Ofer Ronen, Co-Founder og CEO af Tomato.ai – Interview Serie

Ofer Ronen er Co-Founder og CEO af Tomato.ai, en platform, der tilbyder en AI-drevet stemmefilter til at afbløfte accenter for offshore-agentstemmer, mens de taler, hvilket resulterer i forbedrede CSAT- og salgsstatistik.

Ofer har tidligere solgt tre tech-startups, to til Google, og en til IAC. Han tilbragte de sidste fem år hos Google med at bygge kontaktcenter-AI-løsninger inden for Area 120 inkubator. Han lukkede mere end 500 millioner dollars i aftaler for disse nye løsninger. Han har en MS i computeringeniørvidenskab med fokus på AI fra University of Michigan og en MBA fra Cornell.

Hvad var det, der oprindeligt tiltrak dig til maskinlæring og AI?

AI har haft en lang historie med starts og stops. Perioder, hvor der var stor håb om, at teknologien kunne transformere brancher, efterfulgt af perioder med desillusion, fordi den ikke quite levede op til hypen.

Da jeg gjorde en master i AI for nogle årtier siden, på University of Michigan, var det en periode med desillusion, hvor AI ikke quite gjorde en indsats. Jeg var fascineret af ideen om, at computere kunne læres at udføre opgaver gennem eksempler i stedet for de traditionelle heuristikker, som kræver, at man tænker over, hvilke eksplicitte instruktioner man skal give. På det tidspunkt arbejdede jeg på et AI-forskningslaboratorium med virtuelle agenter, der hjalp lærere med at finde ressourcer online til deres klasser. Dengang havde vi ikke de store data, de kraftfulde beregningsressourcer eller de avancerede neurale netværk, som vi har i dag, så de funktioner, vi byggede, var begrænsede.

Fra 2016 til 2019 arbejdede du på Google’s Area 120 inkubator for at designe meget robuste virtuelle agenter til de største kontaktcenter. Hvad var denne løsning præcis?

Mere nylig arbejdede jeg på Google’s Area 120 inkubator på nogle af de største voice-virtuelle agent-udrulninger, herunder et par projekter for Fortune 50-virksomheder med over 100 millioner supportopkald om året.

For at bygge mere robuste voice-virtuelle agenter, der kan håndtere komplekse samtaler, brugte vi millioner af historiske samtaler mellem mennesker og brugte disse samtaler til at registrere typen af opfølgningsspørgsmål, kunder har ud over deres oprindelige problemstilling. Ved at registrere opfølgningsspørgsmål og ved at registrere forskellige måder, kunder formulerer hvert spørgsmål på, kunne vi bygge fleksible virtuelle agenter, der kan have vildledende samtaler. Dette spejlede bedre den type samtaler, kunder har med menneskelige agenter. Resultatet var en materiel øgning i det totale antal opkald, der fuldt ud blev håndteret af de virtuelle agenter.

I 2021 og 2022 byggede du en 2. startup på Area 120, kunne du dele, hvad denne virksomhed var, og hvad du lærte af oplevelsen?

Min anden startup inden for Area 120 var igen fokuseret på callcenter. Vores løsning fokuserede på at reducere kundeskift ved proaktivt at nå ud til kunder lige efter et mislykket supportopkald, hvor kunden havde udtrykt deres problem, men ikke fik en løsning. Udnævnelsen ville blive udført af virtuelle agenter, der var trænet til at håndtere disse åbne problemer. Det, jeg lærte af denne oplevelse, er, at kundeskift er en svær målestok at måle på en tilstrækkelig måde. Det kan tage 6 måneder at få statistisk signifikante resultater for ændringer i kundeskift. Det gør det svært at optimere en oplevelse hurtigt nok og at overbevise kunder om, at en løsning virker.

Kunne du dele genesis-historien bag din tredje kontaktcenter-AI-startup Tomato.ai, og hvorfor du valgte at gøre det selv i stedet for at arbejde inden for Google?

Ideën til Tomato.ai, min tredje kontaktcenter-startup, kom fra James Fan, min co-founder og CTO. James tænkte, det ville være mere effektivt at sælge vin med en fransk accent, og hvad nu, hvis alle kunne få en fransk accent?

Dette var frøet til ideen, og fra da af udviklede vores tænkning sig. Da vi undersøgte det mere, fandt vi et mere akut smertepunkt, som kunder føler, når de taler med accenterede offshore-agenter. Kunder havde problemer med forståelse og tillid. Dette repræsenterede en større markedsmulighed. Givet vores baggrund, indså vi den betydelige indvirkning, det ville have på callcenter, hvilket hjælper dem med at forbedre deres salgs- og supportstatistik. Vi henviser nu til denne type løsning som Accent Softening.

James og jeg havde tidligere ledet og solgt startups, herunder hver af os solgte en startup til Google.

Vi besluttede at forlade Google for at starte Tomato.ai, fordi vi efter mange år hos Google havde lyst til at komme tilbage til at starte og lede vores egen virksomhed.

Tomato.ai løser et vigtigt smertepunkt med callcenter, som er at afbløfte accenter for agenter. Kunne du diskutere, hvorfor stemmefiltre er en foretrukken løsning til agent-træning?

På Tomato.ai forstår vi vigtigheden af klar kommunikation i callcenter, hvor accenter kan nogle gange skabe barrierer. I stedet for at afhænge af traditionel agent-træning har vi udviklet stemmefiltre, eller hvad vi kalder “accent-afbløftning”. Disse filtre hjælper agenter med at fastholde deres unikke stemme, mens de reducerer deres accenter, og forbedrer klaretheden for kaldere. Ved at bruge stemmefiltre sikrer vi bedre kommunikation og bygger tillid mellem agenter og kaldere, og gør hver interaktion mere effektiv og tilfredsstillende for kunden. Så, i forhold til omfattende træningsprogrammer, tilbyder stemmefiltre en enklere og mere øjeblikkelig løsning til at håndtere accent-relaterede udfordringer i callcenter.

Da eksisterende agenter udnytter disse værktøjer til at forbedre deres præstation, vil de blive bemyndiget til at kræve højere satser, der afspejler deres øgede værdi i levering af exceptionelle kundeoplevelser. Samtidig vil den demokratiserende effekt af generativ AI bringe nye entry-level-agenter ind i folden, og udvide talentpoolen og drive timelønnerne ned. Dette dualitet signalerer en fundamental transformation i dynamikken af callcenter-tjenester, hvor teknologi og menneskelig ekspertise omformulerer branchens landskab, og baner vejen for en mere inklusiv og konkurrencedygtig fremtid.

Hvad er nogle af de forskellige maskinlærings- og AI-teknologier, der bruges til at aktivere stemmefilter?

Denne type realtids-stemmefilterløsning ville ikke have været mulig blot et par år siden. Fremgang i taleforskning kombineret med nyere arkitekturer som transformermodellen og dybe neurale netværk, og mere kraftfuld AI-hardware (som TPUs fra Google og GPUs fra NVidia) gør det mere muligt at bygge sådanne løsninger i dag. Det er stadig et meget svært problem, der kræver, at vores team opfinder nye teknikker til at træne tale-til-tale-modeller, der er lav latency og høj kvalitet.

Hvad type feedback har været modtaget fra callcenter, og hvordan har det påvirket medarbejderfluktratens?

Vi har stærk efterspørgsel fra store og små offshore callcenter for at prøve vores accent-afbløftningsløsning. Disse callcenter erkender, at Tomato.ai kan hjælpe med deres to største problemer (1) offshore-agenteres præstationsmetrik er ikke op til par med onshore-agenter (2) det er svært at finde nok kvalificerede agenter at ansætte i offshore-markeder som Indien og Filippinerne.

Vi forventer i de kommende uger at have cases, der fremhæver den type indvirkning, callcenter oplever ved at bruge Accent Softening. Vi forventer, at salgsopkald vil se en øjeblikkelig løft i nøglemetrikker som omsætning, lukningsrater og lead-kvalifikationsrater. På samme tid forventer vi, at supportopkald vil se kortere håndteringstider, færre callbacks og forbedret CSAT.

Som nævnt ovenfor tager fluktrater længere tid at validere, og så cases med disse forbedringer vil komme på et senere tidspunkt.

Tomato.ai har nylig sikret en 10 millioner dollars finansieringsrunde, hvad betyder dette for virksomhedens fremtid?

Da Tomato.ai går i gang med sin første produktlancering, forbliver teamet stædigt i sin forpligtelse til at omforme landskabet for global kommunikation og fremtiden for arbejde, en samtale ad gangen.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Tomato.ai.