Mike Clifton, spolucestující generální ředitel Aloricy – Interview Series

Mike Clifton je spolucestující generální ředitel Aloricy, globálního lídra v oblasti digitálně poháněných zákaznických zkušeností (CX). V této roli Mike dohlíží na digitální transformační strategii společnosti, včetně jejích oceněných produktů AI, aby poskytoval optimální CX napříč kanály (hlas, chat, web, atd.) a průmysly jménem značek FORTUNE 500. S silnou odborností a zkušenostmi v oblasti digitální inovace, AI a podnikové technologie má Mike prokázanou historii řízení ziskového růstu integrací škálovatelných technických řešení, aby splňoval měnící se tržní požadavky.

Alorica je globálním lídrem v oblasti zákaznické zkušenosti a outsourcingu obchodních procesů, poskytujícím technologiemi podporovaná, lidsky zaměřená řešení pro odvětví, jako je bankovnictví, zdravotnictví, maloobchod a telekomunikace. S více než 100 000 zaměstnanci v 17+ zemích spravuje společnost miliardy interakcí ročně ve více než 75 jazycích, poskytujícím služby, jako jsou kontaktní centra, analytika, řešení AI, moderace obsahu a back-office operace – vše zaměřené na dosažení měřitelných výsledků pro klienty.

Průmysl se pohybuje směrem k augmentaci nad automatizací – jak Alorica reflektuje tuto hybridní model?

Strategie Aloricy reflektuje hybridní model augmentace nad automatizací, zaměřením se na zlepšení výkonu lidských agentů pomocí nástrojů AI, spíše než jejich nahrazování. Tento přístup zajišťuje, že lidé zůstávají v jádru zákaznických interakcí, podporovaní pokročilými technologiemi, aby zlepšily efektivitu a efektivnost.

Například Alorica spustila několik pokročilých řešení, jako je evoAI, Knowledge IQ, Digitální model důvěry a bezpečnosti a CX2GO®. Tyto nástroje jsou navrženy tak, aby zesílily výkon lidských agentů, poskytujícím reálné, kontextově vědomé interakce, které zlepšují správu znalostí a zajišťují digitální důvěru a bezpečnost.

Integrací nástrojů AI, které nabízejí emocionálně inteligentní a kontextově vědomé interakce napříč několika jazyky s odezvou pod jednu sekundu, Alorica umožňuje agentům poskytovat personalizovanou a efektivní podporu zákazníkům. Tato reálná odezva se překládá do zlepšených zákaznických výsledků.

Celkově Alorica zdůrazňuje důležitost lidských agentů, zatímco využívá AI k zlepšení jejich schopností, odrážející posun průmyslu směrem k augmentaci nad automatizací.

Můžete sdílet konkrétní příklady, kde AI zesílila lidský výkon agentů, spíše než je nahradila?

Existuje mnoho příkladů zesílení, které jsme využili při poskytování našich služeb. Jeden z nich je schopnost agentů interagovat s znalostním motorem, který poslouchá reálný projev a překládá ho do auto-odpovědního motoru, který vyvolává pomoc; to je mocný, preventivní nástroj, který jsme použili napříč mnoha řešeními. Další příklad je použití konverzačních AI motorů ke zlepšení naší schopnosti školit agenty na nejobtížnější scénáře klientů. Prostřednictvím AI poháněných simulací reálných interakcí snižujeme stres a modely se neustále učí – aktualizují agenty o sentimentu a empatii, jak získávají více zkušeností.

Jak sledujete dopad výkonu těchto nástrojů AI – například v prvním kontaktu, době zpracování nebo efektivitě agenta?

Sledování nástrojů AI v augmentovaném použití spadá přímo do metrik přiřazených agentovi, jako by žádné nástroje neexistovaly. Rozdíl spočívá ve schopnosti zpracovat více hovorů s vyšší mírou spokojenosti a jistotou, že můžeme předpovědět lepší strategie pracovní síly, když máme pevná data z modelů.

Spuštění několika pokročilých řešení, jako je evoAI, Knowledge IQ, Digitální model důvěry a bezpečnosti a CX2GO®. Které z nich máte za to, že má nejrychlejší “superpower” efekt pro agenty a proč?

Naše interní využití evoAI poskytuje agentům schopnost využít simulované hovory k výcviku s vyšším stupněm situační povědomí, poskytujícím největší dopad. To je následováno Knowledge IQ, které zesiluje schopnost agenta najít správnou odpověď. Tyto dva byly pro naše zaměstnance skutečnými změnami, kompletně měnícími, jak rychle a přesně naši agenti mohou řešit potřeby zákazníků.

Z pohledu strojového učení, jak jsou vaše modely trénovány, aby udržely přesnost a adaptabilitu, když se mění potřeby zákazníků, jazyk a tržní podmínky?

Abyste udrželi přesnost a adaptabilitu vzhledem k měnícím se potřebám zákazníků, jazyku a tržním podmínkám, naše modely strojového učení procházejí kontinuálním trénováním a rafinováním.

Zde jsou některé klíčové strategie, které používáme:

• Kontinuální učení: Naše modely jsou navrženy tak, aby se učily z nových dat kontinuálně. To zahrnuje pravidelné aktualizace trénovacích dat sad s nedávnými interakcemi, zpětnou vazbou a tržními trendy. Díky začlenění nejnovějších informací mohou naše modely přizpůsobit se měnícím se preferencím zákazníků a vznikajícím tržním podmínkám.
• Různorodé zdroje dat: Používáme širokou škálu zdrojů dat k trénování našich modelů, včetně interakcí zákazníků, sociálních médií, tržních zpráv a dalších. Tato rozmanitost zajišťuje, že naše modely jsou vystaveny různým scénářům a lingvistickým nuancím, zlepšujícím jejich schopnost porozumět a reagovat přesně.
• Směry zpětné vazby: Implementujeme robustní směry zpětné vazby, kde interakce zákazníků a vstup agentů se používají k jemnému doladění modelů. Tato reálná zpětná vazba pomáhá identifikovat a opravit nepřesnosti, aby modely zůstaly relevantní a efektivní.
• Multijazyčné schopnosti: Naše modely jsou trénovány na multijazyčných datech, aby zvládly interakce v několika jazycích. To je zásadní pro poskytování přesných, lokalizovaných a kontextově vědomých odpovědí globální zákaznické základně.
• Pravidelné audity a hodnocení: Provádíme pravidelné audity a hodnocení našich modelů, aby se posoudila jejich výkonnost. To zahrnuje testování modelů proti referenčním datovým sadám a reálným scénářům, aby se zajistilo, že modely splňují standardy přesnosti a adaptability.
• Lidský faktor v smyčce: Udržujeme lidský faktor v smyčce, kde lidský agent spolupracuje s AI, aby spravoval komplexní dotazy. Tento hybridní model zajišťuje, že technologie se učí z lidské odbornosti a zlepšuje svou výkonnost v průběhu času.
• Využívání menších jazykových modelů: Trénování vertikálně orientovaných menších modelů (prostřednictvím hybridního nebo ensemble přístupu) spolu s komerčně dostupnými LLMs umožňuje efektivitu v počítači, vyhledávání a odezvě, zatímco zkracuje testovací cykly偏见 a férovosti.

Tyto strategie umožňují našim modelům strojového učení zůstat přesné, adaptabilní a schopné poskytovat vysoké kvality zákaznických zkušeností v dynamických prostředích.

evoAI nabízí emocionálně inteligentní, kontextově vědomou interakci napříč 120+ jazyky s odezvou pod jednu sekundu. Jak se tato reálná odezva překládá do podpory agenta a zákaznických výsledků?

evoAI poskytuje lepší podporu agenta a zlepšené zákaznické výsledky několika způsoby:

• Výkon: kontextově vědomé interakce pomáhají najít a seřadit velké množství informací rychle pro dotazy agentů.
• Personalizace: nabízí multijazyčnou adaptabilitu, poskytující svobodu vybrat vstupní a výstupní jazyk v reálném čase pro jakýkoli prompt. Například zákazník, který se ptá v angličtině na odpověď ve francouzštině, aby starší rodič poslouchající mohl rozumět.
• Efektivita: snižuje dobu odezvy a často eliminuje potřebu lidské odpovědi.
• Emocionální inteligence: umožňuje agentům upravovat možnosti pro volající na základě situační povědomí (tónu, nálady a výběru slov), umožňujícím rychlejší deeskalaci.

S agentic AI získávající trakci, jak spravujete rizika, jako jsou halucinace,偏见 nebo ztráta kontroly, zatímco zajišťujete, že agenti zůstávají rozhodnutími?

Alorica věří, že správná architektura za technologií dělá veškerý rozdíl. To je důvod, proč spravování rizik agentic AI vyžaduje vícestupňový rámec governance, který jsme integrovali do všech úrovní našich operací AI.

Zde je, jak řešíme každé kritické riziko:

• Mitigace halucinací: Používáme tříúrovňový verifikační systém, aby se minimalizovaly halucinace. První, naše modely používají generaci RAG, která zakotví odpovědi v ověřených znalostních bázích a reálných zdrojích dat, snižujících pravděpodobnost vynalezených informací o 85%. Druhý, implementujeme hodnocení důvěry na všech AI vygenerovaných návrzích, kde odpovědi pod prahem 80% důvěry vyvolávají automatickou lidskou kontrolu. Třetí, naše modely jsou omezeny na provoz v definovaných parametrických prostorech specifických pro každého klienta – AI nemůže generovat informace o produktech, politikách nebo postupech, které nejsou explicitně dokumentovány v trénovacích datech.
• Detekce a prevence偏见: Naše strategie řízení偏见 funguje napříč celým životním cyklem AI. Během trénování modelů používáme techniky adversariálního odstraňování偏见 a algoritmů učení férovosti, které aktivně potírají historické偏见 v trénovacích datech. Udržujeme metriky demografické parity napříč chráněnými kategoriemi a provádíme měsíční audity pomocí nástrojů, jako jsou indikátory férovosti a hodnocení disproporcionálního dopadu. Naše modely procházejí testováním syntetickými daty navržených k odhalení偏见 napříč různými demografickými skupinami, jazyky a kulturními kontexty. Když je偏见 detekován, používáme cílené přeškolování na vyvážených datech a upravujeme váhy modelů, aby se zajistila rovnocenná výsledek. Důležité je, že udržujeme transparentní zprávy, které sledují metriky偏见 v průběhu času, umožňujícím klientům vidět, jak naše modely fungují napříč různými populacemi.
• Udržování lidské kontroly: Lidský agent zůstává konečným rozhodnutím prostřednictvím naší architektury “AI jako poradce”. Systém AI poskytuje doporučení s funkcemi vysvětlitelnosti – agenti mohou vidět, proč AI navrhl určitou akci, jaké faktory byly zváženy a jaké alternativy existují. Implementovali jsme tvrdá zastavení, kde AI nemůže autonomně vykonávat určité akce – finanční transakce, úpravy smluv, právní závazky nebo zdravotní rady vždy vyžadují lidskou autorizaci. Naše eskalační protokoly automaticky směrují komplexní nebo vysoce rizikové scénáře na seniorní agenty nebo supervizory, když AI detekuje situace mimo své kompetenční hranice.
• Pravidelné monitorování a vypínače: Každá interakce AI je zaznamenána a monitorována prostřednictvím našeho Model Performance Observatory, který sleduje odchylky od očekávaného chování v reálném čase. Udržujeme okamžitou zpětnou kompatibilitu a “vypínače” na několika úrovních – jednotlivé komponenty modelu, celé modely nebo funkce AI systému mohou být zakázány během sekund, pokud je detekováno anomální chování. Naše algoritmy detekce driftu kontinuálně srovnávají výstupy modelů s rozhodnutími lidských odborníků, signalizujících rozdíly pro okamžitou kontrolu.
• Validace lidským faktorem v smyčce: Navrhli jsme směry zpětné vazby, kde agenti hodnotí návrhy AI po každé interakci, vytvářející kontinuální učení systém, který se přizpůsobuje lidské odbornosti. Naši nejlepší agenti se účastní týdenních kalibračních sezení, kde recenzují edge scénáře a pomáhají rafinovat hranice rozhodnutí AI. To vytváří model kolektivní inteligence, kde lidská úsudek kontinuálně formuje a omezuje chování AI.
• Odpovědnost a auditní stopy: Každé AI ovlivněné rozhodnutí uchovává kompletní auditní stopu, ukazující návrh AI, úroveň důvěry, zdroje dat, které byly použity, a konečné rozhodnutí lidského agenta. To zajišťuje odpovědnost a umožňuje nám kontinuálně zlepšovat naše modely na základě výsledků. Pravidelné audity třetích stran validují naše postupy řízení rizik proti odvětvovým standardům a regulačním požadavkům.

Implementací těchto komplexních bezpečnostních opatření zajišťujeme, že naše agentic AI systémy zesilují lidské schopnosti, zatímco udržují lidskou agenturu, etické standardy a provozní kontrolu.

Jak přistupujete k přeškolování modelů a kontinuálnímu učení, aby vaše systémy AI zůstaly v souladu s požadavky compliance a nuancemi zákaznické nálady?

Přístup Aloricy k přeškolování modelů a kontinuálnímu učení v Alorica IQ je založen na robustním rámci MLOps, který vyvažuje regulační compliance s optimalizací zákaznické zkušenosti.

Implementovali jsme vícestupňovou architekturu přeškolování, která funguje na různých frekvencích. Naše modely kritické pro compliance procházejí denní detekcí driftu a týdenními audity výkonu, s automatickými spouštěči pro okamžité přeškolování, když dojde ke změnám regulačních požadavků. Pro modely zákaznické nálady využíváme reálné zpětné vazby, které zachycují korekce agentů a skóre spokojenosti zákazníků, a tyto informace se používají v našem trénovacím pipeline každých 72 hodin.

Naše vrstva Compliance Intelligence funguje jako systém ochrany, automaticky validující výstupy modelů proti regulačním rámcům specifickým pro každou geografii – od GDPR v Evropě po CCPA v Kalifornii. Tato vrstva se kontinuálně aktualizuje prostřednictvím našeho partnerství s poskytovateli právní technologie a regulačních feedů, zajišťujících, že naše systémy AI zůstávají v souladu bez manuální intervence.

Pro nuance zákaznické nálady vyvinuli jsme “kulturní kontextové vložení” v Alorica IQ, společnostním inkubátoru inovací. Tyto jsou jemně doladěné regionální modely, které rozumí nejen jazyku, ale také kulturním komunikačním vzorcům. Například naše modely rozpoznávají, že úrovně přímého vyjadřování se liší významně mezi německými a japonskými interakcemi zákazníků, a upravují tak své sentimentální skóre podle toho.

Udržujeme verzované registry modelů s plnou zpětnou kompatibilitou, umožňující nám okamžitě vrátit se k předchozím verzím, pokud nové trénování zavede neočekávané chování. Naše framework A/B testování běží kontinuálně, srovnávající nové verze modelů s produkčními bazény napříč tisíci interakcemi, než se plně nasadí.

Nejvíce je důležité, že jsme navrhli Protokol integrace lidské zpětné vazby, kde naši nejlepší agenti pravidelně recenzují edge scénáře a poskytují korekční zpětnou vazbu, vytvářející cirkulární cyklus, kde lidská odbornost kontinuálně vylepšuje naše schopnosti AI. Tento přístup snížil porušení compliance o 94%, zatímco zlepšil přesnost detekce nálady na 92% napříč všemi podporovanými jazyky.

S rychlou mezinárodní expanzí – zejména na trzích, jako je Indie, Egypt a EMEA – jak přizpůsobujete svůj přístup AI-lidského rozhraní pro rozmanité lingvistické a kulturní potřeby?

Domníváme se, že lokalizace není jen o mluvení jazykem – je to o odrážení kultury.

Naše platformy AI, jako je evoAI a ReVoLT, jsou naladěny na zachycení tónu, nuance a kontextu napříč stovkami jazyků a dialekty, takže interakce cítí povědomí a autenticitu. Ale nekončíme u technologie. Nábor talentů z každého regionu, školení týmů kolem kulturních očekávání a přizpůsobení našeho designu služeb, aby odrážely místní normy. Tento hybridní model zajišťuje, že každá interakce cítí, jako by byla postavena pro ten trh.

V Indii, kde podporujeme 75 oficiálních jazyků a řadu dialektů, nasadili jsme naši Architekturu lingvistické sítě, která neonly překládá, ale také udržuje kontext napříč scénáři code-switchingu – kde zákazníci přirozeně kombinují hindštinu, angličtinu a regionální jazyky ve stejné konverzaci. Naše modely jsou trénovány na skutečných konverzačních vzorcích z měst druhé a třetí úrovně, ne pouze z metropolitních oblastí, zajišťujících, že zachytíme celý spektrum komunikačních stylů.

Pro naše egyptské operace, které slouží širšímu regionu MENA, vyvinuli jsme modely specifické pro arabské dialekty, které rozlišují mezi egyptskou arabštinou, arabskou z Perského zálivu a levantskou arabštinou, s specializovaným zpracováním formálních (Fusha) versus neformálních (Ammiya) rejstříků. Naše AI rozumí, když zákazník přepíná z formální na neformální arabštinu jako emocionální signál, spouštějící příslušné koučování agenta v reálném čase.

V trzích EMEA implementovali jsme, co nazýváme “Regulační-First AI Design”. Každá země má nasazenou předkonfigurovanou modul compliance, od přísných požadavků na lokalizaci dat v Německu po francouzské zákony na ochranu jazyka, vyžadující francouzsky-first rozhraní. Naše modely jsou trénovány nejen na jazyk, ale také na místní obchodní etiku; například naše nasazení v Německu zdůrazňuje přesnost a podrobnou dokumentaci, zatímco náš italský model umožňuje více konverzační flexibilitu.

Technologickým základem je náš Framework federativního učení v Alorica IQ, kde lokální modely se učí z regionálních dat, aniž by tato data opustila zemi, zajišťujícím suverenitu dat, zatímco stále profitujícím z globálních vylepšení modelů. Udržujeme regionální klastry GPU, aby se zajistila latence pod 100 ms pro reálnou asistenci agenta.

Náš Tým kulturní inteligence, složený z lingvistů a behaviorálních vědců z každého regionu, kontinuálně validuje naše výstupy AI. Pomohli nám identifikovat více než 3 000 scénářů specifických pro kulturu, které vyžadují speciální zpracování – od náboženských svátků, které ovlivňují dostupnost služeb, po místní preference plateb, které ovlivňují tok konverzace.

Tento přístup přinesl pozoruhodné výsledky: naše indické operace ukazují 40% vyšší skóre spokojenosti zákazníků (CSAT), když se používají kulturně adaptované AI modely ve srovnání s obecnými modely, a naše nasazení v EMEA dosáhla 98% míry řešení při prvním kontaktu pro jazykově specifické dotazy.

Jak schopnost evoAI rozpoznávat a přizpůsobovat se regionálním dialektům a emocionálním signálům pomáhá pohánět adopci na nových trzích?

Adopce se urychluje, když lidé cítí, že technologie “rozumí” jim. evoAI jde za hranice slovo-z-slovem překladů, rozumíc slangům, akcentům a dokonce emocionálním tónům v reálném čase.

Schopnost evoAI rozpoznávat dialekty a emocionální signály se stala naším primárním konkurenčním rozdílem při pronikání na nové trhy, přímo řešícím důvěrnou propast, která často brání adopci AI na vznikajících trzích.

Z technického hlediska evoAI využívá náš proprietární model Akusticko-lingvistické fúze, který současně zpracovává fonetické vzorce, prosodické funkce a sémantický obsah. Tento tri-modální přístup umožňuje nám detekovat jemné emocionální stavy, které se vyjadřují odlišně napříč kulturami. Například v japonských trzích bychom mohli detekovat “honne” versus “tatemae” (skutečné pocity versus veřejná fasáda) prostřednictvím mikro-variací v tónu a tempu řeči, zatímco na Blízkém východě bychom rozpoznali dynamiku cti a hanby prostřednictvím specifických frázových konstrukcí a zdůraznění.

Naše rozpoznání dialektů jde za hranice jednoduché detekce akcentu. evoAI udržuje dynamické dialektové mapy, které chápou socioekonomické indikátory zabudované ve vzorcích řeči. V Indii, například, systém rozpozná, zda někdo mluví tamilsky nebo telugsky, ale také identifikuje vzdělávací背景 a rozliší městské versus venkovské původy, umožňujícím agentům kalibrovat svůj komunikační styl podle toho. Tento jemný rozumění prokázal zvýšení skóre důvěry zákazníků o 67% v pilotních programech.

Emocionální inteligentní vrstva využívá naší technologie Kontextového emocionálního grafu, která mapuje emocionální trajektorie napříč konverzacemi, spíše než pouze bodové sentimenty. To umožňuje evoAI předpovídat emocionální eskalaci 30 sekund předtím, než k ní dojde, s 89% přesností, poskytujícím agentům kritický čas na zásah s technikami deeskalace specifickými pro kulturní preference řešení konfliktů.

Pro adopci na nových trzích má náš info akční laboratoř “Progresivní lokalizaci” skrze Alorica IQ. Začínáme s modelem trénovaným na cílovém trhu, médiích, sociálních médiích a veřejných diskuzích. V prvních 30 dnech nasazení se evoAI přizpůsobí lokálním zákaznickým vzorcům prostřednictvím našeho Aktivního učení Pipeline, který priorizuje učení z konverzací s nejvyšší emocionální variabilitou. Do dne 90 by naše modely měly dosáhnout 95% přesnosti v rozpoznání dialektů a 88% v detekci emocionálních stavů.

Obchodní dopad by byl podstatný. Naše studie ukazují, že egyptské nasazení, s schopností evoAI rozpoznávat a reagovat na kairské versus alexandrijské dialekty, v kombinaci s příslušnými kulturními zdvořilostními vzorci, by snížilo typickou 6měsíční lhůtu pro penetraci trhu na pouhých 8 týdnů. Náklady na akvizici zákazníků by mohly klesnout až o 45%, protože se zvýší doporučení z úst do úst díky přirozeným, kulturně vědomým interakcím.

Schopnost evoAI emocionálně přizpůsobovat se otevře zcela nové kategorie služeb. Například jsme hypotetizovali, že služba podpory duševního zdraví poháněná evoAI by mohla pomoci rozpoznat časnými markery deprese a úzkosti na základě přirozených expresivních vzorců, umožňujícím včasnou intervenci a eskalaci našemu týmu zdraví a wellness – zajišťujícím, že je vždy prioritizováno blaho agenta.

Tato technologická výhoda se přímo překládá do adopce na trhu: regiony, které využívají plné dialektové a emocionální schopnosti evoAI, ukazují 3,2násobně rychlejší tempo adopce ve srovnání se standardními nasazeními AI, zatímco spokojenost agentů se zlepšuje o 78%, protože cítí větší jistotu při zvládání kulturně komplexních interakcí.

Pohledem do roku 2025 a dále, co vidíte jako další hranici pro human-centric AI v CX?

Další hranice spočívá ve konvergenci konverzační AI, agentic AI a neuronových sítí, aby se orchestrace dosáhla vyšší úrovně výsledků, které nebyly dříve považovány za možné. To přeformuluje, jak podnikáme.

Představte si, že plánujete obchodní cestu: navštívíte webovou stránku, abyste vybrali leteckou společnost, pak rezervujete hotel, domluvíte dopravu, naplánujete večeři a naplánujete návrat. To je jednoduchý příklad zadání dotazu jednou a umožnění integrovaným botům – poháněným neuronovou sítí – zpracovat všechny dostupné možnosti a vytvořit multi-výběrovou odpověď pro váš výběr. V tomto modelu je orchestrace neuronová, agentic AI pohání boty a konverzace je odpovědí.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Alorica.