Mike Clifton, Co-CEO di Alorica – Serie di Interviste

Mike Clifton è Co-CEO di Alorica, un leader globale nelle esperienze dei clienti (CX) potenziate digitalmente. In questo ruolo, Mike sovrintende alla strategia di trasformazione digitale dell’azienda, inclusi i prodotti di intelligenza artificiale (AI) vincitori di premi, per offrire un’esperienza dei clienti ottimale attraverso canali (voce, chat, web, ecc.) e settori per conto di marchi del Fortune 500. Con una forte esperienza e competenza in innovazione digitale, intelligenza artificiale e tecnologia aziendale, Mike ha un comprovato curriculum di crescita redditizia attraverso l’integrazione di soluzioni tecnologiche scalabili per soddisfare le esigenze del mercato in evoluzione.

Alorica è un leader globale nell’esperienza del cliente e nell’outsourcing dei processi aziendali, fornendo soluzioni tecnologiche abilitate e centrate sull’essere umano per settori come banche, assistenza sanitaria, retail e telecomunicazioni. Con oltre 100.000 dipendenti in più di 17 paesi, l’azienda gestisce miliardi di interazioni annuali in più di 75 lingue, offrendo servizi come centri di contatto, analisi, soluzioni di intelligenza artificiale, moderazione dei contenuti e operazioni back-office, tutti finalizzati a garantire risultati misurabili per i clienti.

L’industria sta andando verso l’incremento rispetto all’automazione: come riflette la strategia di Alorica questo modello ibrido?

La strategia di Alorica riflette il modello ibrido di incremento rispetto all’automazione concentrandosi sull’aumento delle prestazioni degli agenti umani con strumenti di intelligenza artificiale, piuttosto che sostituirli. Questo approccio garantisce che gli esseri umani rimangano al centro delle interazioni con i clienti, supportati da tecnologie avanzate per migliorare l’efficienza e l’efficacia.

Ad esempio, Alorica ha lanciato diverse soluzioni avanzate come evoAI, Knowledge IQ, Digital Trust & Safety Model e CX2GO®. Questi strumenti sono progettati per amplificare le prestazioni degli agenti umani fornendo interazioni in tempo reale e consapevoli del contesto che migliorano la gestione delle conoscenze e garantiscono la sicurezza e la fiducia digitale.

Integrando strumenti di intelligenza artificiale che offrono interazioni emotivamente intelligenti e consapevoli del contesto in più lingue con tempi di risposta inferiori a un secondo, Alorica consente agli agenti di fornire supporto personalizzato ed efficiente ai clienti. Questa risposta in tempo reale si traduce in risultati migliori per i clienti.

Nel complesso, la strategia di Alorica sottolinea l’importanza degli agenti umani mentre sfrutta l’intelligenza artificiale per aumentare le loro capacità, riflettendo lo spostamento dell’industria verso l’incremento rispetto all’automazione.

Potrebbe condividere esempi specifici in cui l’intelligenza artificiale ha amplificato le prestazioni degli agenti umani piuttosto che sostituirli?

Esistono molti esempi di amplificazione che abbiamo sfruttato nel fornire i nostri servizi. Uno è la capacità degli agenti di interagire con un motore di conoscenza che ascolta il discorso in tempo reale e lo traduce in un motore di risposta automatica che richiede assistenza; questo è uno strumento potente e preventivo che abbiamo utilizzato in molte soluzioni. Un altro esempio è l’uso di motori di intelligenza artificiale conversazionale per migliorare la nostra capacità di formare gli agenti sui scenari clienti più difficili. Eseguendo simulazioni di interazioni in tempo reale guidate dall’intelligenza artificiale, riduciamo lo stress e i modelli continuano a imparare, aggiornando gli agenti sul sentimento e sull’empatia man mano che acquisiscono più esperienza.

Come sta monitorando l’impatto delle prestazioni di questi strumenti di intelligenza artificiale, ad esempio nella risoluzione al primo contatto, nel tempo di gestione o nell’efficienza degli agenti?

La monitorazione degli strumenti di intelligenza artificiale nell’uso aumentato ricade direttamente sulle metriche assegnate all’agente come se non esistessero strumenti. La differenza sta nella capacità di gestire più chiamate a un livello di soddisfazione più alto e nella fiducia di prevedere migliori strategie di forza lavoro quando si dispone di dati solidi dai modelli.

Ha lanciato diverse soluzioni avanzate quest’anno, come evoAI, Knowledge IQ, Digital Trust & Safety Model e CX2GO®. Quale di esse vede come avente il maggior impatto immediato per gli agenti e perché?

Il nostro utilizzo interno di evoAI dà agli agenti la capacità di sfruttare le chiamate simulate per formarsi con un livello più alto di consapevolezza situazionale, fornendo il maggior impatto. Ciò è seguito da Knowledge IQ, che aumenta la capacità di un agente di trovare la risposta giusta. Questi due sono stati dei veri e propri cambiamenti per i nostri dipendenti, cambiando completamente come i nostri agenti possono affrontare le esigenze dei clienti in modo rapido e preciso.

Da una prospettiva di apprendimento automatico, come vengono addestrati i suoi modelli per mantenere l’accuratezza e l’adattabilità man mano che le esigenze dei clienti, la lingua e le condizioni di mercato evolvono?

Per mantenere l’accuratezza e l’adattabilità di fronte alle esigenze dei clienti, della lingua e delle condizioni di mercato in evoluzione, i nostri modelli di apprendimento automatico subiscono un addestramento e una raffinazione continui.

Ecco alcune strategie chiave che impieghiamo:

• Apprendimento Continuo: I nostri modelli sono progettati per imparare da nuovi dati in modo continuo. Ciò comporta l’aggiornamento regolare dei set di dati di addestramento con interazioni recenti, feedback e tendenze del mercato. Incorporando le informazioni più recenti, i nostri modelli possono adattarsi alle preferenze dei clienti e alle condizioni di mercato emergenti.
• Fonti di Dati Diverse: Utilizziamo una vasta gamma di fonti di dati per addestrare i nostri modelli, inclusi interazioni dei clienti, social media, rapporti di mercato e altro. Questa diversità garantisce che i nostri modelli siano esposti a vari scenari e sfumature linguistiche, migliorando la loro capacità di comprendere e rispondere in modo accurato.
• Cicli di Feedback: Implementiamo robusti cicli di feedback in cui le interazioni dei clienti e gli input degli agenti vengono utilizzati per perfezionare i modelli. Questo feedback in tempo reale aiuta a identificare e correggere le inesattezze in modo che i modelli rimangano rilevanti ed efficaci.
• Capacità Multilingue: I nostri modelli sono addestrati su set di dati multilingue per gestire interazioni in più lingue. Ciò è cruciale per fornire risposte accurate, localizzate e consapevoli del contesto a una base di clienti globali.
• Verifiche e Valutazioni Regolari: Condurre regolari verifiche e valutazioni dei nostri modelli per valutare le loro prestazioni. Ciò include testare i modelli contro set di dati di riferimento e scenari del mondo reale per garantire che soddisfino gli standard di accuratezza e adattabilità.
• Uomo nel Ciclo: Manteniamo un approccio “uomo nel ciclo” in cui gli agenti umani collaborano con l’intelligenza artificiale per gestire query complesse. Questo modello ibrido garantisce che la tecnologia impari dall’esperienza umana e migliori le sue prestazioni nel tempo.
• Sfruttamento di Modelli di Lingua Più Piccoli: L’addestramento di modelli più piccoli e verticalmente orientati (attraverso un approccio ibrido o ensemble) accanto a LLM commerciali disponibili consente efficienze nel calcolo, nella ricerca e nel tempo di risposta, riducendo i cicli di test per pregiudizi e equità.

Queste strategie consentono ai nostri modelli di apprendimento automatico di rimanere accurati, adattabili e in grado di fornire esperienze dei clienti di alta qualità in ambienti dinamici.

evoAI offre interazioni consapevoli del contesto e emotivamente intelligenti in oltre 120 lingue con tempi di risposta inferiori a un secondo. Come si traduce questa risposta in tempo reale nel supporto degli agenti e nei risultati dei clienti?

evoAI fornisce un miglior supporto agli agenti e migliori risultati per i clienti in diversi modi:

• Prestazioni: Le interazioni consapevoli del contesto aiutano a trovare e ordinare rapidamente grandi quantità di informazioni per le query degli agenti.
• Personalizzazione: Offre adattabilità multilingue, dando la libertà di selezionare le lingue di input e output in tempo reale per qualsiasi prompt. Ad esempio, un cliente che chiede in inglese una risposta in francese in modo che un genitore più anziano possa capire.
• Efficienza: Riduce i tempi di risposta e spesso elimina la necessità di una risposta umana.
• Intelligenza Emotiva: Consente agli agenti di regolare le opzioni per i chiamanti in base alla consapevolezza situazionale (tono, umore e scelta delle parole), consentendo una de-escalation più rapida.

Con l’intelligenza artificiale agente che guadagna terreno, come gestisce i rischi come allucinazioni, pregiudizi o perdita di controllo mentre assicura che gli agenti rimangano i decisori?

In Alorica, crediamo che l’architettura giusta dietro la tecnologia faccia tutta la differenza. Pertanto, gestire i rischi dell’intelligenza artificiale agente richiede un framework di governance multilivello che abbiamo incorporato in ogni livello delle nostre operazioni di intelligenza artificiale.

Ecco come affrontiamo ogni rischio critico:

• Mitigazione delle Allucinazioni: Impieghiamo un sistema di verifica a tre livelli per minimizzare le allucinazioni. In primo luogo, i nostri modelli utilizzano la generazione aumentata di recupero (RAG) che radica le risposte in basi di conoscenza verificate e fonti di dati in tempo reale, riducendo la probabilità di informazioni fabbricate dell’85%. In secondo luogo, implementiamo un punteggio di confidenza su tutte le suggerimenti generate dall’intelligenza artificiale, dove le risposte al di sotto di una soglia di confidenza dell’80% attivano una revisione umana automatica. In terzo luogo, i nostri modelli sono vincolati a operare all’interno di spazi di parametri specifici per ogni regola aziendale e dominio fattuale – l’intelligenza artificiale non può generare informazioni su prodotti, politiche o procedure che non siano esplicitamente documentate nei dati di addestramento.
• Rilevamento e Prevenzione dei Pregiudizi: La nostra strategia di gestione dei pregiudizi opera lungo l’intero ciclo di vita dell’intelligenza artificiale. Durante l’addestramento del modello, utilizziamo tecniche di debiasing avversarie e algoritmi di apprendimento consapevoli della parità per contrastare attivamente i pregiudizi storici nei dati di addestramento. Manteniamo metriche di parità demografica attraverso categorie protette e conduciamo audit mensili utilizzando strumenti come indicatori di equità e valutazioni dell’impatto disparato. I nostri modelli subiscono test con dati sintetici progettati per rivelare pregiudizi attraverso diversi gruppi demografici, lingue e contesti culturali. Quando viene rilevato un pregiudizio, impieghiamo un riaddestramento mirato su set di dati bilanciati e regoliamo i pesi del modello per garantire risultati equi. Importante, manteniamo rapporti di trasparenza che tracciano le metriche dei pregiudizi nel tempo, consentendo ai clienti di vedere esattamente come i nostri modelli si eseguono attraverso diverse popolazioni.
• Mantenimento del Controllo Umano: Gli agenti umani rimangono i decisori finali attraverso la nostra architettura “Intelligenza Artificiale come Consigliere”. Il sistema di intelligenza artificiale fornisce raccomandazioni con funzionalità di spiegabilità – gli agenti possono vedere perché l’intelligenza artificiale ha suggerito una particolare azione, quali fattori ha considerato e quali alternative esistono. Abbiamo implementato fermate rigide dove l’intelligenza artificiale non può eseguire azioni autonome: transazioni finanziarie, modifiche contrattuali, impegni legali o consigli sanitari richiedono sempre l’autorizzazione umana. I nostri protocolli di escalation instradano automaticamente scenari complessi o ad alto rischio a senior agenti o supervisori quando l’intelligenza artificiale rileva situazioni al di fuori dei suoi limiti di competenza.
• Monitoraggio Continuo e Interruttori di Sicurezza: Ogni interazione con l’intelligenza artificiale viene registrata e monitorata attraverso il nostro Osservatorio delle Prestazioni del Modello, che traccia deviazioni dai comportamenti previsti in tempo reale. Manteniamo capacità di rollback istantanee e “interruttori di sicurezza” a più livelli – componenti di modelli individuali, modelli interi o funzionalità di intelligenza artificiale dell’intero sistema possono essere disabilitati entro secondi se si rileva un comportamento anomalo. I nostri algoritmi di rilevamento della deriva confrontano continuamente le uscite del modello con le decisioni degli esperti umani, segnalando le divergenze per una revisione immediata.
• Convalida Umana nel Ciclo: Abbiamo progettato cicli di feedback in cui gli agenti valutano le suggerimenti dell’intelligenza artificiale dopo ogni interazione, creando un sistema di apprendimento continuo che si adatta all’esperienza umana. I nostri agenti migliori partecipano a sessioni di calibrazione settimanali in cui esaminano casi limite e aiutano a raffinare i confini decisionali dell’intelligenza artificiale. Ciò crea un modello di intelligenza collaborativa in cui il giudizio umano continua a plasmare e vincolare il comportamento dell’intelligenza artificiale.
• Tracciabilità e Audit Trail: Ogni decisione influenzata dall’intelligenza artificiale mantiene un audit trail completo che mostra la raccomandazione dell’intelligenza artificiale, il livello di confidenza, le fonti di dati utilizzate e la decisione finale dell’agente umano. Ciò garantisce la responsabilità e ci consente di migliorare continuamente i nostri modelli in base ai risultati. Gli audit regolari di terze parti convalidano le nostre pratiche di gestione dei rischi rispetto agli standard dell’industria e ai requisiti normativi.

Implementando queste salvaguardie complete, assicuriamo che i nostri sistemi di intelligenza artificiale agente aumentino le capacità umane mentre mantengono l’agenzia umana, gli standard etici e il controllo operativo.

Come si approccia alla riqualificazione dei modelli e all’apprendimento continuo per garantire che i sistemi di intelligenza artificiale rimangano allineati con i requisiti di conformità e le sfumature del sentimento dei clienti?

L’approccio di Alorica alla riqualificazione dei modelli e all’apprendimento continuo all’interno di Alorica IQ si basa su un robusto framework MLOps che bilancia la conformità normativa con l’ottimizzazione dell’esperienza del cliente.

Abbiamo implementato un’architettura di riqualificazione a più livelli che opera su diverse cadenze. I nostri modelli critici per la conformità subiscono rilevamento della deriva quotidiano e audit delle prestazioni settimanali, con trigger automatici per la riqualificazione immediata quando si verificano cambiamenti normativi. Per i modelli del sentimento dei clienti, sfruttiamo cicli di feedback in tempo reale che catturano le correzioni degli agenti e i punteggi di soddisfazione dei clienti, alimentandoli nel nostro pipeline di addestramento ogni 72 ore.

Il nostro livello di intelligenza sulla conformità agisce come un sistema di protezione, validando automaticamente le uscite del modello rispetto a framework normativi specifici per ogni geografia – dal GDPR in Europa al CCPA in California. Questo livello viene aggiornato continuamente attraverso la nostra partnership con fornitori di tecnologia legale e feed normativi, assicurando che i nostri sistemi di intelligenza artificiale rimangano conformi senza intervento manuale.

Per le sfumature del sentimento, abbiamo sviluppato ciò che chiamiamo “inserimenti di contesto culturale” all’interno di Alorica IQ, l’incubatore di innovazione dell’azienda. Questi sono modelli regionali regolati che comprendono non solo la lingua ma anche i pattern di comunicazione culturale. Ad esempio, i nostri modelli riconoscono che i livelli di directness variano significativamente tra le interazioni dei clienti tedeschi e giapponesi, e regolano di conseguenza la valutazione del sentimento.

Manteniamo registri di modelli versionati con capacità di rollback completa, consentendoci di revertire istantaneamente a versioni precedenti se il nuovo addestramento introduce comportamenti inattesi. Il nostro framework di test A/B esegue continuamente il confronto tra nuove versioni dei modelli e baseline di produzione attraverso migliaia di interazioni prima della distribuzione completa.

Soprattutto, abbiamo stabilito un Protocollo di Integrazione del Feedback Umano in cui i nostri agenti migliori regolarmente esaminano casi limite e forniscono feedback correttivo, creando un ciclo virtuoso in cui l’esperienza umana continua a migliorare le nostre capacità di intelligenza artificiale. Questo approccio ha ridotto le violazioni della conformità del 94% mentre ha migliorato l’accuratezza della rilevazione del sentimento al 92% in tutte le lingue supportate.

Con l’espansione internazionale rapida, specialmente in mercati come l’India, l’Egitto e l’EMEA, come adatta il suo approccio AI-umano alle esigenze linguistiche e culturali diverse?

Crediamo che la localizzazione non sia solo questione di parlare la lingua, ma anche di riflettere la cultura.

Le nostre piattaforme di intelligenza artificiale come evoAI e ReVoLT sono regolate per catturare il tono, le sfumature e il contesto in centinaia di lingue e dialetti, in modo che le interazioni sembrino familiari e autentiche. Ma non ci fermiamo alla tecnologia. Assumiamo talenti all’interno di ogni regione, formiamo team in base alle aspettative culturali e adattiamo il design del servizio per riflettere le norme locali. Questo modello ibrido garantisce che ogni interazione sembri essere stata costruita per quel mercato.

In India, dove supportiamo 75 lingue ufficiali più numerosi dialetti, abbiamo distribuito la nostra Architettura a Maglia Linguistica che non si limita a tradurre, ma mantiene il contesto attraverso scenari di code-switching – dove i clienti naturalmente mescolano hindi, inglese e lingue regionali nella stessa conversazione. I nostri modelli sono addestrati su pattern di conversazione reali da città di secondo e terzo livello, non solo aree metropolitane, assicurandoci di catturare l’intero spettro degli stili di comunicazione.

Per le nostre operazioni in Egitto che servono la più ampia regione MENA, abbiamo sviluppato modelli specifici dei dialetti arabi che distinguono tra arabo egiziano, arabo del Golfo e arabo levantino, con gestione specializzata per registri formali (Fusha) versus colloquiali (Ammiya). La nostra intelligenza artificiale comprende quando un cliente passa dall’arabo formale a quello informale come un segnale emotivo, attivando la formazione degli agenti in tempo reale.

Nel mercato EMEA, abbiamo implementato ciò che chiamiamo “Progettazione dell’Intelligenza Artificiale con Priorità alla Conformità”. Ogni deploy per paese include moduli di conformità preconfigurati – dalle rigorose richieste di localizzazione dei dati in Germania alle leggi di protezione linguistica in Francia che richiedono interfacce in francese come prima lingua. I nostri modelli sono addestrati non solo sulla lingua ma anche sull’etichetta commerciale locale; ad esempio, il nostro deploy in Germania enfatizza la precisione e la documentazione dettagliata, mentre il nostro modello italiano consente una maggiore flessibilità conversazionale.

La spina dorsale tecnica è il nostro Framework di Apprendimento Federato all’interno di Alorica IQ, dove i modelli locali imparano dai dati regionali senza che questi dati lascino il paese, garantendo la sovranità dei dati mentre si beneficia ancora dei miglioramenti dei modelli globali. Manteniamo cluster di GPU regionali per assicurare una latenza inferiore a 100 ms per l’assistenza degli agenti in tempo reale.

Il nostro Team di Intelligenza Culturale, composto da esperti linguistici e scienziati del comportamento di ogni regione, convalida continuamente le uscite della nostra intelligenza artificiale. Hanno aiutato a identificare oltre 3.000 scenari specifici della cultura che richiedono un trattamento speciale – dalle osservanze religiose che influenzano la disponibilità del servizio ai preferenze di pagamento locali che influenzano i flussi di conversazione.

Questo approccio ha prodotto risultati impressionanti: le nostre operazioni in India mostrano punteggi di soddisfazione del cliente del 40% più alti quando si utilizza l’intelligenza artificiale adattata culturalmente rispetto ai modelli generici, e i nostri deploy in EMEA hanno raggiunto tassi di risoluzione al primo contatto del 98% per le query specifiche della lingua.

Come la capacità di evoAI di riconoscere e adattarsi ai dialetti regionali e ai segnali emotivi aiuta a guidare l’adozione in nuovi mercati?

L’adozione si accelera quando le persone sentono che la tecnologia “le capisce”. evoAI va oltre la traduzione parola per parola comprendendo slang, accento e anche il tono emotivo in tempo reale.

Le capacità di riconoscimento del dialetto e dell’emozione di evoAI sono diventate il nostro principale differenziale competitivo nella penetrazione del mercato, affrontando direttamente il divario di fiducia che spesso inibisce l’adozione dell’intelligenza artificiale nei mercati emergenti.

Da un punto di vista tecnico, evoAI impiega il nostro modello di Fusione Acustico-Linguistica, che elabora simultaneamente pattern fonetici, caratteristiche prosodiche e contenuto semantico. Questo approccio tri-modale consente di rilevare stati emotivi sottili espressi in modo diverso attraverso le culture. Ad esempio, nei mercati giapponesi, potremmo rilevare “honne” versus “tatemae” (veri sentimenti versus facciata pubblica) attraverso micro-varianti di pitch e ritmo di parlato, mentre nei mercati del Medio Oriente, riconosceremmo le dinamiche di onore e vergogna attraverso costruzioni di frasi specifiche e pattern di enfasi.

Il riconoscimento del dialetto va oltre la semplice rilevazione dell’accento. evoAI mantiene mappe dialettali dinamiche che comprendono indicatori socioeconomici incorporati nei pattern di parlato. In India, ad esempio, il sistema riconosce non solo se qualcuno parla tamil o telugu, ma può identificare anche il background educativo e se la persona è di origine urbana o rurale, consentendo agli agenti di calibrare lo stile di comunicazione di conseguenza. Questa comprensione granulare ha dimostrato di aumentare i punteggi di fiducia dei clienti del 67% nei programmi pilota.

Lo strato di intelligenza emotiva utilizza la nostra tecnologia del Grafo di Emozione Contestuale, che mappa le traiettorie emotive lungo le conversazioni piuttosto che solo il sentimento in un momento specifico. Ciò consente a evoAI di prevedere l’escalation emotiva 30 secondi prima che si verifichi con un’accuratezza dell’89%, dando agli agenti il tempo cruciale per intervenire con tecniche di de-escalation specifiche per le preferenze di risoluzione dei conflitti di quella cultura.

Per l’adozione in nuovi mercati, il nostro laboratorio di azione ha una strategia di “Localizzazione Progressiva” attraverso Alorica IQ. Iniziamo con un modello base addestrato sul contenuto dei media, social media e discorso pubblico del mercato di destinazione. Entro i primi 30 giorni di deploy, evoAI si adatterà ai pattern dei clienti locali attraverso il nostro Pipeline di Apprendimento Attivo, che priorizzerà l’apprendimento dalle conversazioni con la varianza emotiva più alta. Entro il giorno 90, i nostri modelli dovrebbero raggiungere il 95% di accuratezza nel riconoscimento del dialetto e l’88% nella rilevazione dello stato emotivo.

L’impatto commerciale sarebbe sostanziale. I nostri studi mostrano che un deploy in Egitto, con la capacità di evoAI di riconoscere e rispondere ai dialetti del Cairo e di Alessandria, combinata con pattern di cortesia culturale appropriati, ridurrebbe il tipico timeline di penetrazione del mercato di 6 mesi a sole 8 settimane. I costi di acquisizione dei clienti potrebbero diminuire fino al 45% man mano che le raccomandazioni di parola aumentano a causa delle interazioni naturali e consapevoli culturalmente.

Le capacità di adattamento emotivo di evoAI potrebbero aprire intere nuove categorie di servizio. Ad esempio, abbiamo ipotizzato che un servizio di supporto alla salute mentale alimentato da evoAI potrebbe aiutare a riconoscere precoci indicatori di depressione e ansia in base ai pattern di espressione naturale, consentendo un intervento tempestivo e un’escalation al nostro team di benessere e salute – assicurando che il benessere degli agenti sia sempre una priorità.

Questo vantaggio tecnologico si traduce direttamente nell’adozione del mercato: le regioni che utilizzano le capacità complete di dialetto e emozione di evoAI mostrano tassi di adozione 3,2 volte più veloci rispetto ai deploy standard di intelligenza artificiale, con i punteggi di soddisfazione degli agenti che migliorano del 78% man mano che si sentono più sicuri nel gestire interazioni culturalmente complesse.

Guardando oltre il 2025, cosa vede come il prossimo frontier per l’intelligenza artificiale umano-centrica nella customer experience?

Il prossimo frontier è la convergenza dell’intelligenza artificiale conversazionale, dell’intelligenza artificiale agente e delle reti neurali per orchestrare un livello di risultati precedentemente non contemplati. Ciò ridisegnerà il modo in cui facciamo affari. L’orchestrazione non è più umano-macchina; è macchina-macchina o macchina-migliaia di macchine simultaneamente.

Immagina di pianificare un viaggio d’affari: visitare un sito web per selezionare un’azienda aerea, poi prenotare un hotel, organizzare il trasporto, pianificare la cena e pianificare il ritorno. Questo è un semplice esempio di come si possa richiedere una volta e lasciare che bot integrati – alimentati da una rete neurale – elaborino tutte le opzioni disponibili e costruiscano una risposta a scelta multipla per te. In questo modello, l’orchestrazione è neurale, l’intelligenza artificiale agente alimenta i bot e la conversazione è la risposta.

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