Ashish Nagar, Level AI:n toimitusjohtaja ja perustaja – Haastattelusarja

Ashish Nagar on Level AI:n toimitusjohtaja ja perustaja, joka on tuonut kokemuksensa Amazonilta Alexan tiimistä käyttäen tekoälyä asiakaspalvelun muuttamiseen. Vahvan teknisen ja yrittäjätaustan kanssa Ashish on ollut keskeisessä asemassa ohjatessaan yrityksen tehtävää parantaa asiakaspalvelun tehokkuutta ja vaikuttavuutta edistyneiden tekoälyratkaisujen avulla. Hänen johdollaan Level AI on kehittynyt avainpelaajaksi tekoälyohjatun asiakaspalvelun alalla, joka on tunnettu edistyneistä tuotteistaan ja tekoälyn erinomaisesta toteutuksesta.

Mikä innoitti sinua jättämään Amazon (AMZN ) ja perustamaan Level AI? Voitko kertoa tarkemmin asiakaspalvelun ongelmista, joita halusit ratkaista teknologialla?

Taustani on tuotteiden rakentaminen teknologian ja liiketoiminnan risteyksessä. Vaikka minulla on alempi tutkinto sovelletusta fysiikasta, työni on aina keskittynyt tuoteroleihin ja uusien liiketoimintojen perustamiseen ja rakentamiseen. Intoani teknologiaa ja liiketoimintaa kohtaan vei minut tekoälyyn.

Aloin työskennellä tekoälyssä vuonna 2014, kun rakensimme seuraavan sukupolven mobiilihaun yritystä nimeltä Rel C, joka oli samankaltainen kuin mitä Perplexity AI on tänään. Tämä kokemus sytytti matkani tekoälyohjelmistoihin, ja lopulta tämä yritys myytiin Amazonille. Amazonilla olin tuotepäällikkö Alexan tiimissä, etsien jatkuvasti mahdollisuuksia ottaa vastaan monimutkaisempia tekoälyongelmia.

Viimeisenä vuotena Amazonilla, vuonna 2018, työskentelin projektissa, jota kutsuimme “Star Trek -tietokoneeksi”, joka oli inspiroitu kuuluisasta tieteissarjasta. Tavoitteena oli kehittää tietokone, joka voisi ymmärtää ja vastata mihin tahansa kysymykseen. Tämä projekti tuli tunnetuksi Alexan palkinnona, jossa tavoitteena oli mahdollistaa kuka tahansa pystyisi puhumaan 20 minuuttia Alexan kanssa minkä tahansa sosiaalisen aiheen parissa. Johtaminen tiimistä, jossa oli noin 10 tiedemiestä, ja lanseerasimme tämän maailmanlaajuisena tekoälyhaasteena. Työskentelin läheisesti johtavien mielien kanssa instituutioista kuten MIT, CMU, Stanford ja Oxford. Yksi asia selvisi: silloin kukaan ei voinut ratkaista ongelmaa täysin.

Vaikka silloin pystyin aistimaan innovaation aallon, joka tekisi tämän mahdolliseksi. Nopeasti eteenpäin vuoteen 2024, ja teknologiat kuten ChatGPT tekevät nyt paljon sitä, mitä me näimme. Nopeat edistysaskeleet luonnollisen kielen prosessoinnissa yritysten kuten Amazon, Google (GOOGL ), OpenAI ja Microsoft (MSFT ) kanssa, jotka rakensivat suuria malleja ja perusinfrastruktuuria. Mutta he eivät välttämättä olleet ratkaisemassa loppuun asti työvirtoja. Tunnistimme tämän aukon ja halusimme ratkaista sen.

Ensimmäinen tuotteemme ei ollut asiakaspalveluratkaisu; se oli ääniohjain eturintamatyöntekijöille, kuten tekniikoille ja myyjille. Keräsimme 2 miljoonan dollarin siemensijoituksen ja näytimme tuotteen potentiaalisille asiakkaille. He pyysivät ylivoimaisesti, että sopeutamme teknologian asiakaspalvelukeskuksiin, joissa he jo olivat ääni- ja data-virtoja, mutta puuttui moderni generatiivinen tekoälyarkkitehtuuri. Tämä johti meidät toteamaan, että olemassa olevat yritykset tässä alalla olivat jumissa menneisyydessä, kamppailemassa perinteisen innovaattorin dilemmasta siitä, pitäisikö vanhat järjestelmät uudistaa vai rakentaa jotain uutta. Aloimme tyhjästä ja rakensimme ensimmäisen alkuperäisen suuren kielen mallin (LLM) asiakaskokemusäly- ja palveluautomaatioalustan.

Minun syvä kiinnostukseni ihmisen kielen monimutkaisuutta ja haasteita ratkaista nämä ongelmat tietokoneen insinöörin näkökulmasta, vaikuttivat merkittävästi lähestymistapaamme. Tekoälyn kyky ymmärtää ihmisen puhetta on kriittinen, erityisesti asiakaspalvelun alalla. Esimerkiksi Siriä käyttäessä paljastuu, kuinka vaikea on tekoälylle ymmärtää aikomus ja konteksti ihmisen kielessä. Jopa yksinkertaiset kysymykset voivat aiheuttaa ongelmia tekoälylle, joka kamppailee ymmärtääkseen, mitä pyydät.

Tekoäly kamppailee ymmärtäessään aikomusta, ylläpitäessään kontekstia pitkien keskustelujen aikana ja omistaessaan relevanttia tietoa maailmasta. Jopa ChatGPT:llä on rajoituksia näissä alueissa. Esimerkiksi se saattaa ei tiedä viimeisimmistä uutisista tai ymmärrä aiheiden muutosta keskustelun aikana. Nämä haasteet ovat suoraan relevantteja asiakaspalveluun, jossa keskustelut usein käsittelevät useita aiheita ja vaativat tekoälyltä ymmärtämään tiettyjä, alan mukaisia tietoja. Olemme ratkaisemassa näitä haasteita alustassamme, joka on suunniteltu käsittelemään ihmisen kielen monimutkaisuutta asiakaspalveluympäristössä.

Level AI:n NLU-teknologia menee perinteisen avainsanamatchingin ohi. Voitko selittää, kuinka teidän tekoäly ymmärtää syvemmän asiakkaan aikomuksen ja mitkä ovat tästä hyödyt asiakaspalvelulle? Kuinka Level AI varmistaa tekoälyjärjestelmien tarkin ja luotettavin, erityisesti ymmärtäessään nuansseja asiakkaan vuorovaikutuksissa?

Meillä on kuusi tai seitsemän erilaista tekoälyputkea, jotka on suunniteltu tiettyihin tehtäviin, riippuen tehtävän luonteesta. Esimerkiksi yksi työvoimalla voi olla asiakkaan äänen tunnistaminen ja ymmärtäminen asiakkaan ongelmia tuotteella tai palvelulla, mitä kutsutaan “asiakkaan ääneksi”. Toisaalta se voi olla automaattinen laadun arviointi asiakaspalvelun arviointikorttien kanssa arvioidakseen asiakaspalvelun suorituskykyä. Jokaisella työvirralla tai palvelulla on oma tekoälyputkisto, mutta perusteknologia on sama.

Vertauskuvana voidaan sanoa, että teknologia, jota käytämme, perustuu suuriin kielen malleihin (LLM), samankaltaisiin kuin teknologia taustalla ChatGPT:ssä ja muissa generatiivisissa tekoälytyökaluissa. Kuitenkin käytämme asiakaspalvelun erityisiä LLM:ejä, jotka olemme kouluttaneet sisäisesti näille erityisille työvirroille. Tämä mahdollistaa saavuttamaan yli 85%:n tarkin yhdenkään asiakkaan koulutuksen jälkeen, johtuen nopeasta aikaan arvoon, vähäisestä ammattitaitoisesta palvelusta ja vertaamattomasta tarkkuudesta, turvallisuudesta ja luottamuksesta.

Mallimme ovat syvällisiä, erityisiä asiantuntijoita asiakaspalvelun parissa. Vanha paradigma käsitteli keskustelujen analyysiä poimimalla avain sanat tai lauseet kuten “peruuta tilini” tai “en ole tyytyväinen”. Mutta ratkaisumme ei perustu kaikkien mahdollisten lauseiden muotojen kaappaamiseen. Sen sijaan se soveltaa tekoälyä ymmärtämään kysymyksen taustalla olevaa aikomusta, mikä tekee siitä paljon nopeamman ja tehokkaamman.

Esimerkiksi, jos joku sanoo “haluan peruuttaa tilini”, on lukemattomia tapoja, joilla he voivat ilmaista sen, kuten “olen valmis” tai “siirryn toiseen”. Tekoälymme ymmärtää kysymyksen taustalla olevan aikomuksen ja sitoi sen kontekstiin, miksi ohjelmistomme on nopeampi ja tarkempi.

Hyödyllinen vertauskuva on, että vanha tekoäly oli kuin sääntökirja – sinun oli rakennettava nämä jäykät sääntökirjat, joissa oli ehdot ja vastaavat toiminnot, jotka olivat joustamattomia ja vaativat jatkuvaa ylläpitoa. Uusi tekoäly on kuin dynaaminen aivot tai oppimisjärjestelmä. Vain muutamalla osoitteella se dynaamisesti oppii kontekstia ja aikomusta, jatkuvasti paranten suorituskykyä lennossa. Sääntökirjassa on rajoitettu skaala ja se murtuu helposti, kun jotain ei sovi ennalta määriteltyihin sääntöihin, kun taas dynaaminen oppimisjärjestelmä jatkaa laajentumista, kasvaa ja on laajempi vaikutus.

Hyvä esimerkki asiakkaan näkökulmasta on suuri verkkokauppayritys. Heillä on tuhansia tuotteita, ja on mahdotonta pitää yllä jatkuvia päivityksiä. Tekoälymme kuitenkin ymmärtää kontekstin, kuten kyseessä on tietty sohva, ilman tarvetta jatkuvasti päivittää arviointikorttia tai rubriikkia jokaisen uuden tuotteen kanssa.

Mitkä ovat tärkeimmät haasteet Level AI:n teknologian integroimisessa olemassa oleviin asiakaspalvelujärjestelmiin, ja miten niitä ratkaistaan?

Level AI on asiakaskokemusäly- ja palveluautomaatioalusta. Tällaisena me integroidaan useimpiin CX-ohjelmistoihin alalla, olipa se CRM, CCaaS, kysely tai työkaluratkaisu. Tämä tekee meistä keskeisen solmun, keräämällä dataa näistä lähteistä ja toimimalla älykerroksena niiden päällä.

Haaste kuitenkin on, että jotkut näistä järjestelmistä perustuvat ei-pilviin, paikallisiin teknologioihin tai jopa pilviin, joissa ei ole API:ita tai puhdasta data-integraatiota. Työskentelemme läheisesti asiakkaidemme kanssa ratkaisemaan tämän, vaikka 80% integraatioistamme on nyt pilvipohjaisia tai API-pohjaisia, mikä mahdollistaa nopean integroinnin.

Kuinka Level AI tarjoaa reaaliaikaisia tietoja ja toimintavinkkejä asiakaspalvelun edustajille? Voitko jakaa esimerkkejä, miten tämä on parantanut asiakkaan vuorovaikutuksia?

On kolme tyyppiä reaaliaikaisia tietoja ja toimintavinkkejä, joita annamme asiakkaillemme:

1. Manuaalisten työvirtojen automaatio: Asiakaspalvelun edustajat usein ovat rajoitettuja ajallisesti (6-9 minuuttia) ja heillä on useita manuaalisia tehtäviä. Level AI automatisoi työlle vieviä tehtäviä, kuten muistiinpanojen tekeminen keskustelun aikana ja sen jälkeen, generoimalla mukautettuja yhteenvedon asiakkaalle. Tämä on säästänyt asiakkaillemme 10-25% keskustelun käsittelyajassa, johtuen suuremmasta tehokkuudesta.
2. CX-kokki asiakaspalvelun edustajille: Asiakaspalvelun edustajat kohtaavat suurta vaihtuvuutta ja koulutushaasteita. Kuvittele olet ollut pudotettu asiakaspalvelukeskukseen ilman tietoa yrityksen politiikasta. Level AI toimii asiantuntijana, joka istuu edustajan vieressä, kuuntelee keskustelua ja tarjoaa reaaliaikaisia ohjeita. Tämä sisältää vastusten käsittelyn, tietojen tarjoamisen ja älykkään transkriboinnin. Tämä ominaisuus on auttanut asiakkaitamme kouluttamaan ja ottamaan palveluun uusia edustajia 30-50% nopeammin.
3. Johtajan kokki: Tämä ainutlaatuinen ominaisuus antaa johtajille reaaliaikaisen näkyvyyden siitä, miten heidän tiiminsä suoriutuu. Level AI tarjoaa sekunnin tarkkuudella näkyvyyttä keskusteluihin, mahdollistaen johtajille puuttua, havaita mielialaa ja aikomusta sekä tukea edustajia reaaliajassa. Tämä on parantanut edustajien tuottavuutta 10-15% ja edustajien tyytyväisyyttä, mikä on olennainen kustannusten vähentämiseksi. Esimerkiksi, jos asiakas alkaa kirosilla edustajalle, järjestelmä merkitsee sen, ja johtaja voi joko ottaa vastaan puhelun tai antaa ohjeita edustajalle. Tämänkaltaista reaaliaikaista puuttumista olisi mahdotonta ilman tätä teknologiaa.

Voitko selittää tarkemmin, miten Level AI:n mielialan analyysi toimii ja miten se auttaa edustajia vastaamaan asiakkaisiin tehokkaammin?

Mielialan analyysi havaitsee seitsemän erilaista tunnetta, aina äärimmäisestä frustraatiosta iloon, mikä mahdollistaa mittaamisen mielialan asteikolla. Tämä analyysi ottaa huomioon sekä puhutut sanat että keskustelun sävyn. Kuitenkin olemme havainneet kokeiluissamme, että puhutut sanat ovat paljon tärkeämmässä roolissa kuin sävy. Voit sanoa kaikkein ilkeimpiä asioita tasaisella sävyllä tai hyvin miellyttäviä asioita outoa sävyllä.

Tarjoamme mielialapisteytysasteikon 1-10, jossa 1 osoittaa hyvin negatiivista mielialaa ja 10 hyvin positiivista mielialaa. Analysoimme 100% asiakkaidemme keskusteluista, tarjoten syvän näkyvyyden asiakasvuorovaikutuksiin.

Kontekstin ymmärtäminen on myös kriittinen. Esimerkiksi, jos puhelu alkaa hyvin negatiivisella mielialalla, mutta loppuu positiivisesti, vaikka 80% puhelusta oli negatiivista, koko vuorovaikutus katsotaan positiiviseksi. Tämä johtuu siitä, että asiakas aloitti surkeana, edustaja ratkaisi ongelman, ja asiakas lähti tyytyväisenä. Toisaalta, jos puhelu alkaa positiivisesti, mutta loppuu negatiivisesti, se on eri tarina, vaikka 80% puhelusta olisi positiivista.

Tämä analyysi auttaa sekä edustajaa että johtajaa tunnistamaan koulutuksen kohteita, keskittyen toimiin, jotka liittyvät positiiviseen mielialaan, kuten tervehtimiseen asiakasta, tunnustamiseen heidän huolensa ja osoittamiseen myötätuntoa – elementtejä, jotka ovat olennaisia onnistuneille vuorovaikutuksille.

Kuinka Level AI ratkaisee tietosuojan ja turvallisuuden huolenaiheita, erityisesti ottaen huomioon asiakasvuorovaikutusten herkän luonteen?

Alusta alkaen olemme priorisoinneet turvallisuuden ja tietosuojan. Olemme rakentaneet järjestelmämme yritystason turvallisuuden ja tietosuojan periaatteilla. Emme ulkoistaa mitään generatiivisia tekoälyominaisuuksiamme kolmansille osapuolille. Kaikki on kehitetty sisäisesti, mikä mahdollistaa asiakaskohtaiset tekoälymallit ilman datan jakamista ulkopuolisen ympäristön kanssa. Tarjoamme myös laajan mukauttamisen, jolloin asiakkaat voivat omat tekoälymallinsa ilman datan jakamista eri osuuksiin tietoputkistossamme.

Ratkaistaksemme nykyisen teollisuuden huolen, datamme ei käytetä ulkoisten mallien kouluttamiseen. Emme salli malliemme vaikuttamista tekoälyllä generoiduilla datasta muista lähteistä. Tämä lähestymistapa estää ongelmat, joita jotkut tekoälymallit kohtaavat, kun ne koulutetaan tekoälyllä generoiduilla datasta, mikä johtaa tarkin menetykseen. Level AI:ssa kaikki on ensimmäisen puolen, eikä jaamme tai haeta dataa ulkoisesti.

Milloin viimeisimmän 39,4 miljoonan dollarin Series C -rahoituksen kanssa, mitkä ovat suunnitelmanne laajentaa Level AI:n alustaa ja saavuttaa uusia asiakassegmenttejä?

Series C -sijoitus käytetään strategisen kasvun ja innovaatiotoimien edistämiseen kriittisillä aloilla, kuten tuotekehityksessä, teknisen kehityksen parantamisessa ja perusteellisissa tutkimus- ja kehitystoimissa. Tavoitteenamme on palkata huipputason osaamista kaikille organisaatiotasolle, mikä mahdollistaa jatkuvan edelläkävijyyden alan johtavissa teknologioissa, jotka ylittävät asiakkaiden odotukset ja täyttävät dynaamisen markkinan vaatimukset.

Miten näet tekoälyn roolin asiakaspalvelun muuttamisessa seuraavan kymmenen vuoden aikana?

Vaikka yleinen painopiste on usein automaation puolella – ennustetaan tulevaisuutta, jossa botit käsittelevät kaiken asiakaspalvelun – meidän näkemyksemme on monimutkaisempi. Automaation laajuus vaihtelee toimialoittain. Esimerkiksi pankki- ja rahoitusalalla automaatio saattaa olla alhaisempi, kun taas muilla aloilla se voi olla korkeampi. Keskimäärin uskomme, että saavuttaminen yli 40%:n automaatio kaikilla aloilla on haastavaa. Tämä johtuu siitä, että asiakaspalvelun edustajat tekevät enemmän kuin vain vastaavat kysymyksiin – he toimivat myös vianetsijöinä, myyntineuvottelijoina ja muissa rooleissa, joita ei voida täysin korvata tekoälyllä.

On myös merkittävää potentiaalia työvirtojen automaatioon, johon Level AI keskittyy. Tähän kuuluvat taustatöitä, kuten laadunvarmistus, tikettien priorisointi ja näytön seuranta. Tässä automaatio voi ylittää 80%:n käyttäen generatiivista tekoälyä. Älykäs tieto ja data ovat kriittisiä. Olemme ainutlaatuisia käyttäessämme generatiivista tekoälyä saadaksemme näkemyksiä rakenteettomasta datasta. Tämä lähestymistapa voi parantaa näkemyksen laatua, vähentää ammattitaitoisten palvelujen tarvetta 90%:lla ja nopeuttaa aikaa arvoon 90%:lla.

Toinen tärkeä huomio on, pitäisikö organisaation kasvona olla robotti vai ihminen. Asiakkaan kanssa vuorovaikuttaessa on tärkeää, että on ihmisen kosketus. Meidän lähestymistapamme on poistaa ylimääräiset tehtävät ihmisen työkuormasta, jotta he voivat keskittyä merkityksellisiin vuorovaikutuksiin.

Uskomme, että ihmiset ovat parhaiten soveltuva suoraan viestintään ja heidän tulisi jatkaa tässä roolissa. Kuitenkin he eivät ole ihanteellisia tehtäviin, kuten muistiinpanojen tekemiseen, vuorovaikutusten transkribointiin tai näytön tallentamiseen. Käsitellessämme nämä tehtävät heidän puolestaan, vapautamme heidän aikansa keskittyäkseen asiakkaisiin tehokkaammin.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Level AI:ssa.