Alex Levin, Co-Fondatore e Amministratore Delegato di Regal – Serie di Interviste

Alex Levin è il Co-Fondatore e Amministratore Delegato di Regal, una piattaforma di intelligenza artificiale vocale che aiuta le imprese a generare entrate attraverso conversazioni con i clienti alimentate da AI e conformi alle norme. Prima di fondare Regal nel 2020, ha guidato team di crescita e prodotto in Handy, Thomson Reuters (TRI ) e altre startup. Laureato a Harvard e membro del Forbes Technology Council, Alex si concentra sulla costruzione di infrastrutture vocali scalabili che combinano innovazione con garanzie di livello aziendale.

Regal fornisce agenti vocali AI per vendite, supporto, pianificazione e raccolta – progettati per suonare naturali, integrarsi con i sistemi CRM e gestire milioni di conversazioni su larga scala. La piattaforma presenta un costruttore senza codice, analisi in tempo reale, test A/B e conformità integrata per settori regolamentati come sanità, assicurazioni e servizi finanziari.

Cosa ti ha ispirato a passare da ruoli di leadership in Angi e Handy alla fondazione di Regal, e c’è stato un momento specifico in cui tu e il tuo co-fondatore avete capito che l’esperienza del contact center doveva essere completamente ricostruita?

Mentre ero in Angi/Handy, abbiamo visto il potere della voce per costruire fiducia con i clienti. I clienti ci hanno detto che quando avevano un problema importante, volevano chiamare, e i clienti che servivamo al telefono avevano un valore di vita più alto e quando li chiamavamo, rispondevano a un tasso molto più alto rispetto a qualsiasi altro canale. Tuttavia, i fornitori di software per i contact center si concentravano sulla “deviazione” e sull'”automazione” più che su ciò che era giusto per i clienti. Il risultato è stato un gioco infinito di nascondere il numero di telefono che puniva inutilmente i clienti.

Il mio co-fondatore e io abbiamo lasciato perché credevamo fortemente che potevamo rendere la voce il canale più efficace riducendo i costi e rendendolo più facile da gestire. Vorrei aver avuto Regal mentre gestivo un grande contact center.

Hai lanciato Regal nel 2020, proprio prima del boom dell’intelligenza artificiale generativa. Come hai valutato se l’AI vocale era tecnicamente fattibile – e cosa ti ha dato la convinzione di agire per primo?

Eravamo convinti già da molto tempo prima del 2020 che la voce fosse il canale più importante. E nel 2020 sapevamo che potevamo costruire strumenti di orchestrazione, test A/B e personalizzazione che avrebbero ridotto i costi e semplificato la gestione della voce come canale – sia che si trattasse di un agente umano, di un vecchio bot vocale o di qualcosa di meglio. Quindi, all’inizio abbiamo venduto strumenti per i contact center per gestire meglio gli agenti umani. Quel prodotto è cresciuto molto rapidamente.

Ma, come hai detto, fondare una società è un atto di fede, e ci è voluto del tempo per capire realmente come potevamo andare oltre i limiti degli agenti umani. Non è stato fino al lancio di ChatGPT alla fine del 2022 che abbiamo visto un “AI” abbastanza buono da sostenere una conversazione. E non è stato fino alla fine del 2023 che siamo stati in grado di creare una demo per un agente vocale che pensavamo un cliente avrebbe voluto utilizzare.

Quali sono stati alcuni dei più difficili sfidi tecnici nell’addestrare agenti vocali che potessero eguagliare o superare le prestazioni umane nelle conversazioni naturali?

Ci sono così tanti meravigliosi sfidi tecnici su cui lavorare. Dall’assicurarsi che la latenza sia intorno ai 500ms, al capire come fare in modo che gli agenti AI abbiano tutto il contesto delle basi di conoscenza aziendali e dei dati dei clienti in tempo reale, al far sì che gli agenti AI possano agire durante le chiamate e dopo, ai guardiani o alle funzioni di sicurezza, e al far sì che l’interazione con l’agente sembri umana con turni di conversazione e i giusti segnali verbali.

Uno dei miei progetti preferiti su cui il nostro team sta lavorando oggi è come migliorare le valutazioni automatiche in modo che un agente AI possa essere testato più facilmente prima di essere messo in produzione. Ciò taglierebbe fuori centinaia di ore di controllo di qualità manuale che sta avvenendo costantemente oggi per ogni modifica a ogni agente AI.

Dobbiamo prima creare centinaia di conversazioni simulate con clienti variate (utilizzando AI), far sì che l’agente AI le esegua, poi far sì che l’agente AI supervisore le valuti e ritorni suggerimenti di miglioramento all’agente AI o alle politiche e alla base di conoscenza dell’azienda. Abbiamo un prodotto di valutazione funzionante, il feedback dei clienti è stato grande, e sta migliorando a un ritmo incredibile.

Questo è critico per la nuova metrica del numero di manager per agente AI. Presto, pochi manager saranno in grado di gestire centinaia di diversi agenti AI.

Come Regal sfrutta l’apprendimento automatico per personalizzare le conversazioni in tempo reale? È basato sulla storia del cliente, sul riconoscimento dell’intento, sulla rilevazione del tono – o su una combinazione di questi?

Abbiamo investito profondamente nella personalizzazione rispetto al resto del mercato perché crediamo nell’aiutare i marchi a testare milioni di clienti come se fossero uno su un milione. Non solo ricreiamo il trattamento generico degli agenti umani che viene utilizzato oggi.

Abbiamo iniziato costruendo un profilo del cliente unificato che collega ogni pezzo di dati CRM, eventi e storia delle conversazioni. Costruendo un agente, le aziende possono quindi dare all’agente AI l’accesso a tutte le informazioni su un cliente o solo ai punti di dati specifici necessari per una particolare conversazione. Il modello di linguaggio grande fornisce una risposta conversazionale umana simile utilizzando i dati a disposizione.

I modelli di linguaggio grandi sono ancora limitati in ciò che fanno bene, quindi abbiamo bisogno della capacità di sfruttare altri strumenti come servizi di dati di terze parti, applicazioni personalizzate e apprendimento automatico. Quindi, abbiamo costruito “Azioni personalizzate” che possono essere utilizzate in un prompt di agente AI per sfruttare altri servizi. Ad esempio, molti marchi hanno modelli di propensione per indicare quale prodotto suggerire al cliente successivo e possiamo collegarci a quelli in base alla conversazione.

Come il tuo sistema utilizza la generazione aumentata di recupero (RAG) senza sacrificare la risposta o il ritmo naturale che i clienti si aspettano da una chiamata live?

RAG è un’area di differenziazione per noi, poiché doveva essere più veloce per gli agenti AI vocali rispetto ai canali digitali. Alcuni secondi di silenzio avrebbero completamente rovinato la chiamata.

Abbiamo ridotto la latenza del recupero e assicurato che, se il recupero richiedeva più tempo, l’agente AI potesse continuare a parlare con il cliente per farlo sapere che ci sarebbe voluto più tempo.

Gli agenti di Regal sono modellati su voci umane reali, comprese quelle di veri investitori. Cosa richiede – tecnicamente ed eticamente – costruire repliche ad alta fedeltà?

È sorprendentemente facile, dal punto di vista tecnico, “clonare” una voce in modo che un agente AI possa suonare come un attore vocale professionista o un amico. 5-10 minuti di audio di alta qualità sono tutto ciò che serve.

Ad esempio, recentemente mi è stato chiesto come fare ciò per un familiare morente in modo che la generazione più giovane potesse sperimentarlo quando sarà più grande. Quindi, con un po’ di guida, stanno per registrare il nonno morente adesso.

Per quanto riguarda il tuo secondo punto, il nonno acconsente a ciò, e gli attori vocali professionisti o i nostri investitori acconsentono a ciò. I cattivi attori che consentono la clonazione vocale senza consenso (come è successo durante le ultime elezioni presidenziali) dovrebbero essere chiusi.

Un consiglio – se si consente a una clonazione vocale (o si è una figura pubblica che potrebbe essere clonata da cattivi attori), assicurarsi di creare una parola di sicurezza che solo la famiglia conosce in modo che possano identificare il vero te in una chiamata.

Metti in evidenza l’importanza dell’integrazione di Regal con i CRM, i sistemi di pagamento e le API interne. Quali sono stati alcuni dei più difficili sfidi di integrazione che hai dovuto risolvere?

Integrare con prodotti importanti come CRM come Salesforce (CRM ) o software per i contact center come NICE è direttamente lineare. La richiesta più difficile è assicurarsi che il marchio renda disponibili le API per noi per qualsiasi azione che l’agente AI potrebbe dover eseguire. Un agente umano potrebbe fare clic su un pulsante per prenotare una camera d’albergo. Ma l’agente AI ha realmente bisogno di un’API di prenotazione.

Come ti avvicini alla misurazione e al miglioramento delle prestazioni del modello nel tempo? Qual è il ruolo dell’addestramento fine o dell’apprendimento per rinforzo in questo processo?

Abbiamo costruito una suite di test A/B fin dall’inizio, quindi è banale per i clienti testare gli agenti AI rispetto agli agenti umani o l’agente con la versione 1 del modello di linguaggio grande rispetto alla versione 2. Ciò ci dà un modo chiaro per vedere variazioni nei risultati per diversi modelli.

Tuttavia, non utilizziamo l’apprendimento per rinforzo oggi, poiché rende i team legali a disagio (non vogliono una situazione in cui ci sia un cambiamento nel profumo che è inintenzionale). Penso che siamo a 13 mesi da quando i team legali permetteranno l’apprendimento per rinforzo nel nostro caso d’uso. Invece, oggi ci concentriamo sui suggerimenti di modifiche che un manager umano può accettare. Questi potrebbero essere un prompt, una base di conoscenza, un addestramento fine del modello di linguaggio grande, ecc.

Parlare con un VC – o con una clonazione vocale di uno – è un concetto audace. Qual era la tua intenzione nel rendere disponibili questi consulenti AI ai fondatori, e come vengono utilizzati oggi?

Siamo stati fortunati ad avere accesso a investitori meravigliosi e volevamo restituire con questo progetto. Mi piace parlare con Satya AI in qualsiasi momento, e ho sentito un grande feedback da dirigenti che hanno utilizzato gli AI VC per tutto, dalle linee guida su come creare una roadmap di prodotto a quale modello di prezzo utilizzare.

Amiamo mostrare invece di dire e questo progetto mette realmente in evidenza il potere delle nostre capacità di conoscenza e RAG. Abbiamo anche avuto due genitori di nostri investitori che ci hanno dato il pollice in su!

Ma una parola di saggezza – non si può delegare la presa di decisioni ai consulenti e una delle parti più difficili dell’essere un dirigente è decidere tra due opzioni negative o anche due opzioni apparentemente buone.

Questi agenti di investitori si basano su conoscenze di startup generalizzate o sono addestrati su consigli e filosofie specifiche dell’azienda legati al singolo VC?

Tutti gli agenti AI hanno una certa conoscenza generica dall’addestramento del modello di linguaggio grande. Ma per ottenere i risultati di cui avevamo bisogno, abbiamo caricato gli scritti prolifici degli investitori nelle rispettive basi di conoscenza degli agenti AI.

Oltre a ciò e alla clonazione vocale, credo che siamo stati in grado di catturare un po’ delle personalità uniche degli investitori o della loro essenza, come la positività di Jake Saper o l’ebollizione di Alexa Von Tobel.

Guardando avanti, come vedi l’evoluzione dell’AI di Regal – vedremo più presa di decisioni autonome, più intelligenza emotiva o addirittura supporto multimodale?

La parte più emozionante dell’ultimo anno è stata vedere i nostri agenti AI eseguire meglio degli agenti umani. Credo che nel prossimo anno, i miglioramenti nei modelli di AI sottostanti e i progressi nell’applicazione di Regal porteranno a agenti AI che sono indistinguibili dagli umani, e più importante, che superano di gran lunga le capacità degli agenti umani. Le aziende che si affidano agli agenti AI ridurranno i costi e miglioreranno l’esperienza del cliente più velocemente di quanto chiunque avesse anticipato.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Regal.