Ashish Nagar, administrerende direktør og grundlægger af Level AI – Intervju-serie

Ashish Nagar er administrerende direktør og grundlægger af Level AI, hvor han udnytter sin erfaring fra Amazon (AMZN ) på Alexa-holdet til at bruge kunstig intelligens til at transformere kontaktcenter-operationer. Med en stærk baggrund i teknologi og iværksætteri har Ashish været instrumental i at drive virksomhedens mission om at forbedre effektiviteten og effekten af kundeservice-interaktioner gennem avancerede AI-løsninger. Under hans ledelse er Level AI blevet en nøgleaktør i det AI-drevne kontaktcenter-miljø, kendt for sine banebrydende produkter og overlegen implementering af kunstig intelligens.

Hvad inspirerede dig til at forlade Amazon og starte Level AI? Kan du dele de specifikke smertepunkter i kundeservice, som du havde til hensigt at løse med din teknologi?

Min baggrund er bygning af produkter på tværs af teknologi og forretning. Selvom jeg har en bachelorgrad i anvendt fysik, har mit arbejde konstant fokuseret på produktroller og oprettelse, lancering og opbygning af nye forretninger. Min passion for teknologi og forretning førte mig til AI.

Jeg begyndte at arbejde med AI i 2014, da vi byggede en næste-generations mobil søgefirma kaldet Rel C, som var lignende med, hvad Perplexity AI er i dag. Denne oplevelse udløste min rejse ind i AI-software, og til sidst blev dette firma opkøbt af Amazon. Hos Amazon var jeg produktleder på Alexa-holdet, hvor jeg kontinuerligt søger efter muligheder for at tackle mere komplekse AI-problemer.

I mit sidste år hos Amazon i 2018 arbejdede jeg på et projekt, som vi kaldte “Star Trek-computeren”, inspireret af den berømte science fiction-franchise. Målet var at udvikle en computer, der kunne forstå og svare på ethvert spørgsmål, du stillede det. Dette projekt blev kendt som Alexa Prize, med det formål at gøre det muligt for alle at have en 20-minutters samtale med Alexa om ethvert socialt emne. Jeg ledede et hold på omkring 10 videnskabsmænd, og vi lancerede dette som en global AI-udfordring. Jeg arbejdede tæt sammen med førende ånder fra institutioner som MIT, CMU, Stanford og Oxford. En ting blev klart: på det tidspunkt kunne ingen fuldt ud løse problemet.

Alligevel kunne jeg mærke en bølge af innovation, der var på vej, som ville gøre dette muligt. Frem til 2024, og teknologier som ChatGPT gør nu meget af, hvad vi forestillede os. Der var hurtige fremskridt i naturlig sprogbehandling med firmaer som Amazon, Google (GOOGL ), OpenAI og Microsoft (MSFT ), der byggede store modeller og den underliggende infrastruktur. Men de tacklede ikke nødvendigvis end-to-end-workflows. Vi erkendte dette hul og ønskede at løse det.

Vores første produkt var ikke en kundeservice-løsning; det var en stemmeassistent til frontline-arbejdere, såsom teknikere og butiksmedarbejdere. Vi hævede 2 millioner dollars i seed-finansiering og viste produktet til potentielle kunder. De bad os overvældende om at tilpasse teknologien til kontaktcenter, hvor de allerede havde stemme- og datastrømme, men manglede den moderne generative AI-arkitektur. Dette førte os til at indse, at eksisterende firmaer i dette område var fastlåst i fortiden, og kæmpede med den klassiske innovatørs dilemma om, hvorvidt de skulle ombygge deres arvsystemer eller bygge noget nyt. Vi startede fra en blank skitse og byggede den første native store sprogmodel (LLM) kundeservice-intelligens- og service-automatiseringsplatform.

Min dybe interesse for kompleksiteten af menneskesprog og hvor svært det er at løse disse problemer fra et computer-teknisk perspektiv, spillede en betydelig rolle i vores tilgang. AI’s evne til at forstå menneskeligt sprog er afgørende, især for kontaktcenter-industrien. For eksempel viser brug af Siri ofte, hvor svært det er for AI at forstå intention og kontekst i menneskesprog. Selv simple forespørgsler kan bringe AI i vanskeligheder, da det kæmper for at fortolke, hvad du spørger om.

AI kæmper med at forstå intention, opretholde kontekst over lange samtaler og besidde relevant viden om verden. Selv ChatGPT har begrænsninger på disse områder. For eksempel kender det måske ikke de seneste nyheder eller forstår ikke skiftende emner inden for en samtale. Disse udfordringer er direkte relevant for kundeservice, hvor samtaler ofte indebærer multiple emner og kræver, at AI forstår specifik, domæne-relateret viden. Vi løser disse udfordringer i vores platform, som er designet til at håndtere kompleksiteten af menneskesprog i en kundeservice-miljø.

Level AI’s NLU-teknologi går ud over grundlæggende nøgleords-matching. Kan du forklare, hvordan jeres AI forstår dybere kunde-intention og de fordele, det bringer til kundeservice? Hvordan sikrer Level AI nøjagtigheden og pålideligheden af jeres AI-systemer, især i forståelse af nuancerede kunde-interaktioner?

Vi har seks eller syv forskellige AI-pipelines tilpasset specifikke opgaver, afhængigt af arbejdet. For eksempel kan en workflow indebære identificering af samtale-udløsere og forståelse af problemerne, kunder har med et produkt eller en tjeneste, som vi kalder “kundens stemme”. En anden kunne være den automatiserede scoring af kvalitets-scorekort til at evaluere agent-præstation. Hver workflow eller tjeneste har sin egen AI-pipeline, men den underliggende teknologi er den samme.

For at tegne en analogi er teknologien, vi bruger, baseret på LLM’er lignende den teknologi, der ligger bag ChatGPT og andre generative AI-værktøjer. Dog bruger vi kundeservice-specifikke LLM’er, som vi har trænet internt til disse specialiserede workflows. Dette giver os mulighed for at opnå over 85% nøjagtighed inden for få dage efter onboarding af nye kunder, hvilket resulterer i hurtigere tid til værdi, minimal professionel service og ubesvaret nøjagtighed, sikkerhed og tillid.

Vore modeller har dyb, specifik ekspertise i kundeservice. Den gamle paradigm indebærer analyse af samtaler ved at udpege nøgleord eller fraser som “annullér min konto” eller “Jeg er ikke tilfreds”. Men vores løsning afhænger ikke af at fange alle mulige variationer af fraser. I stedet anvender den AI til at forstå intentionen bag spørgsmålet, hvilket gør det meget hurtigere og mere effektivt.

For eksempel, hvis nogen siger “Jeg vil annullere min konto”, er der utallige måder, de kan udtrykke det på, som “Jeg er færdig med jer” eller “Jeg flytter til en anden”. Vores AI forstår spørgsmålets intention og binder det tilbage til konteksten, hvilket er hvorfor vores software er hurtigere og mere præcis.

En nyttig analogi er, at gammel AI var som en regelbog – du ville bygge disse stive regelbøger med if-then-else-udtalelser, som var ufleksible og konstant krævede vedligeholdelse. Den nye AI, på den anden side, er som en dynamisk hjerne eller et læringsystem. Med kun få pegepunkter lærer det dynamisk kontekst og intention, og forbedrer sig kontinuerligt på farten. En regelbog har en begrænset omfang og går let i stykker, når noget ikke passer med de foruddefinerede regler, mens et dynamisk læringsystem fortsætter med at udvide sig, vokse og har en langt større indvirkning.

Et godt eksempel fra en kunde-perspektiv er en stor e-handels-virksomhed. De har tusinder af produkter, og det er umuligt at holde trit med konstante opdateringer. Vores AI kan dog forstå konteksten, som om du taler om en specifik sofa, uden at skulle konstant opdatere en scorekort eller rubrik med hver enkelt ny produkt.

Hvad er de vigtigste udfordringer i at integrere Level AI’s teknologi med eksisterende kundeservice-systemer, og hvordan løser I dem?

Level AI er en kundeservice-intelligens- og service-automatiseringsplatform. Som sådan integrerer vi med de fleste CX-software i branchen, enten det er en CRM, CCaaS, undersøgelse eller værktøjsløsning. Dette gør os til den centrale hub, der indsamler data fra alle disse kilder og fungerer som intelligens-laget oven på.

Udfordringen er dog, at nogle af disse systemer er baseret på ikke-sky, on-premise-teknologi eller selv sky-teknologi, der mangler API’er eller rene data-integrationer. Vi arbejder tæt sammen med vores kunder for at løse dette, selvom 80% af vores integrationer nu er cloud-baseret eller API-naturlig, hvilket giver os mulighed for at integrere hurtigt.

Hvordan giver Level AI realtids-intelligens og handlebare indsigt for kundeservice-agenter? Kan du dele nogle eksempler på, hvordan dette har forbedret kunde-interaktioner?

Der er tre typer realtids-intelligens og handlebare indsigt, vi giver vores kunder:

1. Automatisering af manuelle workflows: Service-repræsentanter har ofte begrænset tid (6 til 9 minutter) og multiple manuelle opgaver. Level AI automatiserer kedelige opgaver som notering under og efter samtaler, og genererer tilpassede sammenfatninger for hver kunde. Dette har reddet vores kunder 10 til 25% i samtale-håndteringstid, hvilket fører til mere effektivitet.
2. CX Copilot for Service-repræsentanter: Service-repræsentanter står over for høj omsætning og onboarding-udfordringer. Forestil dig at blive sat ind i et kontaktcenter uden at kende virksomhedens politikker. Level AI fungerer som en ekspert-AI, der sidder ved siden af repræsentanten, lytter til samtaler og tilbyder realtids-vejledning. Dette inkluderer håndtering af indvendinger, tilbydning af viden og tilbydning af smart transkription. Denne funktion har hjulpet vores kunder med at onboarde og træne service-repræsentanter 30 til 50% hurtigere.
3. Manager Copilot: Denne unikke funktion giver ledere realtids-overblik over, hvordan deres team præsterer. Level AI giver sekund-for-sekund indsigt i samtaler, hvilket giver ledere mulighed for at gribe ind, opdage sentiment og intention, og støtte repræsentanter i realtid. Dette har forbedret agent-produktiviteten med 10 til 15% og øget agent-tilfredshed, hvilket er afgørende for at reducere omkostninger. For eksempel, hvis en kunde begynder at bande ad en repræsentant, markerer systemet det, og lederen kan enten overtage samtalen eller give stille vejledning til repræsentanten. Denne type realtids-intervention ville være umulig uden denne teknologi.

Kan du uddybe, hvordan Level AI’s sentiment-analyse fungerer, og hvordan det hjælper agenter med at svare mere effektivt på kunder?

Vores sentiment-analyse detekterer syv forskellige emotioner, der spænder fra ekstrem frustration til begejstring, hvilket giver os mulighed for at måle varierende grader af emotioner, der bidrager til vores samlede sentiment-score. Denne analyse tager både de udtalte ord og tonelejet i samtalen i betragtning. Dog har vi fundet ud af, at de udtalte ord spiller en langt større rolle end tonelejet.

Vi giver en sentiment-score på en skala fra 1 til 10, hvor 1 indikerer meget negativt sentiment, og 10 indikerer højt positivt sentiment. Vi analyserer 100% af vores kunders samtaler og giver dyb indsigt i kunde-interaktioner.

Kontekst-forståelse er også afgørende. For eksempel, hvis en samtale starter med meget negativt sentiment, men slutter positivt, selv om 80% af samtalen var negativ, anses den samlede interaktion for at være positiv. Dette er, fordi kunden startede utilfreds, agenten løste problemet, og kunden forlod tilfreds. På den anden side, hvis samtalen starter positivt, men slutter negativt, er det en anden historie, selv om 80% af samtalen måske var positiv.

Denne analyse hjælper både repræsentanten og lederen med at identificere områder for træning, fokuserer på handlinger, der korrelerer med positivt sentiment, såsom at hilse kunden, anerkende deres bekymringer og vise empati – elementer, der er afgørende for succesfulde interaktioner.

Hvordan løser Level AI data-privatlivs- og sikkerheds-problemer, især med hensyn til den følsomme natur af kunde-interaktioner?

Fra dag én har vi prioriteret sikkerhed og privatliv. Vi har bygget vores system med enterprise-niveau-sikkerhed og privatliv som kerneprincipper. Vi uddelegerer ikke nogen af vores generative AI-kapaciteter til tredjeparts-leverandører. Alt er udviklet internt, hvilket giver os mulighed for at træne kunde-specifikke AI-modeller uden at dele data uden for vores miljø. Vi tilbyder også omfattende tilpasning, hvilket giver kunderne mulighed for at have deres egne AI-modeller uden nogen data-delning på tværs af forskellige dele af vores data-pipeline.

For at løse en nuværende industriel bekymring bruger vores data ikke eksterne modeller til træning. Vi tillader ikke, at vores modeller påvirkes af AI-genereret data fra andre kilder. Denne tilgang forhindrer de problemer, nogle AI-modeller står over for, hvor træning på AI-genereret data får dem til at miste nøjagtighed. Hos Level AI er alt first-party, og vi deler eller henter ikke data eksternt.

Med den nylige 39,4 millioner dollars Series C-finansiering, hvad er jeres planer for at udvide Level AI’s platform og nå nye kunde-segmenter?

Series C-investeringen vil drive vores strategiske vækst- og innovations-initiativer i kritiske områder, herunder avanceret produktudvikling, tekniske forbedringer og omfattende forskning og udvikling. Vi har til hensigt at rekruttere top-kvalificeret talent på alle niveauer i organisationen, hvilket giver os mulighed for at fortsætte med at være førende inden for branchen og udvikle teknologier, der overgår kunde-forventninger og møder dynamiske markedskrav.

Hvordan ser du på rollen af AI i at transformere kundeservice over de næste ti år?

Selv om den generelle fokus ofte er på automatiserings-aspektet – forudsigelse af en fremtid, hvor botter håndterer al kundeservice – er vores synspunkt mere nuanceret. Omfanget af automatisering varierer afhængigt af den vertikale. For eksempel kan automatisering i bank eller finans være lavere, mens den i andre sektorer kan være højere. I gennemsnit tror vi, at opnåelse af mere end 40% automatisering på tværs af alle vertikaler er udfordrende. Dette skyldes, at service-repræsentanter gør mere end bare at svare på spørgsmål – de fungerer som fejlfindere, salgs-rådgivere og mere, roller som ikke kan fuldt ud repliceres af AI.

Der er også betydelig potentiale i workflow-automatisering, som Level AI fokuserer på. Dette inkluderer bagkontor-opgaver som kvalitets-sikring, billet-triangulering og skærm-overvågning. Her kan automatisering overstige 80% ved hjælp af generativ AI. Intelligens og data-indsigter er afgørende. Vi er unikke i brugen af generativ AI til at få indsigt i ustruktureret data. Denne tilgang kan væsentligt forbedre kvaliteten af indsigt, reducere behovet for professionel service med 90% og accelerere tid til værdi med 90%.

En anden vigtig overvejelse er, om ansigtet på jeres organisation skal være en bot eller en person. Ud over de grundlæggende funktioner, de udfører, er en menneskelig forbindelse med jeres kunder afgørende. Vores tilgang er at fjerne de overflødige opgaver fra en persons arbejdsmængde, så de kan fokusere på meningsfulde interaktioner.

Vi tror, at mennesker er bedst egnede til direkte kommunikation og bør fortsætte med at være i den rolle. Dog er de ikke ideelle til opgaver som notering, transkription af interaktioner eller skærm-optagelse. Ved at håndtere disse opgaver for dem frigør vi deres tid til at engagere sig med kunder mere effektivt.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Level AI.