Rana Gujral, CEO de Behavioral Signals – Serie de entrevistas

Rana Gujral es el CEO de Behavioral Signals, una empresa que está cerrando la brecha de comunicación entre humanos y máquinas al introducir la inteligencia emocional, desde el habla, en conversaciones con la IA.

Behavioral Signals es una startup relativamente joven que se lanzó en 2016. ¿Podría compartir la historia de su creación?

Impulsados por la pasión de llevar las tecnologías revolucionarias y patentadas de speech-to-emotion y speech-to-behaviors de la empresa al mercado, el CTO, Alex Potamianos, y el científico jefe, Shri Narayanan, fundaron Behavioral Signals en 2016. Shri es profesor Andrew J. Viterbi de Ingeniería en la Universidad del Sur de California (USC). Fundó y actualmente dirige el Laboratorio de Análisis y Interpretación de Señales (SAIL) en la USC. Alex es un innovador muy respetado en el campo del habla y el procesamiento de lenguaje natural, los sistemas de respuesta de voz interactiva y la informática conductual. Tiene más de 20 años de experiencia en el liderazgo tanto en el lado corporativo como en el empresarial, y su experiencia incluye trabajar en AT&T Labs-Research, Bell Labs y Lucent Technologies.

Con el objetivo de mejorar y cambiar para siempre el mundo de los negocios, creemos que la tecnología es el núcleo de lo que se puede lograr. Los algoritmos de Behavioral Signals analizan las emociones y los comportamientos humanos, transforman los datos en información utilizable y llevan a tomar mejores decisiones comerciales y aumentar las ganancias. Hasta ahora, la emoción humana se ha considerado imposible de cuantificar y medir. Con nuestro motor de análisis patentado, medimos e interpretamos la parte “cómo” de las interacciones humanas.

Behavioral Signals se basa en un tipo de aprendizaje automático de computación afectiva (también conocido como Emotion AI). ¿Podría explicar qué es esto?

La inteligencia artificial emocional, también llamada Emotion AI o computación afectiva, se utiliza para desarrollar máquinas capaces de leer, interpretar, responder y imitar el afecto humano, la forma en que experimentamos y expresamos emociones. ¿Qué significa esto para los consumidores? Significa que sus dispositivos, como su teléfono inteligente o altavoces inteligentes, podrán ofrecerle interacciones que se sientan más naturales que nunca, simplemente leyendo las señales emocionales en su voz.

A medida que crece nuestra dependencia de la IA, también lo hace la necesidad de una IA con inteligencia emocional. Es una cosa pedirle a su asistente virtual que le lea los resultados de los partidos de hoy, pero es completamente otra cosa confiar el cuidado de sus padres ancianos a un bot impulsado por IA. Actualmente, la IA puede hacer cosas increíbles, como diagnosticar condiciones médicas y describir tratamientos, pero todavía necesita inteligencia emocional para comunicarse con los pacientes de una manera más humana.

¿Qué otros tipos de tecnologías de aprendizaje automático se utilizan?

En cuanto al aprendizaje automático, principalmente utilizamos el aprendizaje profundo y el NLP en nuestros modelos de análisis de señales de comportamiento. Para explicarlo un poco mejor, hemos iniciado un campo, el Procesamiento de Señales de Comportamiento, basado en más de una década de investigación galardonada y patentada, para detectar automáticamente la información codificada en la voz humana desde el audio y medir la calidad de la interacción humana. Es una disciplina emergente que combina la ingeniería con las ciencias del comportamiento y tiene como objetivo cuantificar e interpretar la interacción y la comunicación humana a través del uso de innovaciones en ingeniería y computación. El aprendizaje profundo es la herramienta que ayuda a crear mejores modelos predictivos.

¿Qué tipo de datos se recopilan del tono de voz?

Nuestra tecnología de IA de aprendizaje profundo analiza qué y cómo se dice algo, en ambos lados de una conversación, midiendo emociones y comportamientos. La gama de emociones es bastante diversa, pero lo que realmente importa es la inteligencia agregada de este análisis. Para dar un ejemplo, considere una conversación entre un empleado de un banco y un cliente; podemos capturar y medir la cortesía, la compostura (calma vs. agitada), la empatía hacia el cliente, las reacciones del cliente y el estilo de hablar en general, como lento, rápido, comprometido o descomprometido, para calcular la puntuación de calidad de la conversación, la eficacia del resultado y el desempeño del empleado.

¿Qué tipo de análisis de datos se realiza para predecir la intención?

La predicción de intención es muy similar a lo que ya se ha mencionado. Utilizamos señales de comportamiento en la voz para predecir la intención de un cliente de comprar un producto, renovar una suscripción o si un deudor pagará su deuda. La predicción de intención puede ayudar a las empresas a aumentar sus ventas y ratios de cobro, reducir costos y mejorar en última instancia la satisfacción del cliente.

Behavioral Signals ha sido ganadora de oro seis veces del desafío de calidad de interacciones humanas y paralingüística computacional de INTERSPEECH. ¿Qué es este desafío y qué tan significativo es este logro?

Interspeech es la conferencia técnica más grande del mundo centrada en el procesamiento del habla y sus aplicaciones. Cuenta con la asistencia más grande en este dominio y un número significativo de artículos de investigación. La conferencia enfatiza enfoques interdisciplinarios que abordan todos los aspectos de la ciencia y la tecnología del habla, desde teorías básicas hasta aplicaciones avanzadas. Sus desafíos se consideran el Premio Turing en reconocimiento y procesamiento de lenguaje natural. Ganar es un reconocimiento importante de nuestro trabajo científico y nuestra capacidad única para detectar señales de datos de audio asociados con comportamientos y rasgos que impulsan la toma de decisiones humanas.

¿Con qué rapidez puede adaptarse Behavioral Signals a diferentes idiomas, y qué tan grande debe ser el conjunto de datos?

Nuestra tecnología es agnóstica al idioma. Escuchamos cómo se dice algo en lugar de qué se dice. Escuchamos las emociones expresadas, que son bastante universales en todos los idiomas. Por supuesto, cada idioma tiene sus propias características únicas que pueden requerir un ajuste de nuestros algoritmos, pero la diferencia en nuestros modelos de análisis predictivos es generalmente pequeña.

¿Puede discutir la última solución de Behavioral Signals, la Conversación Mediada por IA?

Las Conversaciones Mediadas por IA (AI-MC) son una solución de enrutamiento de llamadas automatizada que utiliza la IA de emociones y los datos de voz para emparejar al cliente con el empleado mejor capacitado para manejar una llamada específica. Si volvemos al ejemplo anterior de un empleado de un banco y un cliente, nuestra tecnología puede guiar la dinámica de la conversación con el objetivo final de mejorar el resultado, ya sea que se trate de una mejor experiencia del cliente, un aumento en las cobranzas o tiempos de resolución más rápidos. Cualquiera que sea el objetivo, siempre hay un catalizador que permitiría a ambas partes alcanzar el resultado deseado. Ese factor contribuyente suele ser un proceso humano simple y natural: la afinidad o la empatía desarrollada entre las personas. Independientemente del tipo de comunicación empresarial (llamada de ventas, soporte, cobro), siempre será una interacción entre humanos reales, donde rara vez la afinidad es idéntica entre dos parejas de personas. Tenemos comportamientos y rasgos específicos que nos ayudan a llevarnos bien con algunas personas, mejor que con otras. Esta coincidencia se basa en datos de perfil y nuestros algoritmos superiores desarrollados a partir de años de investigación y experiencia en NLP y Procesamiento de Señales de Comportamiento.

Recientemente implementamos la solución AI-MC de Behavioral Signals para mejorar la eficacia y la eficiencia del centro de llamadas de un banco de la UE. El estudio de caso fue reconocido por Gartner e incluido en su Informe de adopción de Emotion AI. La solución demostró un ROI significativo con un aumento del 20% en las solicitudes de reestructuración de deuda activa. Además, esta mejora se logró con un 7.6% menos de llamadas, lo que llevó a reducciones de costos adicionales. En números absolutos, estos resultados correspondieron a una ventaja de $300M para el banco.

¿Hay algo más que le gustaría compartir sobre Behavioral Signals?

Mientras nos enorgullecemos de nuestros logros en la investigación, también estamos agradecidos por los reconocimientos de la industria. En el otoño de 2019, nuestra tecnología se incluyó como líder en el uso de casos en la investigación Maverick de Gartner, que perfiles tecnologías de vanguardia. A principios de este año, se nos incluyó en el Ciclo de Hype de Gartner, donde nuestra tecnología se calificó como ‘transformacional’. El mes pasado, se nos incluyó como Proveedor Fresco de Gartner 2020.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Behavioral Signals.