Ashish Nagar, PDG et fondateur de Level AI – Série d’entretiens

Ashish Nagar est le PDG et fondateur de Level AI, qui utilise son expérience chez Amazon (AMZN ) dans l’équipe Alexa pour transformer les opérations des centres de contact à l’aide de l’intelligence artificielle. Avec une solide formation en technologie et en entrepreneurship, Ashish a joué un rôle déterminant dans la conduite de la mission de l’entreprise pour améliorer l’efficacité et l’efficience des interactions de service client grâce à des solutions d’intelligence artificielle avancées. Sous sa direction, Level AI est devenu un acteur clé dans l’espace des centres de contact alimentés par l’IA, connu pour ses produits innovants et sa mise en œuvre supérieure de l’intelligence artificielle.

Qu’est-ce qui vous a inspiré pour quitter Amazon et créer Level AI ? Pouvez-vous partager les points de douleur spécifiques dans le service client que vous avez cherché à résoudre avec votre technologie ?

Mon background est dans la création de produits à l’intersection de la technologie et des affaires. Bien que j’aie un diplôme en physique appliquée, mon travail s’est constamment concentré sur les rôles de produit et la mise en place, le lancement et la construction de nouvelles entreprises. Ma passion pour la technologie et les affaires m’a mené à l’IA.

J’ai commencé à travailler dans l’IA en 2014, lorsque nous construisions une société de recherche mobile de nouvelle génération appelée Rel C, qui était similaire à ce que Perplexity AI est aujourd’hui. Cette expérience a déclenché mon parcours dans les logiciels d’IA, et cette société a finalement été acquise par Amazon. Chez Amazon, j’étais un leader de produit dans l’équipe Alexa, cherchant constamment des opportunités pour résoudre des problèmes d’IA plus complexes.

Au cours de ma dernière année chez Amazon, en 2018, j’ai travaillé sur un projet que nous appelions l'”ordinateur Star Trek”, inspiré de la célèbre franchise de science-fiction. L’objectif était de développer un ordinateur capable de comprendre et de répondre à n’importe quelle question que vous lui posiez. Ce projet est devenu connu sous le nom de Alexa Prize, visant à permettre à quiconque de tenir une conversation de 20 minutes avec Alexa sur n’importe quel sujet social. J’ai dirigé une équipe d’environ 10 scientifiques, et nous avons lancé cela comme un défi mondial d’IA. J’ai travaillé en étroite collaboration avec des esprits de premier plan d’institutions comme MIT, CMU, Stanford et Oxford. Une chose est devenue claire : à ce moment-là, personne ne pouvait résoudre complètement le problème.

Même à ce moment-là, je pouvais sentir une vague d’innovation qui allait rendre cela possible. Avancez jusqu’en 2024, et des technologies comme ChatGPT font maintenant beaucoup de ce que nous avions imaginé. Il y a eu des progrès rapides dans le traitement du langage naturel avec des entreprises comme Amazon, Google (GOOGL ), OpenAI et Microsoft (MSFT ) qui construisent de grands modèles et l’infrastructure sous-jacente. Mais ils n’abordaient pas nécessairement les flux de travail de bout en bout. Nous avons reconnu cette lacune et voulions la combler.

Notre premier produit n’était pas une solution de service client ; c’était un assistant vocal pour les travailleurs de première ligne, tels que les techniciens et les employés de magasin. Nous avons levé 2 millions de dollars en financement initial et avons montré le produit à des clients potentiels. Ils ont demandé à l’unanimité que nous adaptions la technologie pour les centres de contact, où ils avaient déjà des flux vocaux et de données, mais manquaient d’architecture d’IA générative moderne. Cela nous a amenés à réaliser que les entreprises existantes dans cet espace étaient coincées dans le passé, luttant avec le dilemme classique de l’innovateur, à savoir s’ils devaient surmonter leurs systèmes hérités ou construire quelque chose de neuf. Nous avons commencé avec une feuille blanche et construit la première plate-forme native de large modèle de langage (LLM) d’intelligence d’expérience client et d’automatisation de service.

Mon intérêt profond pour les complexités du langage humain et la difficulté de résoudre ces problèmes d’un point de vue d’ingénierie informatique a joué un rôle important dans notre approche. La capacité de l’IA à comprendre la parole humaine est cruciale, en particulier pour l’industrie des centres de contact. Par exemple, utiliser Siri révèle souvent à quel point il est difficile pour l’IA de comprendre l’intention et le contexte dans le langage humain. Même les requêtes simples peuvent déstabiliser l’IA, qui lutte pour interpréter ce que vous demandez.

L’IA a du mal à comprendre l’intention, à maintenir le contexte sur de longues conversations et à posséder des connaissances pertinentes du monde. Même ChatGPT a des limites dans ces domaines. Par exemple, il peut ne pas connaître les dernières actualités ou comprendre les sujets changeants au sein d’une conversation. Ces défis sont directement pertinents pour le service client, où les conversations impliquent souvent plusieurs sujets et nécessitent que l’IA comprenne des connaissances spécifiques au domaine. Nous abordons ces défis dans notre plate-forme, conçue pour gérer les complexités du langage humain dans un environnement de service client.

La technologie NLU de Level AI va au-delà du simple appariement de mots clés. Pouvez-vous expliquer comment votre IA comprend l’intention client plus profonde et quels sont les avantages que cela apporte au service client ? Comment Level AI assure-t-il l’exactitude et la fiabilité de ses systèmes d’IA, en particulier dans la compréhension des interactions client nuancées ?

Nous avons six ou sept pipelines d’IA différents adaptés à des tâches spécifiques, en fonction du travail à accomplir. Par exemple, un flux de travail peut impliquer l’identification des moteurs d’appel et la compréhension des problèmes que les clients ont avec un produit ou un service, que nous appelons la “voix du client”. Un autre pourrait être le scoring automatisé de fiches de qualité pour évaluer la performance des agents. Chaque flux de travail ou service a son propre pipeline d’IA, mais la technologie sous-jacente reste la même.

Pour faire une analogie, la technologie que nous utilisons est basée sur des LLM similaires à la technologie derrière ChatGPT et d’autres outils d’IA générative. Cependant, nous utilisons des LLM spécifiques au service client que nous avons formés en interne pour ces flux de travail spécialisés. Cela nous permet d’atteindre plus de 85 % de précision en seulement quelques jours après l’intégration de nouveaux clients, ce qui se traduit par un temps de valorisation plus rapide, des services professionnels minimaux et une précision, une sécurité et une confiance inégalées.

Nos modèles ont une expertise approfondie et spécifique dans le service client. L’ancien paradigme impliquait d’analyser les conversations en sélectionnant des mots clés ou des phrases comme “annuler mon compte” ou “je ne suis pas heureux”. Mais notre solution ne repose pas sur la capture de toutes les variations possibles de phrases. Au lieu de cela, elle applique l’IA pour comprendre l’intention derrière la question, ce qui la rend beaucoup plus rapide et efficace.

Par exemple, si quelqu’un dit : “Je veux annuler mon compte”, il y a de nombreuses façons de l’exprimer, comme “Je suis fini avec vous” ou “Je passe à quelqu’un d’autre”. Notre IA comprend l’intention de la question et la relie au contexte, c’est pourquoi notre logiciel est plus rapide et plus précis.

Une analogie utile est que l’ancienne IA était comme un livre de règles – vous construisiez ces livres de règles rigides, avec des instructions si-alors, qui étaient inflexibles et nécessitaient constamment une maintenance. La nouvelle IA, en revanche, est comme un cerveau dynamique ou un système d’apprentissage. Avec seulement quelques pointeurs, il apprend dynamiquement le contexte et l’intention, s’améliorant continuellement en cours de route. Un livre de règles a une portée limitée et se brise facilement lorsque quelque chose ne correspond pas aux règles prédéfinies, tandis qu’un système d’apprentissage dynamique continue de s’étendre, de grandir et a un impact beaucoup plus large.

Un excellent exemple du point de vue d’un client est une grande marque de commerce électronique. Ils ont des milliers de produits, et il est impossible de suivre les mises à jour constantes. Notre IA, cependant, peut comprendre le contexte, comme si vous parlez d’un canapé spécifique, sans avoir besoin de mettre constamment à jour une fiche de score ou une rubrique avec chaque nouveau produit.

Quels sont les principaux défis pour intégrer la technologie de Level AI avec les systèmes de service client existants, et comment les abordez-vous ?

Level AI est une plate-forme d’intelligence d’expérience client et d’automatisation de service. En tant que telle, nous nous intégrons à la plupart des logiciels de CX de l’industrie, qu’il s’agisse d’un CRM, d’un CCaaS, d’une solution de sondage ou d’outillage. Cela nous permet d’être le hub central, collectant des données de toutes ces sources et servant de couche d’intelligence au-dessus.

Cependant, le défi est que certains de ces systèmes sont basés sur des technologies non cloud, sur site, ou même des technologies cloud qui manquent d’API ou d’intégrations de données propres. Nous travaillons en étroite collaboration avec nos clients pour résoudre ce problème, bien que 80 % de nos intégrations soient maintenant basées sur le cloud ou sur des API, ce qui nous permet d’intégrer rapidement.

Comment Level AI fournit-il une intelligence et des insights actionnables en temps réel pour les agents de service client ? Pouvez-vous partager des exemples de la manière dont cela a amélioré les interactions client ?

Il existe trois types d’intelligence et d’insights actionnables en temps réel que nous fournissons à nos clients :

1. Automatisation des flux de travail manuels : Les représentants du service souvent ont un temps limité (6 à 9 minutes) et de multiples tâches manuelles. Level AI automatise les tâches fastidieuses comme la prise de notes pendant et après les conversations, générant des résumés personnalisés pour chaque client. Cela a permis à nos clients d’économiser 10 à 25 % du temps de traitement des appels, ce qui se traduit par une plus grande efficacité.
2. CX Copilot pour les représentants du service : Les représentants du service sont confrontés à des défis de rotation et de formation. Imaginez être déposé dans un centre de contact sans connaître les politiques de l’entreprise. Level AI agit comme un expert IA assis à côté du représentant, écoutant les conversations et offrant des conseils en temps réel. Cela inclut la gestion des objections, la fourniture de connaissances et l’offre d’une transcription intelligente. Cette capacité a aidé nos clients à former et à intégrer les représentants du service 30 à 50 % plus rapidement.
3. Manager Copilot : Cette fonctionnalité unique offre aux managers une visibilité en temps réel sur la performance de leur équipe. Level AI fournit des insights seconde par seconde sur les conversations, permettant aux managers d’intervenir, de détecter le sentiment et l’intention, et de soutenir les représentants en temps réel. Cela a amélioré la productivité des agents de 10 à 15 % et a augmenté la satisfaction des agents, ce qui est crucial pour réduire les coûts. Par exemple, si un client commence à injurier un représentant, le système le signale, et le manager peut soit reprendre l’appel, soit fournir des conseils à voix basse au représentant. Ce type d’intervention en temps réel serait impossible sans cette technologie.

Pouvez-vous élaborer sur la façon dont l’analyse de sentiment de Level AI fonctionne et comment elle aide les agents à répondre plus efficacement aux clients ?

Notre analyse de sentiment détecte sept émotions différentes, allant de la frustration extrême à l’euphorie, nous permettant de mesurer les degrés variables d’émotions qui contribuent à notre score de sentiment global. Cette analyse prend en compte à la fois les mots parlés et la tonalité de la conversation. Cependant, nous avons constaté à travers nos expériences que le mot parlé joue un rôle beaucoup plus important que le ton. Vous pouvez dire les choses les plus méchantes sur un ton plat ou des choses très gentilles sur un ton étrange.

Nous fournissons un score de sentiment sur une échelle de 1 à 10, avec 1 indiquant un sentiment très négatif et 10 indiquant un sentiment très positif. Nous analysons 100 % des conversations de nos clients, offrant une insight approfondie dans les interactions client.

La compréhension contextuelle est également cruciale. Par exemple, si un appel commence avec un sentiment très négatif mais se termine de manière positive, même si 80 % de l’appel était négatif, l’interaction globale est considérée comme positive. C’est parce que le client a commencé en étant mécontent, que le représentant a résolu le problème et que le client est parti satisfait. D’un autre côté, si l’appel commence de manière positive mais se termine de manière négative, c’est une histoire différente, même si 80 % de l’appel a pu être positif.

Cette analyse aide à la fois le représentant et le manager à identifier les domaines de formation, en se concentrant sur les actions qui correspondent à un sentiment positif, telles que saluer le client, reconnaître ses préoccupations et montrer de l’empathie – des éléments essentiels à des interactions réussies.

Comment Level AI aborde-t-il les préoccupations de confidentialité et de sécurité des données, en particulier compte tenu de la nature sensible des interactions client ?

Dès le premier jour, nous avons donné la priorité à la sécurité et à la confidentialité. Nous avons construit notre système avec une sécurité et une confidentialité d’entreprise comme principes fondamentaux. Nous n’externalisons aucune de nos capacités d’IA générative à des fournisseurs tiers. Tout est développé en interne, nous permettant de former des modèles d’IA spécifiques aux clients sans partager de données en dehors de notre environnement. Nous offrons également une personnalisation extensive, permettant aux clients d’avoir leurs propres modèles d’IA sans partage de données entre les différentes parties de notre pipeline de données.

Pour répondre à une préoccupation actuelle de l’industrie, nos données ne sont pas utilisées par des modèles externes pour la formation. Nous n’autorisons pas nos modèles à être influencés par des données générées par l’IA provenant d’autres sources. Cette approche évite les problèmes que certains modèles d’IA rencontrent, où la formation sur des données générées par l’IA les amène à perdre en précision. Chez Level AI, tout est de première partie, et nous ne partageons ni n’importons de données à l’extérieur.

Avec le récent financement de 39,4 millions de dollars en série C, quels sont vos plans pour étendre la plate-forme de Level AI et atteindre de nouveaux segments de clients ?

L’investissement de série C alimente nos initiatives de croissance et d’innovation stratégiques dans des domaines clés, notamment l’amélioration du développement de produits, les améliorations d’ingénierie et les efforts de recherche et de développement rigoureux. Nous visons à recruter des talents de haut niveau à tous les niveaux de l’organisation, nous permettant de continuer à être pionniers dans les technologies leaders de l’industrie qui dépassent les attentes des clients et répondent aux demandes dynamiques du marché.

Comment voyez-vous le rôle de l’IA dans la transformation du service client au cours de la prochaine décennie ?

Alors que l’attention générale se concentre souvent sur l’aspect d’automatisation – en prédisant un avenir où les bots gèrent tout le service client – notre point de vue est plus nuancé. L’étendue de l’automatisation varie selon le secteur d’activité. Par exemple, dans la banque ou la finance, l’automatisation pourrait être plus faible, tandis que dans d’autres secteurs, elle pourrait être plus élevée. En moyenne, nous croyons qu’il est difficile d’atteindre plus de 40 % d’automatisation dans tous les secteurs d’activité. C’est parce que les représentants du service font plus que répondre simplement aux questions – ils agissent comme dépanneurs, conseillers de vente et plus, des rôles qui ne peuvent pas être entièrement reproduits par l’IA.

Il y a également un potentiel important dans l’automatisation des flux de travail, sur laquelle Level AI se concentre. Cela inclut des tâches de back-office comme l’assurance qualité, le triage des tickets et la surveillance des écrans. Ici, l’automatisation peut dépasser 80 % à l’aide de l’IA générative. L’intelligence et les insights sont cruciaux. Nous sommes uniques dans l’utilisation de l’IA générative pour obtenir des insights à partir de données non structurées. Cette approche peut considérablement améliorer la qualité des insights, réduire le besoin de services professionnels de 90 % et accélérer le temps de valorisation de 90 %.

Un autre aspect important est de savoir si le visage de votre organisation doit être un bot ou une personne. Au-delà des fonctions de base qu’ils exécutent, une connexion humaine avec vos clients est cruciale. Notre approche est de supprimer les tâches excessives du workload d’une personne, lui permettant de se concentrer sur des interactions significatives.

Nous croyons que les humains sont les mieux adaptés pour la communication directe et devraient continuer à être dans ce rôle. Cependant, ils ne sont pas idéaux pour des tâches comme la prise de notes, la transcription des interactions ou l’enregistrement d’écran. En traitant ces tâches pour eux, nous libérons leur temps pour qu’ils puissent interagir avec les clients de manière plus efficace.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus devraient visiter Level AI.