Niraj Ranjan, Ιδρυτής και Διευθύνων Σύμβουλος της Hiver – Σειρά Συνεντεύξεων

Niraj Ranjan, ιδρυτής και διευθύνων σύμβουλος της Hiver, είναι ένας έμπειρος επιχειρηματίας και τεχνολόγος που έχει xây dựng την καριέρα του στο σημείο τομής του λογισμικού, της ανάπτυξης προϊόντων και της εμπειρίας του πελάτη. Ίδρυσε την Hiver το 2017 για να ανασχεδιάσει το λογισμικό εξυπηρέτησης πελατών, αξιοποιώντας την προηγούμενη εμπειρία του ως συνιδρυτής της Mobicules, όπου ανέπτυξε την εταιρεία από μια μικρή ομάδα σε μια επιχείρηση 35 ατόμων ενώ εργαζόταν χειροποιά ως προγραμματιστής και αρχιτέκτονας. Πριν από την επιχειρηματικότητα, πέρασε σχεδόν πέντε χρόνια στην Mentor Graphics αναπτύσσοντας προηγμένο λογισμικό εξομοίωσης για συστήματα με βάση το FPGA, μια εμπειρία που διαμόρφωσε την προσέγγισή του στην κατασκευή προϊόντων υψηλής απόδοσης και την ανάπτυξη ισχυρών πολιτισμών μηχανικής.

Hiver είναι μια σύγχρονη πλατφόρμα εξυπηρέτησης πελατών που ενώνει τους καναλιούς επικοινωνίας όπως το email, το chat, η φωνή και η αλληλογραφία σε ένα ενιαίο χώρο εργασίας. Επιτρέπει στις ομάδες να διαχειρίζονται κοινές γραμματοκιβώτια, να αυτοματοποιούν ροές εργασιών και να συνεργάζονται σε πραγματικό χρόνο ενώ η τεχνητή νοημοσύνη χειρίζεται επαναλαμβανόμενες εργασίες όπως η διαδρομή εισιτηρίου, η σύνταξη απάντησης και η ανάλυση δεδομένων. Η πλατφόρμα έχει σχεδιαστεί για να αντικαταστήσει τα παλιά συστήματα βοήθειας με μια πιο εύκολη και κλιμακωτή λύση, βοηθώντας τις οργανώσεις να βελτιώσουν τους χρόνους απόκρισης, να παρακολουθούν μετρήσεις απόδοσης και να παρέχουν συνεπείς εμπειρίες πελατών σε όλα τα κανάλια, και είναι εμπιστευμένη από περισσότερες από 10.000 ομάδες παγκοσμίως.

Στις αρχές της καριέρας σας στην Mentor Graphics, εργαστήκατε σε προηγμένα συστήματα εξομοίωσης υλικού που χρησιμοποιούνται για την προσομοίωση σύνθετων ηλεκτρονικών σχεδίων πριν από την κατασκευή τους. Αργότερα, συνίδρυσε και ανέπτυξε την Mobicules από μια εταιρεία τριών ατόμων σε μια εταιρεία 35 ατόμων πριν από την εκκίνηση της Hiver. Πώς διαμόρφωσαν αυτές οι βαθύες τεχνικές βάσεις και οι πρώτες εμπειρίες κλιμάκωσης την προσέγγισή σας στην κατασκευή τεχνητής νοημοσύνης που εκτελείται με αξιοπιστία σε πραγματικά, υψηλής πίεσης περιβάλλοντα υποστήριξης;

Η εργασία σε συστήματα εξομοίωσης υλικού διαμορφώνει τον τρόπο σκέψης σας για την αξιοπιστία. Αυτά τα συστήματα υπάρχουν επειδή τα σύνθετα σχέδια συμπεριφέρονται διαφορετικά όταν συναντούν πραγματικές συνθήκες. Οι περιπτώσεις άκρων εμφανίζονται, οι αλληλεπιδράσεις μεταξύ των组ων αλλάζουν τα αποτελέσματα και το καθαρό μοντέλο καταρρέει. Αυτή η σκέψη μεταφέρεται ακριβώς στο περιβάλλον εξυπηρέτησης πελατών. Οι συνομιλίες φτάνουν με λείπωντα περιεχόμενα, επείγουσες ανάγκες και εξαρτήσεις σε διάφορα εσωτερικά συστήματα.

Η κλιμάκωση μιας εταιρείας αποκαλύπτει ένα άλλο επίπεδο πολυπλοκότητας. Όσο οι ομάδες μεγαλώνουν, η λειτουργική τριβή γίνεται πολύ ορατή. Οι πράκτορες dành χρόνο για να συνθέσουν πληροφορίες από διαφορετικά εργαλεία και να συντονίσουν εσωτερικά πριν μπορέσουν να απαντήσουν. Αυτή η εμπειρία διαμόρφωσε την σκέψη μας στην Hiver. Βλέπουμε ολόκληρο τον κύκλο ζωής της υποστήριξης, από τη στιγμή που μια αίτηση φτάνει μέχρι τη στιγμή που επιλύεται, και ρωτάμε πού η τεχνητή νοημοσύνη μπορεί να αφαιρέσει αυτή τη τριβή ώστε οι ομάδες να δαπανήσουν περισσότερη ενέργεια για την επίλυση του προβλήματος.

Η Hiver τονίζει τη χρήση της τεχνητής νοημοσύνης για την αφαίρεση της δραστηριότητας που απαιτεί πολλή δουλειά αντί για την αντικατάσταση του ανθρώπινου κρίματος ή της ευσπλαχνίας. Πού τραβάτε τη γραμμή μεταξύ της χρήσιμης αυτοματοποίησης και της υπερ-αυτοματοποίησης στην υποστήριξη πελατών;

Το έργο της υποστήριξης περιέχει πολλή λειτουργική προσπάθεια που δεν εμφανίζεται στην τελική απάντηση. Οι πράκτορες κατηγοριοποιούν αιτήσεις, αναζητούν πολιτικές, ανακτούν πληροφορίες λογαριασμού και αναζητούν μακρές ιστορίες συνομιλιών πριν μπορέσουν να αποφασίσουν τι να πουν. Η τεχνητή νοημοσύνη χειρίζεται αυτή τη δουλειά καλά. Όταν ένα σύστημα μπορεί να συνοψίσει một νήμα ή να επιφανεί το σωστό άρθρο γνώσης στη σωστή στιγμή, ο πράκτορας αρχίζει τη συνομιλία με μια πολύ πιο καθαρή κατανόηση της κατάστασης.

Το κρίσιμο στοιχείο εισέρχεται στην εικόνα όταν η συνομιλία εμπλέκει συναισθήματα, ευθύνη ή αμφιβολία. Ένας εξοργισμένος πελάτης ή μια αποτυχία υπηρεσίας απαιτεί ερμηνεία και φροντίδα στο πώς η απάντηση πρέπει να διατυπωθεί. Η τεχνητή νοημοσύνη μπορεί να παρέχει контέxt και προτάσεις σε αυτές τις στιγμές, αν και η τελική απόφαση για τον τόνο και την επίλυση παραμένει με το άτομο που είναι υπεύθυνο για την εμπειρία του πελάτη.

Πολά εργαλεία τεχνητής νοημοσύνης φαίνονται εντυπωσιακά στις демонстраτικές παρουσιάσεις αλλά δυσκολεύονται στην καθημερινή χρήση. Τι έχουν μάθει για το χάσμα μεταξύ της τεχνητής νοημοσύνης που παρουσιάζεται καλά και της τεχνητής νοημοσύνης που συνεχίζει να υποστηρίζει σταθερά μέσα σε υψηλής όγκου γραμματοκιβώτια υποστήριξης;

Μια παρουσίαση καταγράφει ένα καθαρό σενάριο. Η ερώτηση είναι προβλέψιμη, η βάση γνώσεων είναι οργανωμένη και το σύστημα παράγει μια απάντηση. Η πραγματική εργασία της υποστήριξης σπάνια αναπτύσσεται με αυτόν τον τρόπο. Οι αιτήσεις φτάνουν με μερικές πληροφορίες, η συνομιλία εκτείνεται σε πολλές ανταλλαγές και ο πράκτορας συχνά χρειάζεται εισαγωγή από άλλες ομάδες ή συστήματα πριν η κατάσταση γίνει σαφής.

Μια διδαχθείσα μάθηση που γίνεται φανερή στην παραγωγή είναι ότι η απάντηση είναι μόνο ένα μέρος της δουλειάς. Πολύ της προσπάθειας βρίσκεται γύρω από την κατανόηση του τι συνέβη και την απόφαση για το πώς το ζήτημα πρέπει να προχωρήσει. Η τεχνητή νοημοσύνη υποστηρίζει πολύ καλύτερα όταν υποστηρίζει αυτή τη ροή εργασίας. Η βοήθεια των πρακτόρων να κατανοήσουν το контέxt μιας συνομιλίας γρήγορα κάνει μια σημαντική διαφορά όταν το γραμματοκιβώτιο αρχίζει να γεμίζει.

Η Hiver ενσωματώνεται ακριβώς στα υπάρχοντα ροή εργασιών επικοινωνίας αντί να αναγκάζει τις ομάδες σε εντελώς νέα συστήματα. Πόσο σημαντική είναι αυτή η “συναντήστε τους χρήστες όπου ήδη εργάζονται” φιλοσοφία όταν αναπτύσσετε τεχνητή νοημοσύνη σε γρήγορες κινήσεις περιβαλλόντων;

Είναι πολύ σημαντικό επειδή οι ομάδες υποστήριξης ήδη λειτουργούν υπό πίεση. Όταν ένα νέο εργαλείο τους ζητά να αλλάξουν τον τρόπο εργασίας τους ή να πηδήξουν μεταξύ συστημάτων, η τριβή εμφανίζεται αμέσως. Οι περισσότερες συνομιλίες υποστήριξης αρχίζουν ακόμη στο email και η δουλειά γύρω από αυτές τις συνομιλίες περιλαμβάνει την ανάκτηση контέxt από άλλα συστήματα και την εσωτερική συντονισμό με συναδέλφους. Αν η τεχνητή νοημοσύνη βρίσκεται έξω από αυτό το περιβάλλον, ο πράκτορας τελικά κάνει επιπλέον δουλειά μόνο για να χρησιμοποιήσει την τεχνολογία.

Έχουμε δει ότι οι ομάδες κινούνται πολύ γρηγορότερα όταν η ευφυΐα εμφανίζεται μέσα στη ροή εργασίας που ήδη εξαρτώνται. Ένας πράκτορας που ανοίγει μια μακρά νήμα email μπορεί αμέσως να δει einen συνοψή της συνομιλίας, το σχετικό контέxt πελάτη και προτάσεις που βοηθούν να προχωρήσει το ζήτημα. Αυτή η μικρή μετατόπιση μειώνει τον χρόνο που διασχίζεται για την ανακατασκευή του τι συνέβη και δίνει στον πράκτορα περισσότερο χώρο για να επικεντρωθεί στην επίλυση του προβλήματος.

Οι ομάδες υποστήριξης λειτουργούν συχνά υπό έντονη πίεση, ιδιαίτερα όταν αντιμετωπίζουν εξοργισμένους πελάτες ή επείγουσες υποθέσεις. Πώς σχεδιάζετε συστήματα τεχνητής νοημοσύνης που μειώνουν το γνωστικό φορτίο αντί να προσθέτουν τριβή σε αυτές τις στιγμές;

Η εργασία υποστήριξης θέτει μια συνεχής απαίτηση στην προσοχή. Ένας πράκτορας μπορεί να χειρίζεται δεκάδες συνομιλίες παράλληλα, κάθε μια με το δικό της τόνο, επείγουσα και ιστορία. Πολύ της νοητικής προσπάθειας πηγαίνει στην ανακατασκευή της κατάστασης πριν από την απόφαση για το πώς να απαντήσει.

Η τεχνητή νοημοσύνη βοηθά περισσότερο όταν μειώνει αυτήν την προσπάθεια. Ανοίγοντας μια νήμα και αμέσως βλέποντας einen καθαρό συνοψή ή το σχετικό άρθρο γνώσης αλλάζει το σημείο εκκίνησης της αλληλεπίδρασης. Ο πράκτορας δαπανήσει λιγότερο χρόνο για την ανακατασκευή του τι συνέβη και περισσότερο χρόνο για να σκεφτεί το καλύτερο τρόπο για την επίλυση του ζητήματος.

Με περισσότερες από 10.000 ομάδες που χρησιμοποιούν την Hiver παγκοσμίως, ποιες τάσεις έχουν παρατηρήσει στην εξέλιξη της υιοθέτησης της τεχνητής νοημοσύνης μετά την αρχική εκκίνηση; Τι διαχωρίζει τις ομάδες που πραγματικά ενσωματώνουν την τεχνητή νοημοσύνη στις καθημερινές ροές εργασίας από αυτές που τη θεωρούν ως προαιρετικό πρόσθετο;

Οι ομάδες που βλέπουν πραγματική αξία από την τεχνητή νοημοσύνη συνήθως αρχίζουν με μερικές πολύ συγκεκριμένες στιγμές στη ροή εργασίας όπου οι πράκτορες χάνουν χρόνο κάθε μέρα. Τα συνοψή των συνομιλιών είναι ένα καλό παράδειγμα. Όταν ένας πράκτορας ανοίγει μια μακρά νήμα και αμέσως κατανοεί τι συνέβη, η ολόκληρη αλληλεπίδραση αρχίζει διαφορετικά. Το ίδιο ισχύει όταν το σύστημα επιφανίζει το σωστό άρθρο γνώσης ή την πολιτική που χρειάζεται για να απαντήσει στην ερώτηση. Όταν αυτές οι στιγμές πραγματικά βοηθούν, οι πράκτορες αρχίζουν να χρησιμοποιούν την τεχνητή νοημοσύνη φυσικά επειδή κάνει την ημέρα τους πιο εύκολη.

Το άλλο παράγοντα είναι η ποιότητα της γνώσης πίσω από το σύστημα. Οι προτάσεις της τεχνητής νοημοσύνης εξαρτώνται बहία από την τεκμηρίωση και τις διαδικασίες από τις οποίες προέρχονται. Οι ομάδες με σαφείς, καλά διατηρημένες βάσεις γνώσεων tend να δουν μια πολύ ισχυρότερη υιοθέτηση επειδή οι προτάσεις παραμένουν χρήσιμες και αξιόπιστες. Με τον καιρό η τεχνητή νοημοσύνη γίνεται μέρος του τρόπου με τον οποίο η ομάδα εργάζεται, απλά επειδή τη βοηθά να κινηθεί μέσα στις συνομιλίες με περισσότερη καθαρότητα.

Από μια προοπτική στρατηγικής προϊόντων, πώς ισορροπείτε την ταχύτητα της καινοτομίας της τεχνητής νοημοσύνης με τη διατήρηση της αξιοπιστίας και της εμπιστοσύνης — ιδιαίτερα σε περιβάλλοντα όπου τα λάθη μπορούν να βλάψουν τις σχέσεις πελατών;

Η υποστήριξη πελατών είναι ένα από αυτά τα περιβάλλοντα όπου μικρά λάθη έχουν υπερβολικές συνέπειες. Μια απάντηση που δεν κατανοεί ένα ζήτημα χρέωσης ή ένας εξοργισμένος πελάτης μπορεί να δημιουργήσει περισσότερη δουλειά για την ομάδα και να βλάψει την εμπιστοσύνη γρήγορα. Αυτή η πραγματικότητα αναγκάζει μια πολύ προσεκτική προσέγγιση στο πού η τεχνητή νοημοσύνη λαμβάνει δράση και πού υποστηρίζει τον ανθρώπινο πράκτορα. Ορισμένες εργασίες, όπως η κατηγοριοποίηση ή το συνοψή των συνομιλιών, ανέχονται ένα υψηλό βαθμό αυτοματοποίησης. Οι αποφάσεις που επηρεάζουν έσοδα, ερμηνεία πολιτικής ή σχέσεις πελατών απαιτούν ένα πολύ υψηλότερο επίπεδο βεβαιότητας.

Η στρατηγική προϊόντων γίνεται ένα άσκημα στο να αντιστοιχίσετε την ικανότητα της τεχνητής νοημοσύνης με το επίπεδο αξιοπιστίας που απαιτείται για μια εργασία. Νέα μοντέλα και τεχνικές εμφανίζονται συνεχώς, αν και η πραγματική δοκιμή είναι εάν εκτελούνται συνεχώς μέσα στις καθημερινές εργασίες υποστήριξης. Οι ομάδες που xây dựng αυτά τα συστήματα πρέπει να παραμείνουν κοντά στο πώς οι πράκτορες εργάζονται πραγματικά και να αντιμετωπίσουν αυτήν την ανατροφοδότηση ως το πρωτεύον σήμα για το τι πρέπει να αποσταλεί επόμενο.

Πώς νομίζετε ότι η τεχνητή νοημοσύνη θα αλλάξει τη δομή των ομάδων υποστήριξης τα επόμενα πέντε χρόνια; Θα μετατοπιστούν προς την εποπτεία και το κρίσιμο ή θα εμφανιστούν εντελώς νέες κατηγορίες εργασίας;

Η δομή των ομάδων υποστήριξης πιθανότατα θα μετατοπιστεί προς λιγότερους ανθρώπους που χειρίζονται επαναλαμβανόμενες διαδικασίες εισιτηρίων και περισσότερους ανθρώπους που επικεντρώνονται στην επίλυση σύνθετων ζητημάτων. Όσο η τεχνητή νοημοσύνη χειρίζεται εργασίες όπως το συνοψή των συνομιλιών, η οργάνωση των εισερχόμενων αιτήσεων και η βοήθεια στη σύνταξη απαντήσεων, οι πράκτορες θα δαπανήσουν περισσότερο χρόνο για να κατανοήσουν τι πραγματικά συνέβη σε μια κατάσταση και να συντονίσουν με άλλες ομάδες για να το διορθώσουν. Η δουλειά γίνεται λιγότερο για την κίνηση των εισιτηρίων μέσω μιας ουράς και περισσότερο για την ιδιοκτησία του αποτελέσματος του ζητήματος πελάτη.

Οι ομάδες θα χρειαστούν επίσης ανθρώπους που είναι υπεύθυνοι για τα συστήματα που κάνουν την τεχνητή νοημοσύνη χρήσιμη. Η υποστήριξη που βοηθάται από την τεχνητή νοημοσύνη εξαρτάται बहία από την ακριβή τεκμηρίωση, τις σαφείς διαδικασίες και τις αξιόπιστες πηγές γνώσεων. Η διατήρηση αυτών των συστημάτων γίνεται μια συνεχής δουλειά, οπότε οι οργανώσεις υποστήριξης πιθανότατα θα προσθέσουν εστίαση στην διαχείριση γνώσεων, την βελτίωση των ροών εργασίας και τη διασφάλιση ότι η τεχνητή νοημοσύνη συνεχίζει να παρέχει χρήσιμες οδηγίες καθώς τα προϊόντα και οι πολιτικές εξελίσσονται.

Η Hiver λειτουργεί σε một ανταγωνιστικό αγορά βοήθειας. Ποίες θεμελιώδεις μετατοπίσεις στις προσδοκίες πελατών πιστεύετε ότι τα παλιά συστήματα έχουν αποτύχει να προσαρμοστούν;

Οι πελάτες όλο και περισσότερο περιμένουν συνέχεια όταν επικοινωνούν για υποστήριξη. Θέλουν η οργάνωση να θυμάται τις προηγούμενες αλληλεπιδράσεις και να μεταφέρει αυτό το контέxt σε όλη τη συνομιλία. Η επανάληψη της πληροφορίας σε πολλές ανταλλαγές γίνεται γρήγορα εκνευριστική.

Τα ζητήματα υποστήριξης επίσης εκτείνονται πέρα από την ομάδα υποστήριξης. Οι ομάδες προϊόντων, οι ομάδες λειτουργιών και οι διαχειριστές λογαριασμών συχνά συνεισφέρουν στην επίλυση. Τα συστήματα που φέρνουν την επικοινωνία και το контέxt λειτουργίας στο ίδιο ροή εργασίας κάνουν πιο εύκολη τη διατήρηση της ιδιοκτησίας του ζητήματος από την αρχή μέχρι το τέλος.

Κοιτάζοντας μπροστά, τι είναι η “μεγάλη υποστήριξη πελατών” σε ένα κόσμο που βασίζεται στην τεχνητή νοημοσύνη — και ποιες ικανότητες θα διαχωρίσουν τις εταιρείες που ευημερούν από αυτές που μένουν πίσω;

Η μεγάλη υποστήριξη σε ένα κόσμο που βασίζεται στην τεχνητή νοημοσύνη θα είναι απλά πιο εύκολη για τον πελάτη. Φτάνει, η ομάδα κατανοεί τη κατάσταση γρήγορα και η συνομιλία προχωρεί χωρίς πολλή αναζήτηση για να ανακατασκευαστεί τι συνέβη. Η τεχνολογία πίσω από αυτό παραμένει κυρίως αόρατη. Τι οι πελάτες παρατηρούν είναι ότι το ζήτημά τους κατανοείται και επιλύεται χωρίς άσκοπη προσπάθεια.

Για τις ομάδες που τρέχουν την υποστήριξη, αυτή η εμπειρία προέρχεται από το να έχουν το σωστό контέxt διαθέσιμο τη στιγμή που αρχίζει μια συνομιλία. Η τεχνητή νοημοσύνη βοηθά στην οργάνωση της πληροφορίας και στην επιφάνεια του τι έχει σημασία ενώ ο πράκτορας επικεντρώνεται στην κατανόηση του πελάτη και στην οδήγηση του ζητήματος προς την επίλυση. Οι εταιρείες που ευημερούν θα είναι αυτές που xây dựng τις επιχειρήσεις υποστήριξής τους γύρω από αυτήν την καθαρότητα και τη συνέχεια στην αλληλεπίδραση.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Hiver.