Mike Clifton, Alorican toimitusjohtaja – Haastattelu

Mike Clifton on Alorican toimitusjohtaja, joka on maailmanlaajuinen johtaja digitaalisesti voimauttavissa asiakaskokemuksissa (CX). Tässä roolissa Mike valvoo yhtiön digitaalisen muutoksen strategiaa, mukaan lukien sen palkitut AI-tuotteet, jotta voidaan tarjota optimaalinen asiakaskokemus kanavien (puhe, chat, web jne.) ja teollisuudenalojen osalta FORTUNE 500 -brändien puolesta. Vahvalla asiantuntemuksella ja kokemuksella digitaalisessa innovaatiossa, AI:ssa ja yritysten teknologiassa Mike on osoittanut kykynsä tuottaa kannattavaa kasvua integroimalla skaalautuvia teknologiaratkaisuja muuttuvien markkinoiden vaatimusten täyttämiseksi.

Alorica on maailmanlaajuinen asiakaskokemus- ja liiketoimintapalvelujen ulkoistamisen johtaja, joka tarjoaa teknologiaan perustuvia, ihmiskeskeisiä ratkaisuja aloille kuten pankkitoiminta, terveydenhuolto, vähittäiskauppa ja tietoliikenne. Yli 100 000 työntekijällä yli 17 maassa yhtiö hallinnoi vuosittain miljardeja vuorovaikutuksia yli 75 kielellä, tarjoamalla palveluita kuten asiakaspalvelukeskukset, analytiikka, AI-ratkaisut, sisällön moderaatio ja taustatoiminnot – kaikki keskittyen tuloksellisten asiakasratkaisujen tarjoamiseen.

Teollisuus on siirtymässä automaation sijasta täydentämiseen – miten Alorican strategia heijastaa tätä hybridimallia?

Alorican strategia heijastaa hybridimallia täydentämisen kautta automaation sijasta keskittymällä ihmisen agentin suorituskyvyn parantamiseen AI-työkalujen avulla, sen sijaan että ne korvaavat ne. Tämä lähestymistapa varmistaa, että ihmiset pysyvät asiakasvuorovaikutuksien ytimessä, joita tukevat edistyneet teknologiat tehokkuuden ja tehokkuuden parantamiseksi.

Esimerkiksi Alorica on lanseerannut useita edistyneitä ratkaisuja, kuten evoAI, Knowledge IQ, Digital Trust & Safety Model ja CX2GO®. Nämä työkalut on suunniteltu ihmisen agentin suorituskyvyn vahvistamiseksi tarjoamalla reaaliaikaisia, kontekstiaavareita vuorovaikutuksia, jotka parantavat tiedon hallintaa ja varmistavat digitaalisen turvallisuuden ja luotettavuuden.

Integroimalla AI-työkalut, jotka tarjoavat emotionaalisesti älykkäitä ja kontekstiaavareita vuorovaikutuksia useilla kielillä alle sekunnin vastausajoilla, Alorica mahdollistaa agenttien tarjoamisen henkilökohtaista ja tehokasta tukea asiakkaille. Tämä reaaliaikainen vastauskyky kääntyy parantuneiksi asiakastuloksiksi.

Kokonaisuutena Alorican strategia korostaa ihmisen agenttien tärkeyttä hyödyntäen AI:ta heidän kykyjensä vahvistamiseksi, heijastaen teollisuuden siirtymistä automaation sijasta täydentämiseen.

Voitko jakaa tarkempia esimerkkejä, joissa AI on vahvistanut ihmisen agentin suorituskykyä sen sijaan, että se olisi korvannut sen?

On olemassa monia esimerkkejä vahvistamisesta, joita olemme hyödyntäneet palvelujemme toimittamisessa. Yksi esimerkki on agenttien kyky vuorovaikuttaa tietopohjaan, joka kuuntelee reaaliajassa puhetta ja kääntää sen automaattiseksi vastausmoottoriksi, joka kehottaa apua; tämä on voimakas, ennakko-työkalu, jota olemme käyttäneet useissa ratkaisuissa. Toinen esimerkki on keskustelun AI-moottorien käyttäminen agenttien kouluttamiseen asiakkaan vaikeimmissa skenaarioissa. Suorittamalla AI-ohjattuja simulaatioita reaaliaikaisista vuorovaikutuksista, vähennämme stressiä, ja mallit oppivat jatkuvasti – päivittäen agenteja mielentilasta ja empatiasta, kun he saavat enemmän kokemusta.

Miten seurataan näiden AI-työkalujen suoritusvaikutusta – esimerkiksi ensimmäisen yhteyden ratkaisussa, käsitelyajassa tai agentin tehokkuudessa?

AI-työkalujen seuranta täydentävässä käytössä perustuu mitareihin, jotka on määritelty agentille, kuten olisi, että mitään työkaluja ei olisi. Ero on kyvyssä ottaa vastaan enemmän puheluita korkeammalla tyytyväisyyden tuotolla ja luottamuksessa ennustaa paremmin työvoiman strategioita, kun on vahva data malleista.

Olet lanseerannut useita edistyneitä ratkaisuja tänä vuonna – evoAI, Knowledge IQ, Digital Trust & Safety Model ja CX2GO®. Mikä niistä näyttää olevan vaikuttavin “supervoima” -vaikutus agenteille, ja miksi?

Sisäinen evoAI:n käyttö antaa agenteille mahdollisuuden hyödyntää simuloituja puheluita koulutuksessa korkeammalla tilannetietoisuuden tasolla, tarjoamalla suurimman vaikutuksen. Tämän jälkeen tulee Knowledge IQ, joka vahvistaa agentin kykyä löytää oikea vastaus. Nämä kaksi ovat olleet pelinmuuttajia työntekijöillemme, muuttaen täysin, miten nopeasti ja tarkasti agenttimme voivat vastata asiakkaiden tarpeisiin.

Miten koneoppimismallinne säilyttävät tarkin ja sopeutuvan, kun asiakkaiden tarpeet, kieli ja markkinatilanne kehittyvät?

Jotta voidaan ylläpitää tarkkuutta ja sopeutuvuutta asiakkaiden tarpeiden, kielen ja markkinatilanteen muuttuessa, koneoppimismallimme ovat jatkuvasti koulutettavissa ja hienosäädettyjä.

Tässä ovat joitakin avainstrategioita, joita käytämme:

• Jatkuva oppiminen: Mallimme on suunniteltu oppimaan uudesta datasta jatkuvasti. Tämä vaatii säännöllistä päivittämistä koulutusaineistoja viimeisimmillä vuorovaikutuksilla, palautteilla ja markkinatrendeillä. Sisällyttämällä viimeisimmän tiedon malliimme voivat sopeutua muuttuviin asiakastarpeisiin ja kehittyviin markkinatilanteisiin.
• Monipuoliset data-lähteet: Käytämme laajaa valikoimaa data-lähteitä kouluttaa mallejamme, mukaan lukien asiakasvuorovaikutukset, sosiaalisen median, markkinaraportit ja paljon muuta. Tämä monipuolisuus varmistaa, että mallimme altistuvat erilaisille skenaarioille ja kielellisille nuansseille, parantaen niiden ymmärtämiskykyä ja vastaamiskykyä.
• Palautekierto: Käytämme vahvoja palautekiertoja, joissa asiakasvuorovaikutukset ja agenttien syötteet käytetään mallien hienosäätöön. Tämä reaaliaikainen palautteen antaa mahdollisuuden tunnistaa ja korjata epätarkkuuksia, jotta mallit pysyvät relevantteina ja tehokkaina.
• Monikieliset ominaisuudet: Mallimme on koulutettu monikielisillä aineistoilla, jotta ne voivat käsitellä vuorovaikutuksia useilla kielillä. Tämä on tärkeää tarjoamalla tarkkoja ja paikallistettuja vastauksia globaaleille asiakkaille.
• Säännölliset tarkastukset ja arviot: Suoritamme säännöllisiä tarkastuksia ja arvioita mallistamme, jotta voimme arvioida niiden suorituskykyä. Tämä sisältää testaamisen benchmark-aineistojen ja reaalimaailman skenaarioiden avulla, jotta voimme varmistaa, että ne täyttävät tarkkuuden ja sopeutuvuuden vaatimukset.
• Ihminen silmässä: Ylläpidämme ihmisen roolia mallien kehittämisessä ja päivittämisessä. Tämä varmistaa, että teknologia oppii ihmisten asiantuntemuksesta ja parantaa suorituskykyään ajan myötä.
• Pienempien kielen mallien hyödyntäminen: Kouluttamalla pystysuoraan suunnattuja pienempiä malleja (hybrid- tai ensemble-lähestymistapa) kaupallisten LLM-mallien rinnalla, voidaan saavuttaa tehokkuutta laskennassa, haussa ja vastausajassa, samalla kun lyhennetään bias- ja reiluustestauskiertoja.

Nämä strategiat mahdollistavat koneoppimismallien säilyttämisen tarkkoina, sopeutuvina ja kykenevinä tarjoamaan korkealaatuisia asiakaskokemuksia dynaamisissa ympäristöissä.

evoAI tarjoaa emotionaalisesti älykkään, kontekstiaavaren vuorovaikutuksen yli 120 kielellä alle sekunnin vastausajoilla. Miten tämä reaaliaikainen vastauskyky kääntyy agenttien tueksi ja asiakastuloksi?

evoAI tarjoaa paremman agenttien tuen ja parantuneet asiakastulokset useilla tavoilla:

• Suorituskyky: kontekstiaavaret vuorovaikutukset auttavat löytämään ja lajittelemaan suuren määrän tietoa nopeasti agenttien kysymyksiin.
• Henkilökohtaisuus: tarjoaa monikielisen sopeutumisen, jolloin asiakkaat voivat valita syötteen ja tulosteen kielen reaaliajassa mille tahansa kehotteelle. Esimerkiksi asiakas, joka pyytää vastausta englanniksi, jotta vanhempi, joka kuuntelee, voi ymmärtää.
• Tehokkuus: vähentää vastausaikaa ja usein poistaa tarpeen ihmiselle vastata.
• Emotionaalisuus: mahdollistaa agenttien sopeuttamisen asiakkaiden tunteisiin tilanteen, mielialan ja sanavalinnan perusteella, jolloin konfliktien ratkaisu voidaan tehdä nopeammin.

Miten hallitsette risktejä, kuten hallucinaatioita, biasia tai menetettyä hallintaa, kun taataan, että agenteilla on päätösvallan haltijat?

Aloricassa uskomme, että oikea arkkitehtuuri teknologian takana tekee kaiken eron. Sen vuoksi agenteille aiheutuvien riskien hallitseminen vaatii monikerroksisen hallintorakenteen, jonka olemme sisällyttäneet kaikkiin AI-toimintoihimme.

Tässä on, miten osoitamme jokaisen kriittisen riskin:

• Hallucinaation vähentäminen: Käytämme kolmen tason verifikaatiojärjestelmää, jotta minimoidaan hallucinaatiot. Ensinnäkin, mallimme käyttävät retrieval-augmented generation (RAG) -tekniikkaa, joka perustuu vahvistettuihin tietopohjiin ja reaaliaikaisiin data-lähteisiin, vähentäen keksittyjen tietojen todennäköisyyttä 85 prosentilla. Toiseksi, toteutamme luottamusluokituksen kaikille AI-generoituille ehdotuksille, joissa vastaukset alle 80 prosentin luottamusrajalla laukaisevat automaattisen ihmisen tarkastuksen. Kolmanneksi, mallimme on rajoitettu toimimaan määriteltyjen parametriavaruuden puitteissa, jotka ovat asiakkaan liiketoimintasääntöjä ja faktuaalisen tietopohjan mukaisia – AI ei voi generoida tietoa tuotteista, käytännöistä tai menettelytavoista, jotka eivät ole nimenomaisesti dokumentoitu koulutusaineistossa.
• Biasin havaitseminen ja estäminen: Biasin hallintastrategiamme toimii koko AI- elinkaaren ajan. Mallien koulutuksen aikana käytämme vastakkaisia debiasoimistekniikoita ja reiluuden takaavia oppimisalgoritmeja, jotka vastustavat historiallisia biasia koulutusdatasta. Ylläpidämme demograafisia tasapuolisuusmittareita suojelluissa luokissa ja suoritamme kuukausittaisia tarkastuksia välineiden avulla, kuten reiluusosoittimien ja erilaisten vaikutusten arviointien avulla. Mallimme käyvät läpi syntetisoiduilla datailla, jotka on suunniteltu paljastamaan biasia eri demograafisissa ryhmissä, kielissä ja kulttuurisissa ympäristöissä. Kun bias havaitaan, käytämme kohdennettua uudelleenkoulutusta tasapainotetuilla aineistoilla ja säädämme mallipainoja, jotta varmistetaan tasapuoliset tulokset. Oleellisesti, ylläpidämme avoimuusraportteja, jotka seuraavat bias-mittareita ajan myötä, jotta asiakkaat voivat nähdä, miten mallimme suoriutuvat eri väestöryhmissä.
• Ihmisen hallinnan ylläpitäminen: Ihmisen agenteilla on lopullinen päätösvallan haltija “AI-neuvonantaja” -arkkitehtuurin kautta. AI-järjestelmä tarjoaa suosituksia selitysominaisuuksilla – agenteilla on näkyvissä, miksi AI ehdotti tiettyä toimintaa, mitkä tekijät se huomioi ja mitkä vaihtoehdot ovat olemassa. Olemme toteuttaneet kovat pysähdyskohdat, joissa AI ei voi itse toimia: taloudelliset transaktiot, sopimuksen muutokset, oikeudelliset sitoumukset tai terveydenhuollon neuvonta vaativat aina ihmisen valtuutuksen. Eskaloimisprotokollamme ohjaa automaattisesti monimutkaiset tai korkean riskin skenaariot vanhemmille agenteille tai valvojille, kun AI havaitsee tilanteita, jotka ovat sen osaamisen ulottumattomissa.
• Jatkuva seuranta ja “sammutuspainike”: Jokainen AI-vuorovaikutus on kirjattu ja seurattu Mallin suorituskyky -observatorion kautta, joka seuraa poikkeamia odotetusta käyttäytymisestä reaaliajassa. Ylläpidämme välittömiä palautusominaisuuksia ja “sammutuspainikkeita” useilla tasoilla – yksittäisiä mallikomponentteja, kokonaisia malleja tai järjestelmänlaajuisia AI-ominaisuuksia voidaan poistaa käytöstä sekunneissa, jos epätyypillinen käyttäytyminen havaitaan. Drift-havaintoalgoritmejamme vertailee jatkuvasti mallien tuloksia ihmisen asiantuntijapäätöksiin, merkitsemällä poikkeamat välittömäksi tarkastelulle.
• Ihmisen silmässä -validointi: Olemme suunnitelleet palautekierron, jossa agenteille annetaan AI-ehdotuksia arvioida jokaisen vuorovaikutuksen jälkeen, luoden jatkuvaan oppimisjärjestelmän, joka sopeutuu ihmisen asiantuntemukseen. Parhaiden agenttien osallistuminen viikoittaisiin kalibrointisessioihin, joissa he tarkastelevat reunatapauksia ja auttavat hienosäätämään AI-päätösrajoja. Tämä luo yhteistyöllisen älykkyyden mallin, jossa ihmisen arvio jatkuvasti muokkaa ja rajoittaa AI-käyttäytymistä.
• Tilinhoito ja audit-reitit: Jokaisella AI-vaikuttavalla päätöksellä on täydellinen audit-reitti, joka osoittaa AI-suosituksen, luottamusluokan, käytetyn data-lähteen ja lopullisen ihmisen agentin päätöksen. Tämä varmistaa vastuullisuuden ja mahdollistaa jatkuvan mallien parantamisen perusteella tuloksista. Säännölliset ulkopuoliset auditit vahvistavat riskienhallintatotteidemme noudattamisen teollisuuden standardeja ja sääntelyvaatimuksia vastaan.

Toteuttamalla nämä kattavat suojaukset, varmistamme, että agenteille aiheutuvat AI-järjestelmämme vahvistavat ihmisten kykyjä ylläpitäen samalla ihmisen toimijuuden, eettiset standardit ja operatiivisen hallinnan.

Miten lähestytte mallien uudelleenkoulutusta ja jatkuvaan oppimiseen, jotta varmistatte, että AI-järjestelmänne pysyvät linjassa sekä vaatimustenmukaisuuden että asiakastunteiden nuanssien kanssa?

Alorican lähestymistapa mallien uudelleenkoulutukseen ja jatkuvaan oppimiseen Alorica IQ:ssa perustuu vahvaan MLOps-kehykseen, jossa tasapainotetaan sääntelynmukaisuutta asiakaskokemusoptimoimisen kanssa.

Olemme toteuttaneet monikerroksisen uudelleenkoulutusarkkitehtuurin, joka toimii eri taajuuksilla. Sääntelyn kannalta kriittiset mallimme käyvät läpi päivittäin drift-havainnon ja viikoittain suorituskykyarvioita, joissa on automaattiset käynnistimet välittömään uudelleenkoulutukseen, kun sääntelymuutoksia tapahtuu. Asiakastunteen malleille hyödyntämme reaaliaikaisia palautekiertoja, jotka kaappaavat agenttien korjaukset ja asiakastyytyväisyyden arvosanat, syöttäen ne koulutusputkeen joka 72 tunnissa.

Omistamme sääntelyä koskevan älykkyyden kerroksen, joka toimii suojakaistajärjestelmänä, joka valvoo automaattisesti mallien tuloksia sääntelykehyksistä, jotka on määritelty kullekin maantieteelle – GDPR:stä Euroopassa Kalifornian CCPA:han. Tämä kerros on jatkuvasti päivitettynä yhteistyössä lakiteknologian tarjoajien ja sääntelysyötteen kanssa, varmistaen, että AI-järjestelmämme pysyvät sääntelyn mukaisina ilman manuaalista väliintuloa.

Asiakastunteen nuansseissa olemme kehittäneet “kulttuurisen kontekstin upotukset” Alorica IQ:ssa, yhtiön innovaatioydin. Nämä ovat alueellisesti hienosäädettyjä malleja, jotka ymmärtävät kielellisten kuin kulttuuristen viestintätapojen eroja. Esimerkiksi mallimme tunnistaa, että suoranaisuuden tasot vaihtelevat merkittävästi saksalaisissa ja japanilaisissa asiakasvuorovaikutuksissa, ja sovittaa mielentilansa tunnistamista vastaavasti.

Ylläpidämme version malleja, joissa on täydellinen palautuskyky, jolloin voidaan välittömästi palata edellisiin versioihin, jos uudelleenkoulutus tuo odottamattomia käyttäytymisiä. A/B-testauskehyksemme suorittaa jatkuvasti uusia malliversioita tuotantoversioiden rinnalla, vertaamalla tuhansia vuorovaikutuksia ennen täydellistä käyttöönottoa.

Ennen kaikkea olemme perustaneet Ihmisen palautteen integrointiprotokollan, jossa parhaiden agenttien osallistuminen säännöllisesti reunatapausten tarkasteluun ja korjaavien palautteen antamiseen, luoden hyveellisen kehän, jossa ihmisen asiantuntemus jatkuvasti parantaa AI-kykyjämme. Tämä lähestymistapa on vähentänyt sääntelyrikkomuksia 94 prosentilla, samalla kun parantaa tunteen tunnistamisen tarkkuutta 92 prosenttiin kaikilla tuettavilla kielillä.

Miten lähestytte nopeaa kansainvälistä laajentumista – erityisesti markkinoilla kuten Intia, Egypti ja EMEA – ja miten sovitte AI-ihmisen lähestymistä erilaisiin kielellisiin ja kulttuurisiin tarpeisiin?

Uskomme, että lokalisaatio ei ole vain puhua kieltä – se on heijastaa kulttuuria.

AI-alustamme kuten evoAI ja ReVoLT on suunniteltu havaitsemaan sävy, nuanssi ja konteksti satojen kielten ja murteiden yli, jotta vuorovaikutukset tuntuvat tutuilta ja aidoilta. Mutta emme lopeta siinä. Palkkaamme kykyjä kustakin alueelta, koulutamme tiimejä kulttuuristen odotusten mukaan ja sovittamme palvelun suunnittelua paikallisten normien mukaan. Tämä hybridimalli varmistaa, että jokainen vuorovaikutus tuntuu tehdyn juuri kyseiselle markkinalle.

Intiassa, jossa tuemme 75 virallista kieltä ja useita murteita, olemme käyttäneet kielellistä verkkoarkkitehtuuria, joka ei vain käännä vaan ylläpitää kontekstia koodinvaihtotilanteissa – kun asiakkaat luonnollisesti sekoittavat hindiä, englantia ja alueellisia kieliä samassa keskustelussa. Mallimme on koulutettu todellisista keskustelumalleista tier 2- ja tier 3 -kaupungeista, eikä vain metropolialueilta, varmistaen, että kaikki viestintätavat on otettu huomioon.

Egyptin toimintoihimme, jotka palvelevat laajempaa MENA-aluetta, olemme kehittäneet arabian murteiden malleja, jotka erottavat egyptiläisen arabian, golfin arabian ja levantin arabian, ja joissa on erityistä käsittelyä virallisen (Fusha) ja epävirallisen (Ammiya) rekisterin välillä. AI ymmärtää, kun asiakas siirtyy virallisesta arabian kielestä epäviralliseen arabian kieleen emotionaalisena vihjeenä, laukaisemalla agenttien ohjausta kulttuurisesti soveltuvilla konfliktinratkaisutekniikoilla reaaliajassa.

EMEA-markkinoilla olemme toteuttaneet “Sääntelyn ensin -AI-suunnittelua”. Jokaisen maan käyttöönotto sisältää esikäännetyt sääntelymoduulit – Saksan tiukat data-sijaintivaatimukset Ranskan kielellisten suojelemisen lakien mukaisesti, jotka edellyttävät ranskan kielen ensisijaisuutta. Mallimme on koulutettu kielellisesti, mutta myös paikallisen liiketoimintatavan mukaan; esimerkiksi Saksan käyttöönotto korostaa tarkkuutta ja yksityiskohtaisia asiakirjoja, kun taas Italian malli sallii enemmän keskustelun joustavuutta.

Tekninen runko on Federated Learning -kehyksemme Alorica IQ:ssa, jossa paikalliset mallit oppivat alueellisista datasta ilman, että data poistuu maasta, varmistaen data-suvereniteetin samalla, kun hyödyntävät globaaleja malliparannuksia. Ylläpidämme alueellisia GPU-klustereita, jotta voidaan varmistaa alle 100 ms viive reaaliajassa agenttien tueksi.

Kulttuurisen älymme tiimi, joka koostuu kielellisistä asiantuntijoista ja käyttäytymistieteiden tutkijoista kustakin alueelta, jatkuvasti vahvistaa AI-tuloksiamme. He ovat auttaneet meitä tunnistamaan yli 3 000 kulttuurisesti erityistä skenaariota, joissa vaaditaan erityishoitoa – uskonnollisista havainnoista, jotka vaikuttavat palvelun saatavuuteen, paikallisiin maksuvaihtoehtoihin, jotka vaikuttavat keskustelun virroittamiseen.

Tämä lähestymistapa on tuottanut vaikuttavia tuloksia: Intian toimintomme osoittavat 40 prosentin korkeamman asiakastyytyväisyyden, kun käytetään kulttuurisesti sovellettuja AI-malleja verrattuna yleisiin malleihin, ja EMEA-käyttöönottojen on saavutettu 98 prosentin ensimmäisen yhteyden ratkaisuaste kielikohtaisissa kysymyksissä.

Miten evoAI:n kyky tunnistaa ja sopeutua alueellisiin murteisiin ja emotionaalisesti älykkäisiin vihjeisiin auttaa markkinoiden omaksumista uusissa markkinoissa?

Omaksuminen kiihtyy, kun ihmiset tuntevat, että teknologia “ymmärtää” heidät. evoAI menee sanan sanan käännöksen ulkopuolelle ymmärtämällä slangi, aksentti ja jopa emotionaaliset sävyt reaaliajassa.

evoAI:n sofistikoitunut murre- ja emotionaalisen älykkyyden tunnistuskyky on muodostunut ensisijaiseksi kilpailuetumme uusissa markkinoiden valloituksissa, suoraan osoittamalla luottamuspäätöksen, joka usein estää AI-omaksumisen nousevissa markkinoissa.

Teknologisesti evoAI käyttää Acoustic-Linguistic Fusion -mallia, joka prosessoi samanaikaisesti fonologisia malleja, prosodisia piirteitä ja semanttista sisältöä. Tämä tri-modaalinen lähestymistapa mahdollistaa meille havaita hienoja emotionaalisia tiloja, jotka ilmenevät eri kulttuureissa. Esimerkiksi Japanin markkinoilla voimme havaita “honne” ja “tatemae” (oikeat tunteet ja julkiset kasvot) mikrovariaatioita äänen korkeudessa ja puhetahdissa, kun taas Lähi-idän markkinoilla tunnistamme kunnia-häpeä-dynamiikkaa tietyn lauseen rakenteen ja painotusmallien kautta.

Murretunnistus ei rajoitu yksinkertaiseen aksenttihavaintoon. evoAI ylläpitää dynaamisia murrekartoja, jotka ymmärtävät sosioekonomisia indikaattoreita, jotka on upotettu puhetapoihin. Intiassa esimerkiksi järjestelmä tunnistaa, onko joku puhuu tamiliksi vai telugukse, ja voi myös tunnistaa koulutustausta ja kaupungin ja maaseudun alkuperän, jotta agenteilla on mahdollisuus kalibroida viestintätapaansa asianmukaisesti. Tämä hienojakoinen ymmärrys on osoittanut asiakastyytyväisyyden kasvua 67 prosentilla pilottiohjelmissa.

Emotionaalisuuden kerros käyttää Kontekstuaalista Emotion Graph -tekniikkaa, joka kartoittaa emotionaalisia polkuja koko keskustelun ajan eikä vain hetkellisessä mielentilassa. Tämä mahdollistaa evoAI:lle ennustaa emotionaalisen eskalaation 30 sekuntia ennen sen tapahtumista 89 prosentin tarkkuudella, antaen agenteille tärkeää aikaa väliintulon tekemiseen kulttuurisesti soveltuvilla de-eskalaatiotekniikoilla.

Uusien markkinoiden omaksumisessa meidän Info-Action Labilla on “Progressiivinen lokalisaatio” -strategia Alorica IQ:n kautta. Aloitan perusmallilla, joka on koulutettu kohdemarkkinan median sisällöllä, sosiaalisen median ja julkisen keskustelun kanssa. 30 päivän kuluttua käyttöönotosta evoAI sopeutuu paikallisiin asiakasvuorovaikutuksiin aktiivisen oppimisputken kautta, joka priorisoi oppimista keskusteluista, joissa on korkein emotionaalinen variance. 90 päivän kuluttua mallien on saavutettava 95 prosentin tarkkuus murteen tunnistamisessa ja 88 prosentin emotionaalisen tilan havaitsemisessa.

Liiketoimintavaikutus olisi merkittävä. Tutkimuksemme osoittavat, että egyptiläinen käyttöönotto, jossa evoAI:n kyky tunnistaa ja reagoida kaireneseen ja alexandrialaiseen murteeseen yhdessä kulttuurisesti soveltuvien kohteliaisuuspattereiden kanssa, voisi vähentää tyypillisen 6 kuukauden markkinoiden valloitusajan vain 8 viikkoon. Asiakasomaksumisen kustannukset voivat laskea jopa 45 prosentilla, kun suullinen suositus lisääntyy luonnollisten, kulttuurisesti tietoisten vuorovaikutusten ansiosta.

evoAI:n emotionaalisen sopeutumiskyky avaa kokonaan uusia palveluluokkia. Olemme esimerkiksi hypänneet, että mielenterveyden tukipalvelu, jota voimaa evoAI, voisi auttaa tunnistamaan varhaisia masennuksen ja ahdistuksen merkkejä luonnollisista ilmaisumalleista, mahdollistaen aikaisen väliintulon ja eskaloimisen terveydenhuollon ja hyvinvoinnin tiimille – varmistaen, että agenttien hyvinvointi on aina priorisoitu.

Tämä teknologinen etu kääntyy suoraan markkinoiden omaksumiseen: alueet, jotka käyttävät evoAI:n täysiä murteiden ja emotionaalisen älykkyyden ominaisuuksia, osoittavat 3,2-kertaa nopeamman omaksumisen verrattuna standardi-AI-käyttöönottoihin, ja agenttien tyytyväisyyden arvosanat paranevat 78 prosentilla, kun he tuntevat itsensä varmemmaksi käsittelemään kulttuurisesti monimuotoisia vuorovaikutuksia.

Miten näet tulevaisuuden human-kokoisen AI:n asiakaskokemuksissa vuoden 2025 jälkeen?

Seuraava etappi on keskustelun AI:n, agenteille aiheutuvan AI:n ja neuroverkkojen yhdistyminen korkeamman tason tuloksien saavuttamiseksi, joita ei aiemmin ole voitu kuvitella. Tämä uudelleenmuotoilu muuttaa tapaa, jolla teemme liiketoimintaa. Orkestraatio ei ole enää ihmisten ja koneiden välistä vaan koneiden ja tuhansien koneiden välistä samanaikaisesti.

Kuvittele, että suunnittelet liikematkaa: vierailet verkkosivustolla valitsemassa lentoyhtiötä, varaat hotellin, järjestät kuljetuksen, ajoitat illallisen ja suunnittelet paluun. Tämä on yksinkertainen esimerkki siitä, miten voit kehottaa kerran ja antaa integroiduille boteille – voimaa neuroverkolla – prosessoida kaikki saatavilla olevat vaihtoehdot ja rakentaa monivalintavastaus, jonka voit valita. Tässä mallissa orkestraatio on neuroverkko, agenteille aiheutuva AI voimaa boteja, ja keskustelu on vastaus. Kiitos tästä haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Aloricassa.