللغوية، مما يعزز قدرتها على الفهم والاستجابة بدقة.
• دوائر التغذية الراجعة: ننفذ دوائر تغذية راجعة قوية حيث يتم استخدام تفاعلات العملاء ومدخلات الوكيل لتعديل النماذج. هذه التغذية الراجعة في الوقت الفعلي تساعد في تحديد وتصحيح الأخطاء بحيث تبقى النماذج ذات صلة وفعالة.
• القدرات متعددة اللغات: يتم تدريب نماذجنا على مجموعات بيانات متعددة اللغات للتعامل مع التفاعلات بلغات متعددة. هذا أمر بالغ الأهمية لتقديم استجابات دقيقة ومحلية ومتعددة السياقات للعملاء في جميع أنحاء العالم.
• التدقيق المنتظم والتقييم: نقوم بالتدقيق المنتظم والتقييم لنماذجنا لتقييم أدائها. يتضمن هذا الاختبار ضد مجموعات بيانات مرجعية وسيناريوهات العالم الحقيقي لضمان أن تفي النماذج بمعايير الدقة والتناسب.
• الانسان في الحلقة: نحافظ على نهج الانسان في الحلقة حيث يعمل وكلاء الإنسان بالتعاون مع الذكاء الاصطناعي لإدارة السيناريوهات المعقدة. هذا النموذج الهجين يضمن أن تتعلم التكنولوجيا من الخبرة البشرية وتحسن أداءها مع مرور الوقت.
• استخدام نماذج اللغة الصغيرة: التدريب على نماذج صغيرة متجهة رأسياً (من خلال نهج هجين أو مجموعة) إلى جانب نماذج LLM المتاحة تجارياً يسمح بالكفاءة في الحوسبة والبحث ووقت الاستجابة مع تقصير دورات اختبار الانحياز والعدالة.

تسمح هذه الاستراتيجيات لنماذج التعلم الآلي لدينا بالبقاء دقيقة ومرنة وقادرة على تقديم تجارب عملاء عالية الجودة في بيئات ديناميكية.

evoAI يقدم تفاعلات ذكية عاطفياً ومتعددة السياقات عبر 120+ لغة مع أوقات استجابة أقل من الثانية. كيف تترجم هذه الاستجابة في الوقت الفعلي إلى دعم الوكيل ونتائج العملاء؟

يوفر evoAI دعمًا أفضل للوكيل ونتائج عملاء محسّنة بطرق متعددة:

• الأداء: تفاعلات متعددة السياقات تساعد في العثور على كميات هائلة من المعلومات بسرعة لاستفسارات الوكيل.
• التصميم الشخصي: يوفر القدرة على التكيف اللغوي المتعدد، مما يمنح الحرية في اختيار لغات الإدخال والإخراج في الوقت الفعلي لأي سؤال. على سبيل المثال، عندما يطلب العميل باللغة الإنجليزية استجابة بالفرنسية حتى يتمكن أحد الوالدين الأكبر سناً من الاستماع والفهم.
• الكفاءة: يقلل من أوقات الاستجابة وغالبًا ما يزيل الحاجة إلى استجابة بشرية.
• الذكاء العاطفي: يسمح للوكلاء بتعديل الخيارات للمكالمين بناءً على الوعي بالمواقف (النبرة والمزاج واختيار الكلمات)، مما يسمح بإنهاء الصراع بشكل أسرع.

مع انتشار الذكاء الاصطناعي الوكيل، كيف تدير المخاطر مثل الوهم أو الانحياز أو فقدان السيطرة مع ضمان أن يبقى الوكلاء هم المقررون للقرار؟

في Alorica، نعتقد أن الهيكل المعماري الصحيح للتقنية يجعلهم جميعًا. لذلك، يتطلب إدارة مخاطر الذكاء الاصطناعي الوكيل إطارًا حكوميًا متعددي الطبقات الذي بنيناه في كل مستوى من عمليات الذكاء الاصطناعي لدينا.

هذا هو كيف نعالج كل خطر حرج:

• تقليل الوهم: نستخدم نظام التحقق من ثلاث طبقات لتقليل الوهم. أولاً، تستخدم نماذجنا توليد محسّن بالاسترجاع (RAG) الذي يربط الاستجابات بقواعد بيانات موثوقة ومصادر بيانات في الوقت الفعلي، مما يقلل من احتمال المعلومات المزيفة بنسبة 85%. ثانيًا، ننفذ تسجيل الثقة على جميع اقتراحات الذكاء الاصطناعي، حيث تؤدي الاستجابات أقل من عتبة الثقة 80% إلى استعراض بشري تلقائي. ثالثًا، يتم تقييد نماذجنا للعمل داخل مساحات معلمة محددة خاصة بقواعد العمل لكل عميل – لا يمكن للذكاء الاصطناعي توليد معلومات حول المنتجات أو السياسات أو الإجراءات التي لم يتم توثيقها بشكل صريح في بيانات التدريب.
• كشف الانحياز ومنع الانحياز: استراتيجيتنا لإدارة الانحياز تعمل عبر دورة حياة الذكاء الاصطناعي بأكملها. خلال تدريب النموذج، نستخدم تقنيات الانحياز المعادي وتعلم الخوارزميات المتعمدة للتغلب على الانحيازات التاريخية في بيانات التدريب. نحافظ على معايير التماثل الديموغرافي عبر الفئات المحمية ونقوم بمراجعات شهرية باستخدام أدوات مثل مؤشرات العدالة وتقييمات التأثير المتفرق. يتم اختبار نماذجنا مع بيانات اصطناعية مصممة للكشف عن الانحيازات عبر مختلف الفئات الديموغرافية واللغات والسياقات الثقافية. عند الكشف عن الانحياز، نستخدم إعادة التدريب المستهدف على مجموعات بيانات متوازنة وضبط أوزان النموذج لضمان نتائج عادلة. ومن المهم أن نحافظ على تقارير الشفافية التي تتبع معايير الانحياز مع مرور الوقت، مما يسمح للعملاء بمعرفة كيفية أداء نماذجنا عبر مختلف السكان.
• الحفاظ على السيطرة البشرية: يبقى وكلاء الإنسان هم المقررون النهائيون للقرار من خلال هيكلنا المعماري “الذكاء الاصطناعي كمستشار”. يوفر نظام الذكاء الاصطناعي التوصيات مع ميزات قابلية Interpretation – يمكن للوكلاء رؤية سبب اقتراح الذكاء الاصطناعي على إجراء معين، وما العوامل التي أخذها في الاعتبار، وما هي البدائل المتاحة. لقد نفذنا نقاط توقف صلبة حيث لا يمكن للذكاء الاصطناعي تنفيذ إجراءات معينة بشكل مستقل: المعاملات المالية وتنقيح العقود والالتزامات القانونية أو النصائح الصحية دائمًا تتطلب تفويض بشري. لدينا بروتوكولات تصعيد تلقائية توجيه السيناريوهات المعقدة أو عالية المخاطر إلى وكلاء أو مشرفين أقدم عندما يكتشف الذكاء الاصطناعي مواقف خارج نطاق قدراته.
• التدقيق المستمر وآليات الإيقاف: يتم تسجيل كل تفاعل بالذكاء الاصطناعي ومراقبته من خلال مرصد أداء النموذج، الذي يتبع الانحرافات عن السلوك المتوقع في الوقت الفعلي. نحافظ على قدرات التراجع الفوري و”مفاتيح الإيقاف” على مستويات متعددة – يمكن تعطيل مكونات النموذج الفردية أو النماذج الكاملة أو ميزات الذكاء الاصطناعي النظامية في غضون ثوان إذا تم الكشف عن سلوك غير عادي.
• التحقق البشري في الحلقة: صممنا دوائر تغذية راجعة حيث يقيّم وكلاءنا اقتراحات الذكاء الاصطناعي بعد كل تفاعل، مما يخلق نظام تعلم مستمر يعتمد على خبرة بشرية. يشارك وكلاؤنا الأفضل في جلسات معايرة أسبوعية حيث يراجعون حالات الحافة ويساعدون في تعدين حدود قرار الذكاء الاصطناعي.
• المساءلة وسجلات المراجعة: تحتفظ كل قرار متأثر بالذكاء الاصطناعي بسجل مراجعة كامل يظهر توصية الذكاء الاصطناعي ومستوى الثقة وبيانات المصدر المستخدمة وقرار الوكيل النهائي. هذا يضمن المساءلة ويمكننا من تحسين نماذجنا باستمرار بناءً على النتائج. تؤكد المراجعات الدورية من قبل جهات خارجية ممارسات إدارة المخاطر لدينا مقابل المعايير الصناعية والمتطلبات التنظيمية.

من خلال تنفيذ هذه الحوافز الشاملة، نضمن أن أنظمة الذكاء الاصطناعي الوكيل لدينا تعزز قدرات بشرية مع الحفاظ على الوكالة البشرية والمعايير الأخلاقية والسيطرة التشغيلية.

كيف تتعامل مع إعادة تدريب النماذج والتعلم المستمر لضمان أن تبقى أنظمة الذكاء الاصطناعي الخاصة بك متوافقة مع متطلبات الامتثال والرقيب دقيق ل细يات مشاعر العملاء؟

يُبنى نهج Alorica لإعادة تدريب النماذج والتعلم المستمر في Alorica IQ على إطار قوي لعمليات التعلم الآلي.

لدينا هيكل إعادة تدريب متعددي الطبقات يعمل بتواقيت مختلفة. تخضع نماذجنا الحساسة للامتثال لاكتشاف الانحراف اليومي وتقييم أداء أسبوعي، مع أiggers تلقائية لإعادة التدريب عندما تحدث تغييرات تنظيمية. بالنسبة لنماذج مشاعر العملاء، نستخدم دوائر تغذية راجعة في الوقت الفعلي التي تُ