Rana Gujral, Amministratore Delegato di Behavioral Signals – Serie di Interviste

Rana Gujral è l’amministratore delegato di Behavioral Signals, un’azienda che colma il divario di comunicazione tra esseri umani e macchine introducendo l’intelligenza emotiva, dal discorso, nelle conversazioni con l’AI.

Behavioral Signals è una startup relativamente giovane, fondata nel 2016. Potresti condividere la storia della sua genesi?

Guidati da una passione per portare le tecnologie rivoluzionarie brevettate di speech-to-emotion e speech-to-behaviors sul mercato, il CTO Alex Potamianos e il Chief Scientist Shri Narayanan hanno fondato Behavioral Signals nel 2016. Shri è professore di Ingegneria alla University of Southern California (USC). Ha fondato e attualmente dirige il Signal Analysis and Interpretation Laboratory (SAIL) alla USC. Alex è un innovatore molto considerato nel campo del discorso e dell’elaborazione del linguaggio naturale, dei sistemi di risposta vocale interattiva e dell’informatica comportamentale. Ha oltre 20 anni di esperienza di leadership sia nel lato aziendale che in quello imprenditoriale, mentre il suo background include il lavoro presso AT&T Labs-Research, Bell Labs e Lucent Technologies.

Con l’obiettivo di migliorare e cambiare per sempre il mondo degli affari, crediamo che la tecnologia sia al centro di ciò che può essere realizzato. Gli algoritmi di Behavioral Signals analizzano le emozioni e i comportamenti umani, trasformano i dati in informazioni utilizzabili e portano a prendere decisioni aziendali migliori e a aumentare i profitti. Fino a ora, l’emozione umana è stata considerata impossibile da quantificare e impossibile da misurare. Con il nostro motore di analisi brevettato, misuriamo e interpretiamo la parte “come” delle interazioni umane.

Behavioral Signals si basa su un tipo di apprendimento automatico affective computing (noto anche come Emotion AI). Potresti spiegare cosa è?

L’intelligenza artificiale emotiva, anche chiamata Emotion AI o affective computing, viene utilizzata per sviluppare macchine in grado di leggere, interpretare, rispondere e imitare l’effetto umano – il modo in cui noi, come esseri umani, sperimentiamo e esprimiamo emozioni. Cosa significa questo per i consumatori? Significa che i tuoi dispositivi, come il tuo smartphone o gli altoparlanti intelligenti, saranno in grado di offrirti interazioni che si sentono più naturali che mai, semplicemente leggendo i segnali emotivi nella tua voce.

Man mano che la nostra dipendenza dall’AI cresce, cresce anche la necessità di un’AI emotivamente intelligente. È una cosa chiedere al tuo assistente virtuale di leggerti i punteggi di oggi, ma è un’altra cosa affidare i tuoi genitori anziani alle cure di un bot guidato dall’AI. Attualmente, l’AI può fare cose incredibili, come diagnosticare condizioni mediche e delineare trattamenti, ma ha ancora bisogno di intelligenza emotiva per comunicare con i pazienti in modo più umano.

Quali altri tipi di tecnologie di apprendimento automatico vengono utilizzate?

Quando si tratta di apprendimento automatico, utilizziamo principalmente l’apprendimento profondo e l’NLP nei nostri modelli di analisi di Behavioral Signals. Per spiegare meglio, abbiamo fatto da pionieri in un campo, il Behavioral Signal Processing, basato su oltre un decennio di ricerche premiate e brevettate, per rilevare automaticamente le informazioni codificate nella voce umana dall’audio e misurare la qualità dell’interazione umana. È una disciplina emergente che collega l’ingegneria con le scienze comportamentali e mira a quantificare e interpretare l’interazione e la comunicazione umana attraverso l’uso di innovazioni ingegneristiche e informatiche. L’apprendimento profondo è lo strumento che aiuta a creare modelli predittivi migliori.

Qual tipo di dati raccogliete dal tono di voce?

La nostra tecnologia AI di apprendimento profondo analizza cosa e come qualcosa viene detto, su entrambi i lati di una conversazione, misurando emozioni e comportamenti. La gamma di emozioni è abbastanza diversificata, ma ciò che realmente conta è l’intelligenza aggregata di questa analisi. Per darti un esempio, considera una conversazione tra un dipendente di una banca e un cliente; possiamo catturare e misurare la cortesia, la compostezza (calma vs agitata), l’empatia verso il cliente, le reazioni del cliente e lo stile di parlare generale come lento, veloce, impegnato o disimpegnato, al fine di calcolare il punteggio di qualità della conversazione, l’efficacia del risultato e le prestazioni del dipendente.

Qual tipo di analisi dei dati viene eseguita per prevedere l’intento?

La previsione dell’intento è molto simile a quanto già menzionato. Utilizziamo i segnali comportamentali nella voce per prevedere l’intento di un cliente di acquistare un prodotto, rinnovare un abbonamento o se un debitore pagherà il suo debito. La previsione dell’intento può aiutare le aziende ad aumentare le loro vendite e i rapporti di raccolta, ridurre i costi e migliorare in definitiva la soddisfazione del cliente.

Behavioral Signals è stata una 6-volte vincitrice dell’INTERSPEECH per la qualità delle interazioni umane e la paralinguistica computazionale. Cosa è questa sfida e quanto è significativo questo risultato?

Interspeech è la più grande conferenza tecnica al mondo focalizzata sull’elaborazione del discorso e le sue applicazioni. Vanta la più grande presenza in questo dominio e un numero significativo di saggi di ricerca. La conferenza enfatizza approcci interdisciplinari che affrontano tutti gli aspetti della scienza e della tecnologia del discorso, che vanno dalle teorie di base alle applicazioni avanzate. Le sue sfide sono considerate il Premio Turing per il riconoscimento del discorso e l’elaborazione del linguaggio naturale. Vincere è un importante riconoscimento del nostro lavoro scientifico e della nostra unica capacità di rilevare segnali dai dati audio associati a comportamenti e tratti che guidano la presa di decisioni umana.

Quanto velocemente può Behavioral Signals adattarsi a diversi linguaggi e quale dimensione del set di dati è necessaria?

La nostra tecnologia è agnostica rispetto al linguaggio. Ascoltiamo come qualcosa viene detto piuttosto che cosa viene effettivamente detto. Ascoltiamo le emozioni espresse, che sono abbastanza universali in tutti i linguaggi. Naturalmente, ogni linguaggio ha i suoi tratti unici che potrebbero richiedere un adattamento dei nostri algoritmi, ma la differenza nei nostri modelli di analisi predittiva è generalmente piccola.

Puoi discutere dell’ultima soluzione di Behavioral Signals, la Conversazione Mediated dall’AI?

La Conversazione Mediated dall’AI (AI-MC) è una soluzione di routing automatico delle chiamate che utilizza l’AI emotiva e i dati vocali per abbinare il cliente al dipendente più adatto per gestire una specifica chiamata. Se torniamo all’esempio menzionato sopra, del dipendente di banca e del cliente, la nostra tecnologia può guidare la dinamica della conversazione con l’obiettivo finale di migliorare il risultato, che sia una migliore esperienza del cliente, un aumento della raccolta o una risoluzione più rapida. Qualunque sia l’obiettivo, c’è sempre un catalizzatore che permetterebbe a entrambe le parti di raggiungere il risultato desiderato. Quel fattore contributivo è generalmente un semplice e naturale processo umano: l’affinità o il rapporto sviluppato tra le persone. A prescindere dal tipo di comunicazione aziendale (chiamata di vendita, supporto, raccolta), sarà sempre un’interazione tra esseri umani reali, dove raramente l’affinità è identica tra due coppie di persone. Abbiamo comportamenti e tratti specifici che ci aiutano a stare meglio con alcune persone rispetto ad altre. Questo abbinamento si basa sui dati del profilo e sui nostri algoritmi superiori sviluppati da anni di ricerca e esperienza nell’NLP e nel Behavioral Signal Processing.

Abbiamo recentemente implementato la soluzione AI-MC di Behavioral Signals per aumentare l’efficacia e l’efficienza del call center di una banca dell’UE. Il caso di studio è stato riconosciuto da Gartner e incluso nel suo rapporto sull’adozione dell’Emotion AI. La soluzione ha dimostrato un significativo ROI con un aumento del 20% delle domande di ristrutturazione del debito attivo. Inoltre, questo miglioramento è stato raggiunto con il 7,6% di chiamate in meno, portando a ulteriori riduzioni dei costi. In numeri assoluti, questi risultati corrispondevano a un vantaggio di 300 milioni di dollari per la banca.

C’è qualcos’altro che vorresti condividere su Behavioral Signals?

Mentre ci prendiamo molto orgoglio per i nostri risultati di ricerca, siamo altrettanto grati per i riconoscimenti dell’industria. Nell’autunno del 2019, la nostra tecnologia è stata elencata come caso di studio leader nella ricerca Maverick di Gartner che profila le tecnologie all’avanguardia. All’inizio di quest’anno, siamo stati inclusi nel ciclo di iper-attività di Gartner, dove la nostra tecnologia è stata valutata come ‘trasformativa’. Lo scorso mese, siamo stati elencati come Gartner Cool Vendor 2020.

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