Νιράτζ Ράντζαν, Ιδρυτής και Διευθύνων Σύμβουλος της Hiver – Σειρά Συνεντεύξεων

Νιράτζ Ράντζαν, ιδρυτής και διευθύνων σύμβουλος της Hiver, είναι ένας έμπειρος επιχειρηματίας και τεχνολόγος που έχει χτίσει την καριέρα του στο σημείο τομής του μηχανικού λογισμικού, της ανάπτυξης προϊόντων και της εμπειρίας του πελάτη. Ιδρύθηκε η Hiver το 2017 για να επανασχεδιάσει 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, εργαζόμενος χειροποιά ως προγραμματιστής και αρχιτέκτονας. Πριν από την επιχειρηματικότητα, πέρασε σχεδόν πέντε χρόνια στην Mentor Graphics, αναπτύσσοντας προηγμένο λογισμικό εκμίσθωσης για συστήματα με βάση τον 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 εισιτηρίων, η σύνταξη απαντήσεων και η ανάλυση δεδομένων. Η πλατφόρμα είναι κατασκευασμένη για να αντικαταστήσει τα παλιά συστήματα βοήθειας με μια πιο直觀 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 πρώτες μέρες της καριέρας σας στην Mentor Graphics, εργαστήκατε σε προηγμένα συστήματα εκμίσθωσης υλικού που χρησιμοποιούνται για την προσομοίωση σύνθετων ηλεκτρονικών σχεδίων πριν από την κατασκευή τους. Αργότερα, συνίδρυσα και ανέπτυξα την Mobicules από μια ομάδα τριών ατόμων σε μια εταιρεία 35 ατόμων πριν από την έναρξη της Hiver. Πώς διαμόρφωσαν αυτές οι βαθιά τεχνικές βάσεις και οι πρώτες εμπειρίες ανάπτυξης την προσέγγισή σας στην κατασκευή τεχνητής νοημοσύνης που εκτελείται αξιόπιστα σε πραγματικές, υψηλής πίεσης περιβάλλοντα υποστήριξης;

Η εργασία σε συστήματα εκμίσθωσης υλικού διαμορφώνει τον τρόπο σκέψης για την αξιοπιστία. Αυτά τα συστήματα υπάρχουν επειδή τα σύνθετα σχέδια συμπεριφέρονται διαφορετικά μια φορά που συναντούν τις πραγματικές συνθήκες. Οι περιπτώσεις άκρων εμφανίζονται, οι αλληλεπιδράσεις μεταξύ των组件 αλλάζουν τα αποτελέσματα και το καθαρό μοντέλο καταρρέει. Αυτή η σκέψη μεταφέρεται ακριβώς στα περιβάλλοντα εξυπηρέτησης πελατών. Οι συνομιλίες φτάνουν με λείπωντα περιεχόμενο, συναισθηματική επείγουσα ανάγκη και εξαρτήσεις σε διάφορα εσωτερικά συστήματα.

Η ανάπτυξη 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 από την απάντηση. Αυτή η εμπειρία διαμόρφωσε την σκέψη μας στην Hiver. Βλέπουμε τον整λό κύκλο υποστήριξης, από τη στιγμή που μια αίτηση φτάνει μέχρι το σημείο που επιλύεται, και ρωτάμε πού μπορεί η τεχνητή νοημοσύνη 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 而不是 την αντικατάσταση του ανθρώπινου κρίματος ή της ευσπλαχνίας. Πού τραβάτε τη γραμμή μεταξύ της χρήσιμης αυτοματοποίησης και της υπερ-αυτοματοποίησης στην εξυπηρέτηση πελατών;

Η δουλειά 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 συνομιλίας πριν από την απόφαση για το τι να πουν. Η τεχνητή νοημοσύνη χειρίζεται αυτή τη δουλειά καλά. Όταν ένα σύστημα μπορεί να συνοψίσει một νήμα ή να επιφέρει το σωστό άρθρο γνώσεων στη σωστή στιγμή, ο πράκτορας αρχίζει τη συνομιλία με μια πολύ πιο καθαρή κατανόηση της κατάστασης.

Η κρίση μπαίνει 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 είναι πλαισιωμένη. 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.

Πολλά εργαλεία τεχνητής νοημοσύνης φαίνονται εντυπωσιακά στις προβολές προϊόντων αλλά δυσκολεύονται στην καθημερινή χρήση. Τι έχετε μάθει για το χάσμα μεταξύ της τεχνητής νοημοσύνης που προβάλλεται καλά και της τεχνητής νοημοσύνης που συνεχίζει να λειτουργεί σταθερά μέσα στις υψηλής απόδοσης θυρίδες υποστήριξης;

Μια προβολή καπνίζει μια καθαρή σκηνή. Η ερώτηση είναι προβλέψιμη, η βάση γνώσεων είναι οργανωμένη και το σύστημα παράγει μια απάντηση. Η πραγματική δουλειά της υποστήριξης σπάνια ξεδιπλώνεται 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 από την κατάσταση είναι σαφής.

Μια μάθηση που γίνεται σαφής στην παραγωγή είναι ότι η απάντηση herself είναι μόνο ένα τμήμα της δουλειάς. Πολύ της προσπάθειας κάθεται γύρω από την κατανόηση του τι συνέβη και την απόφαση για το πώς το ζήτημα πρέπει να προχωρήσει. Η τεχνητή νοημοσύνη λειτουργεί πολύ καλύτερα όταν υποστηρίζει αυτή τη ροή εργασίας. Βοηθώντας τους πρακτορους να κατανοήσουν το контέxt μιας συνομιλίας γρήγορα κάνει μια σημαντική διαφορά όταν το γραμματοκιβώτιο αρχίζει να γεμίζει.

Η Hiver ενσωματώνεται ακριβώς στα υπάρχοντα ροές 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 την τεχνητή νοημοσύνη σε γρήγορα κινούμενα περιβάλλοντα;

Μαθαίνει πολύ επειδή οι ομάδες υποστήριξης ήδη λειτουργούν υπό πίεση. Όταν ένα νέο εργαλείο ζητά από αυτούς να αλλάξουν τον τρόπο που εργάζονται ή να πηδήξουν μεταξύ συστημάτων, η τριβή εμφανίζεται αμέσως. Οι περισσότερες συνομιλίες υποστήριξης αρχίζουν ακόμα στο email και η δουλειά γύρω από αυτές τις συνομιλίες εμπλέκει την ανάκτηση περιεχομένου από άλλα συστήματα και την εσωτερική συντονισμό με συναδέλφους. Αν η τεχνητή νοημοσύνη κάθεται έξω από αυτό το περιβάλλον, ο πράκτορας τελικά κάνει έξτρα 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 περίληψη της συνομιλίας, το σχετικό контέxt πελάτη και προτάσεις που βοηθούν να προχωρήσει το ζήτημα. Αυτή η μικρή μετατόπιση μειώνει τον χρόνο που δαπανείται για την ανακατασκευή του τι συνέβη και δίνει στον πράκτορα περισσότερο χώρο για να επικεντρωθεί στην επίλυση του προβλήματος selbst.

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 δουλειά της υποστήριξης θέτει μια συνεχής απαίτηση στην προσοχή. Ένας πράκτορας μπορεί να χειρίζεται δεκάδες συνομιλίες σε παράλληλο, 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 μια σαφή περίληψη ή το σχετικό άρθρο γνώσεων αλλάζει το σημείο εκκίνησης της αλληλεπίδρασης. Ο πράκτορας δαπανεί 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 αναπτύξή της; Τι διακρίνει τις ομάδες που πραγματικά ενσωματώνουν την τεχνητή νοημοσύνη στις καθημερινές ροές εργασίας από εκείνες που την αντιμετωπίζουν ως προαιρετικό πρόσθετο;

Οι ομάδες που βλέπουν πραγματική αξία από την τεχνητή νοημοσύνη συνήθως αρχίζουν με μερικά πολύ συγκεκριμένα σημεία στη ροή εργασίας όπου οι πράκτορες χάνουν χρόνο κάθε μέρα. Οι περίληψεις συνομιλίας είναι ένα καλό παράδειγμα. Όταν ένας πράκτορας ανοίγει μια μακρά νήμα και αμέσως κατανοεί τι συνέβη, η όλη αλληλεπίδραση αρχίζει διαφορετικά. Το ίδιο ισχύει όταν το σύστημα επιφέρει το ακριβές άρθρο γνώσεων 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 πολύ από την τεκμηρίωση και τις διαδικασίες από τις οποίες προέρχονται. Οι ομάδες με σαφείς, καλά διατηρημένες βάσεις γνώσεων tend να δουν πολύ ισχυρότερη υιοθέτηση επειδή οι προτάσεις παραμένουν χρήσιμες και αξιόπιστες. Με τον καιρό η τεχνητή νοημοσύνη γίνεται μέρος του τρόπου που η ομάδα εργάζεται, απλά επειδή τη βοηθά να κινηθεί μέσα στις συνομιλίες με περισσότερη σαφήνεια.

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

Η εξυπηρέτηση πελατών είναι ένα από αυτά τα περιβάλλοντα όπου τα μικρά λάθη έχουν υπερμεγέθεις 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 επιβάλλει μια πολύ προσεκτική προσέγγιση σε εκείνα τα σημεία όπου η τεχνητή νοημοσύνη λαμβάνει δράση και όπου υποστηρίζει τον ανθρώπινο πράκτορα. Ορισμένες εργασίες, όπως η κατηγοριοποίηση ή η περίληψη συνομιλίας, ανέχονται υψηλό βαθμό αυτοματοποίησης. Οι αποφάσεις που επηρεάζουν έσοδα, ερμηνεία πολιτικής ή σχέσεις πελατών απαιτούν πολύ υψηλότερο βαθμό βεβαιότητας.

Η στρατηγική προϊόντων γίνεται ένα άσκημα για την αντιστοίχιση της ικανότητας της τεχνητής νοημοσύνης με το επίπεδο αξιοπιστίας που απαιτείται για μια εργασία. Νέα μοντέλα και τεχνικές εμφανίζονται συνεχώς, αν και ο πραγματικός έλεγχος είναι αν εκτελούνται συνεχώς μέσα στις καθημερινές δραστηριότητες υποστήριξης. Οι ομάδες που χτίζουν αυτά τα συστήματα πρέπει να παραμείνουν κοντά στο πώς οι πράκτορες εργάζονται πραγματικά και να αντιμετωπίσουν αυτήν την ανάδραση ως το πρωταρχικό 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 την κρίση, ή θα εμφανιστούν εντελώς νέες κατηγορίες εργασίας;

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

Οι ομάδες θα χρειαστούν επίσης ανθρώπους που είναι υπεύθυνοι για τα συστήματα που κάνουν την τεχνητή νοημοσύνη χρήσιμη. Η τεχνητή νοημοσύνη-βοηθούμενη υποστήριξη εξαρτάται πολύ 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 θα πρέπει να προσθέσουν εστίαση στην διαχείριση γνώσεων, την βελτίωση ροών εργασίας και την εξασφάλιση ότι η τεχνητή νοημοσύνη συνεχίζει να παρέχει χρήσιμες οδηγίες καθώς τα προϊόντα και οι πολιτικές εξελίσσονται.

Η Hiver λειτουργεί σε một ανταγωνιστική αγορά βοήθειας. Ποίες θεμελιώδεις αλλαγές στις προσδοκίες πελατών πιστεύετε ότι οι legacy πλατφόρμες έχουν αποτύχει να προσαρμοστούν;

Οι πελάτες αυξανόμενα 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 πληροφοριών σε πολλές ανταλλαγές γίνεται γρήγορα εξοργιστική.

Τα ζητήματα υποστήριξης επίσης εκτείνονται πέρα από την ομάδα υποστήριξης herself. Οι ομάδες προϊόντων, ομάδες λειτουργιών και διαχειριστές λογαριασμών συχνά συνεισφέρουν στην επίλυση. Πλατφόρμες που φέρνουν επικοινωνία και λειτουργικό контέxt στο ίδιο ροή εργασίας κάνουν ευκολότερο να διατηρήσουν την ιδιοκτησία του ζητήματος σαφής από την αρχή μέχρι το τέλος.

Βλέποντας μπροστά, τι είναι “μεγάλη υποστήριξη πελατών” σε ένα κόσμο με τεχνητή νοημοσύνη — και ποιες ικανότητες θα διακρίνουν τις εταιρείες που ευημερούν από εκείνες που μένουν πίσω;

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

Για τις ομάδες που τρέχουν υποστήριξη, αυτή η εμπειρία έρχεται από το να έχουν το σωστό контέxt διαθέσιμο τη στιγμή που μια συνομιλία αρχίζει. Η τεχνητή νοημοσύνη βοηθά να οργανώσει πληροφορίες και να επιφέρει το σημαντικό ενώ ο πράκτορας εστιάζει στην κατανόηση του πελάτη και την οδήγηση του ζητήματος στην επίλυση. Οι εταιρείες που ευημερούν θα είναι εκείνες που χτίζουν τις δραστηριότητες υποστήριξής τους γύρω από αυτήν τη σαφήνεια και τη συνέχεια στην αλληλεπίδραση.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν Hiver.