Alex Levin, mede-oprichter en CEO van Regal – Interview Serie

Alex Levin is de mede-oprichter en CEO van Regal, een voice AI-platform dat bedrijven helpt om omzet te genereren door middel van compliant, AI-gepowered klantconversaties. Voordat hij Regal in 2020 oprichtte, leidde hij groeien productteams bij Handy, Thomson Reuters (TRI ) en andere startups. Als afgestudeerde van Harvard en lid van de Forbes Technology Council, richt Alex zich op het bouwen van schaalbare, voice-first infrastructuur die innovatie combineert met ondernemingsgrade beveiliging.

Regal biedt AI-voice agents voor verkoop, ondersteuning, planning en incassering – ontworpen om natuurlijk te klinken, te integreren met CRM-systemen en miljoenen conversaties op schaal af te handelen. Het platform heeft een no-code builder, real-time analytics, A/B-testing en ingebouwde compliance voor gereguleerde industrieën zoals gezondheidszorg, verzekeringen en financiële dienstverlening.

Wat inspireerde u om van leiderschapsrollen bij Angi en Handy over te stappen naar het oprichten van Regal, en was er een specifiek moment waarop u en uw mede-oprichter realiseerden dat de contact center-ervaring volledig opnieuw moest worden opgebouwd?

Tijdens ons verblijf bij Angi/Handy zagen we de kracht van voice voor het opbouwen van vertrouwen met klanten. Klanten vertelden ons dat wanneer ze een belangrijk probleem hadden, ze wilden bellen, en klanten die we via de telefoon bedienden, hadden een hogere levensduur en beantwoordden vaker dan via andere kanalen. Toch waren contact center softwareleveranciers gefocust op “afleiding” en “automatisering” in plaats van wat goed was voor de klanten. Het resultaat was een eindeloos spel van het verbergen van het telefoonnummer dat klanten onnodig straft.

Mijn mede-oprichter en ik verlieten het bedrijf omdat we sterk geloofden dat we voice konden maken tot het meest effectieve kanaal door de kosten te verlagen en het gemakkelijker te maken om te opereren. Ik wou dat ik Regal had gehad toen ik een groot contactcenter leidde.

U lanceerde Regal in 2020, net voor de generatieve AI-boom. Hoe beoordeelde u of voice AI technisch haalbaar was – en wat gaf u de overtuiging om vroeg te handelen?

We waren ervan overtuigd dat voice het belangrijkste kanaal was, lang voordat 2020. En in 2020 wisten we dat we orkestratie, A/B-testing en personalisatietools konden bouwen die de kosten zouden verlagen en het beheer van voice als kanaal zouden vereenvoudigen – of het nu een mens, een ouderwetse voicebot of iets beters was. Dus verkochten we aanvankelijk tools voor contactcenters om menselijke agenten beter te beheren. Dat product groeide heel snel.

Maar zoals u opmerkte, is het starten van een bedrijf een sprong in het diepe, en het duurde even voordat we echt zagen hoe we voorbij de beperkingen van menselijke agenten konden gaan. Het was pas na de lancering van ChatGPT eind 2022 dat we echt “AI” zagen die goed genoeg was om een conversatie te voeren. En het was pas eind 2023 dat we een demo konden maken voor een voice agent die we dachten dat een klant zou willen spreken.

Wat waren enkele van de moeilijkste technische uitdagingen bij het trainen van voice agents die menselijke prestaties in natuurlijke conversaties konden evenaren of overtreffen?

Er zijn zoveel geweldige technische uitdagingen om aan te werken. Van het waarborgen dat de latentie rond de 500 ms ligt, tot het ontdekken van hoe we ervoor kunnen zorgen dat AI-agents alle context van de kennisbases van het bedrijf en klantgegevens in real-time hebben, tot het nemen van actie in gesprekken en erna, tot het hebben van AI-agents die menselijk aanvoelen met beurt- en juiste verbale cues.

Een van mijn favoriete projecten waar onze team nu aan werkt, is hoe we geautomatiseerde evaluaties kunnen verbeteren, zodat een AI-agent gemakkelijker getest kan worden voordat deze in productie wordt genomen. Dit zou honderden uren handmatige kwaliteitscontrole uitsparen die nu constant gebeurt voor elke wijziging in elke AI-agent.

We moeten eerst honderden gevarieerde gesimuleerde klantconversaties maken (met AI), deze door de AI-agent laten gaan, vervolgens door een AI-supervisor laten controleren en voorgestelde verbeteringen retourneren aan de AI-agent of de kennisbases en beleid van het bedrijf. We hebben nu een werkend evaluatieproduct, en de feedback van klanten is geweldig, en het wordt steeds beter.

Dit is cruciaal voor de nieuwe meting van het aantal managers per AI-agent. Binnenkort zullen maar weinig managers in staat zijn om honderden verschillende AI-agents te beheren.

Hoe maakt Regal gebruik van machine learning om conversaties in real-time te personaliseren? Is dit gebaseerd op klantgeschiedenis, toon, intentieherkenning – of een combinatie?

We hebben diep geïnvesteerd in personalisatie in vergelijking met de rest van de markt, omdat we geloven in het helpen van merken om miljoenen klanten te testen als één op een miljoen. Niet alleen het recreëren van het generieke menselijke agentbeheer dat vandaag vaak wordt gebruikt.

We begonnen met het bouwen van een unified customerprofiel dat elke stukje CRM-gegevens, gebeurtenisgegevens en conversatiegeschiedenis koppelt. Bij het bouwen van een agent kunnen bedrijven de AI-agent dan toegang geven tot alle informatie over een klant of alleen de specifieke gegevenspunten die nodig zijn voor een bepaalde conversatie. De LLM biedt een menselijke, conversational response met de beschikbare gegevens.

LLM’s zijn nog steeds beperkt in wat ze goed doen, dus we moesten de mogelijkheid hebben om andere tools te gebruiken, zoals diensten van derden, aangepaste toepassingen en ML. Dus we bouwden “Custom Actions” die kunnen worden gebruikt in een AI-agentprompt om andere diensten te benutten. Bijvoorbeeld, veel merken hebben propensitymodellen om aan te geven welk product ze de klant als volgende moeten aanbevelen, en we kunnen daarop aansluiten in de conversatie.

Hoe gebruikt uw systeem retrieval-augmented generation (RAG) zonder de responsiviteit of natuurlijke cadans te offeren die klanten van een live gesprek verwachten?

RAG is een differentiatiegebied voor ons, omdat het sneller moest zijn voor voice AI-agents dan voor AI-agents in chat of andere digitale kanalen. Een paar seconden dode lucht zou het gesprek volledig verpesten.

We verlaagden de latentie van retrieval en zorgden ervoor dat als retrieval langer duurde, de AI-agent kon blijven praten met de klant om hen te laten weten dat het langer zou duren.

Regal’s agents zijn gemodelleerd naar echte menselijke stemmen, waaronder die van werkelijke investeerders. Wat is er nodig – technisch en ethisch – om dergelijke hoge-fidelity-replica’s te bouwen?

Het is verrassend gemakkelijk om technisch een “klonen” van een stem te maken, zodat een AI-agent kan klinken als een professionele voice-actor of een vriend. 5-10 minuten van hoge kwaliteit audio is alles wat nodig is.

Om uw tweede punt te beantwoorden, stemt de grootouder in met dit, en professionele voice-acteurs of onze investeerders stemmen in met dit. Slechte actoren die voice cloning zonder toestemming toelaten (zoals wat gebeurde tijdens de laatste presidentsverkiezingen) moeten worden gesloten.

Een stuk advies – als u een voice clone toelaat (of u bent een openbaar figuur die mogelijk door slechte actoren kan worden gekloond), zorg er dan voor dat u een veilig woord bedenkt dat alleen uw familie kent, zodat ze de echte u kunnen identificeren in een gesprek.

U benadrukt het belang van het integreren van Regal in CRM’s, betalingssystemen en interne API’s. Wat waren enkele van de moeilijkste integratie-uitdagingen die u moest oplossen?

Integreren met grote producten van CRM’s zoals Salesforce (CRM ) tot contactcenter software zoals NICE is rechttoe rechtaan. De moeilijkste vraag is om ervoor te zorgen dat het merk API’s beschikbaar maakt voor ons voor elke actie die de AI-agent mogelijk moet uitvoeren. Een menselijke agent kan op een knop klikken om een hotelkamer te boeken. Maar de AI-agent heeft echt een boekings-API nodig.

Hoe benadert u het meten en verbeteren van modelprestaties in de loop van de tijd? Wat is de rol van begeleide fine-tuning of versterking van het leerproces in dit proces?

We hebben vanaf het begin een A/B-testsuite gebouwd, zodat het voor klanten triviaal is om AI-agents te testen tegenover menselijke agenten of de agent met LLM-versie 1 versus versie 2. Dat geeft ons een duidelijke manier om variaties in resultaten voor verschillende modellen te zien.

Maar we gebruiken geen versterking van het leerproces vandaag, omdat dit juridische teams ongemakkelijk maakt (ze willen geen situatie waarin er een onbedoelde verandering is in de geur). Ik denk dat we 13 maanden verwijderd zijn van juridische teams die versterking van het leerproces in onze use case toelaten. In plaats daarvan focussen we ons vandaag op het voorstellen van wijzigingen die een menselijke manager kan accepteren. Dit kunnen wijzigingen zijn in een prompt, een kennisbase, fine-tuning van een LLM, enz.

Praten met een VC – of een voice clone van een VC – is een gewaagd concept. Wat was uw intentie om deze AI-adviseurs beschikbaar te maken voor oprichters, en hoe worden ze vandaag gebruikt?

We hebben geluk gehad met toegang tot geweldige investeerders en we wilden dit teruggeven met dit project. Ik heb plezier in praten met Satya AI op elk moment, en ik heb geweldige feedback gehoord van uitvoerenden die de AI-VC’s hebben gebruikt voor alles, van advies over hoe een productroadmap te maken tot welk prijsmodel te gebruiken.

We houden van laten zien in plaats van vertellen, en dit project benadrukt echt de kracht van onze RAG/kennisbase-mogelijkheden. We hebben zelfs twee van onze investeerders’ ouders die ons de duim omhoog gaven!

Maar een woord van wijsheid – u kunt geen beslissingen overdragen aan adviseurs, en een van de moeilijkere delen van het zijn van een uitvoerende is het kiezen tussen twee slechte opties of zelfs twee schijnbaar goede opties.

Vertrouwen deze investeerdersagents op algemene startupkennis of zijn ze getraind op firma-specifieke adviezen en filosofieën die zijn gekoppeld aan de individuele VC?

Alle AI-agents hebben enige generieke kennis van de LLM-training. Maar om de resultaten te krijgen die we nodig hadden, laadden we de schrijfsels van de investeerders in de respectieve AI-agent kennisbases.

Verder dan dat en de stemklonen, denk ik dat we erin slaagden om enige unieke persoonlijkheden of essentie van de investeerders te vangen, zoals Jake Saper’s positiviteit of Alexa Von Tobel’s enthousiasme.

Kijkend naar de toekomst, hoe ziet u de evolutie van Regal’s AI – zullen we meer autonome besluitvorming zien, meer emotionele intelligentie of zelfs multimodale ondersteuning?

Het meest spannende deel van het afgelopen jaar is zien hoe onze AI-agents beter presteren dan menselijke agenten. Ik denk dat in het komende jaar, verbeteringen in de onderliggende AI-modellen en vooruitgang in Regal’s toepassing en zal resulteren in AI-agents die ononderscheidbaar zijn van mensen, en meer belangrijk, die menselijke agentmogelijkheden ver overtreffen. Bedrijven die zich richten op AI-agents zullen hun kosten sneller verlagen en de klantbeleving verbeteren dan iemand had verwacht. Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Regal bezoeken.