Ashish Nagar, CEO en oprichter van Level AI – Interviewreeks

Ashish Nagar is de CEO en oprichter van Level AI, waar hij zijn ervaring bij Amazon (AMZN ) op het Alexa-team gebruikt om kunstmatige intelligentie te gebruiken om contactcenteroperaties te transformeren. Met een sterke achtergrond in technologie en ondernemerschap, heeft Ashish een belangrijke rol gespeeld bij het stimuleren van de missie van het bedrijf om de efficiëntie en effectiviteit van klantenservice-interacties te verbeteren door middel van geavanceerde AI-oplossingen. Onder zijn leiderschap is Level AI een belangrijke speler geworden in de AI-gedreven contactcentermarkt, bekend om zijn baanbrekende producten en superieure implementatie van kunstmatige intelligentie.

Wat inspireerde u om Amazon te verlaten en Level AI op te richten? Kunt u de specifieke pijnpunten in klantenservice delen die u met uw technologie wilde aanpakken?

Mijn achtergrond ligt in het bouwen van producten op het snijvlak van technologie en bedrijfsleven. Hoewel ik een bachelorgraad in toegepaste natuurkunde heb, heeft mijn werk zich consistent op productrollen en het opzetten, lanceren en bouwen van nieuwe bedrijven gericht. Mijn passie voor technologie en bedrijfsleven leidde me naar AI.

Ik begon in 2014 met werken aan AI, toen we een next-generation mobiele zoekbedrijf genaamd Rel C bouwden, dat vergelijkbaar was met wat Perplexity AI vandaag is. Deze ervaring zette mijn reis naar AI-software in gang en uiteindelijk werd dat bedrijf overgenomen door Amazon. Bij Amazon was ik een productleider op het Alexa-team, waar ik voortdurend op zoek was naar kansen om complexere AI-problemen aan te pakken.

In mijn laatste jaar bij Amazon, in 2018, werkte ik aan een project dat we de “Star Trek-computer” noemden, geïnspireerd door de beroemde sciencefiction-franchise. Het doel was om een computer te ontwikkelen die elk vraag kon begrijpen en beantwoorden, wat we de “Stem van de Klant” noemden. Dit project werd bekend als de Alexa Prize, met als doel iedereen in staat te stellen om 20 minuten lang over elk sociaal onderwerp met Alexa te praten. Ik leidde een team van ongeveer 10 wetenschappers en we lanceerden dit als een wereldwijde AI-uitdaging. Ik werkte nauw samen met toonaangevende geesten van instellingen als MIT, CMU, Stanford en Oxford. Één ding werd duidelijk: op dat moment kon niemand het probleem volledig oplossen.

Zelfs toen kon ik een golf van innovatie voelen die dit mogelijk zou maken. Als we vooruit springen naar 2024, doen technologieën zoals ChatGPT nu veel van wat we ons voorstelden. Er waren snelle vooruitgangen in natuurlijke taalverwerking met bedrijven als Amazon, Google (GOOGL ), OpenAI en Microsoft (MSFT ) die grote modellen en de onderliggende infrastructuur bouwden. Maar ze pakten niet noodzakelijkerwijs de eind-tot-eind-workflows aan. We herkenden deze kloof en wilden deze aanpakken.

Ons eerste product was geen klantenservice-oplossing; het was een spraakassistent voor frontline-medewerkers, zoals technici en winkelmedewerkers. We haalden $2 miljoen aan seed-financiering en toonden het product aan potentiële klanten. Zij vroegen overweldigend of we de technologie konden aanpassen voor contactcenters, waar ze al spraak- en gegevensstromen hadden, maar ontbraken aan de moderne generatieve AI-architectuur. Dit leidde ons ertoe om te beseffen dat bestaande bedrijven in deze ruimte vastzaten in het verleden, worstelend met het klassieke innovatorsdilemma van ofwel hun legacy-systemen te overhalen of iets nieuws te bouwen. We begonnen met een blanco vel en bouwden de eerste native large language model (LLM) customer experience intelligence en service automation-platform.

Mijn diepe interesse in de complexiteit van de menselijke taal en hoe moeilijk het is om deze problemen vanuit een computerengineering-perspectief op te lossen, speelde een significante rol in onze aanpak. De mogelijkheid van AI om menselijke spraak te begrijpen is cruciaal, vooral voor de contactcenterindustrie. Het gebruik van Siri onthult bijvoorbeeld vaak hoe moeilijk het is voor AI om intentie en context in menselijke taal te begrijpen. Zelfs eenvoudige vragen kunnen AI in de war brengen, dat worstelt om te begrijpen wat je vraagt.

AI worstelt met het begrijpen van intentie, het behouden van context over lange conversaties en het bezitten van relevante kennis van de wereld. Zelfs ChatGPT heeft beperkingen op deze gebieden. Bijvoorbeeld, het kan de laatste nieuwsberichten of veranderingen in onderwerpen binnen een conversatie niet begrijpen. Deze uitdagingen zijn rechtstreeks relevant voor klantenservice, waar conversaties vaak meerdere onderwerpen omvatten en vereisen dat AI specifieke, domein-gerelateerde kennis begrijpt. We pakken deze uitdagingen aan in ons platform, dat is ontworpen om de complexiteit van menselijke taal in een klantenservice-omgeving aan te pakken.

Level AI’s NLU-technologie gaat verder dan basiskeyword-matching. Kunt u uitleggen hoe uw AI diepere klantintentie begrijpt en welke voordelen dit oplevert voor klantenservice? Hoe zorgt Level AI voor de nauwkeurigheid en betrouwbaarheid van zijn AI-systemen, vooral bij het begrijpen van nuances in klantinteracties?

We hebben zes of zeven verschillende AI-pijpleidingen die zijn aangepast aan specifieke taken, afhankelijk van de taak die moet worden uitgevoerd. Bijvoorbeeld, één workflow kan het identificeren van oproepdrivers en het begrijpen van de problemen die klanten hebben met een product of dienst omvatten, wat we de “Stem van de Klant” noemen. Een andere kan de geautomatiseerde scoring van kwaliteitsscorecards om de prestaties van agenten te evalueren. Elke workflow of dienst heeft zijn eigen AI-pijpleiding, maar de onderliggende technologie blijft hetzelfde.

Om een analogie te trekken, de technologie die we gebruiken is gebaseerd op LLM’s die vergelijkbaar zijn met de technologie achter ChatGPT en andere generatieve AI-hulpmiddelen. Echter, we gebruiken klantenservice-specifieke LLM’s die we in-house hebben getraind voor deze gespecialiseerde workflows. Dit stelt ons in staat om meer dan 85% nauwkeurigheid te bereiken binnen enkele dagen na het onboarden van nieuwe klanten, wat resulteert in een snellere tijd tot waarde, minimale professionele diensten en ongeëvenaarde nauwkeurigheid, beveiliging en vertrouwen.

Onze modellen hebben diepe, specifieke expertise in klantenservice. Het oude paradigma hield in dat conversaties werden geanalyseerd door het oppikken van trefwoorden of zinnen zoals “annuleer mijn account” of “Ik ben niet tevreden”. Maar onze oplossing vertrouwt niet op het vastleggen van alle mogelijke variaties van zinnen. In plaats daarvan past het AI toe om de intentie achter de vraag te begrijpen, waardoor het veel sneller en efficiënter is.

Als iemand zegt: “Ik wil mijn account annuleren”, zijn er ontelbare manieren waarop ze dat kunnen uitdrukken, zoals “Ik ben klaar met jullie” of “Ik ga naar iemand anders”. Onze AI begrijpt de intentie van de vraag en koppelt deze terug aan de context, waardoor onze software sneller en nauwkeuriger is.

Een nuttige analogie is dat oude AI als een regeelboek was – je zou deze rigide regeelboeken bouwen, met if-then-else-statements, die inflexibel waren en constant onderhoud nodig hadden. De nieuwe AI is als een dynamisch brein of een lerend systeem. Met slechts een paar pointers, leert het dynamisch context en intentie, en blijft het verbeteren op de vlucht. Een regeelboek heeft een beperkte scope en breekt gemakkelijk als iets niet past in de vooraf gedefinieerde regels, terwijl een dynamisch lerend systeem blijft groeien, uitbreiden en heeft een veel grotere impact.

Een goed voorbeeld vanuit het perspectief van een klant is een grote e-commerce-merk. Zij hebben duizenden producten en het is onmogelijk om bij te blijven met constante updates. Onze AI kan echter de context begrijpen, zoals of je het over een specifieke bank hebt, zonder dat er constant een scorecard of rubric met elk nieuw product hoeft te worden bijgewerkt.

Wat zijn de belangrijkste uitdagingen bij het integreren van Level AI’s technologie met bestaande klantenservice-systemen, en hoe gaat u deze aan?

Level AI is een klantenservice-intelligentie- en service-automatiseringsplatform. Als zodanig integreren we met de meeste CX-software in de industrie, of het nu een CRM, CCaaS, enquête- of tooling-oplossing is. Dit maakt ons het centrale knooppunt, dat gegevens van al deze bronnen verzamelt en fungeert als het intelligentie-laag bovenop.

Echter, de uitdaging is dat sommige van deze systemen zijn gebaseerd op non-cloud, on-premise-technologie, of zelfs cloud-technologie die ontbreekt aan API’s of schone gegevensintegraties. We werken nauw samen met onze klanten om dit aan te pakken, hoewel 80% van onze integraties nu cloud-gebaseerd of API-natief zijn, waardoor we snel kunnen integreren.

Hoe biedt Level AI real-time intelligentie en actiegerichte inzichten voor klantenservice-agenten? Kunt u enkele voorbeelden delen van hoe dit de klantinteracties heeft verbeterd?

Er zijn drie soorten real-time intelligentie en actiegerichte inzichten die we onze klanten bieden:

1. Automatisering van handmatige workflows: Service-reps hebben vaak beperkte tijd (6 tot 9 minuten) en meerdere handmatige taken. Level AI automatiseert saaie taken zoals notities maken tijdens en na conversaties, en genereert aangepaste samenvattingen voor elke klant. Dit heeft onze klanten 10 tot 25% bespaard in oproepafhandelingstijd, wat leidt tot meer efficiëntie.
2. CX Copilot voor Service Reps: Service-reps hebben te maken met hoge verloop en onboardingsuitdagingen. Stel je voor dat je in een contactcenter wordt gedropt zonder de bedrijfsbeleid te kennen. Level AI fungeert als een expert-AI die naast de rep zit, luistert naar conversaties en biedt real-time richtlijnen. Dit omvat het afhandelen van bezwaren, het bieden van kennis en het bieden van slimme transcriptie. Deze functionaliteit heeft onze klanten geholpen om service-reps 30 tot 50% sneller te onboarden en te trainen.
3. Manager Copilot: Deze unieke functie geeft managers real-time inzicht in de prestaties van hun team. Level AI biedt seconde-voor-seconde inzichten in conversaties, waardoor managers kunnen ingrijpen, sentiment en intentie detecteren en reps in real-time ondersteunen. Dit heeft de productiviteit van agenten met 10 tot 15% verbeterd en de tevredenheid van agenten verhoogd, wat cruciaal is voor het verminderen van kosten. Als een klant bijvoorbeeld tegen een rep begint te schelden, wordt het systeem gemarkeerd en kan de manager ofwel de oproep overnemen of richtlijnen fluisteren naar de rep. Dit soort real-time interventie zou onmogelijk zijn zonder deze technologie.

Kunt u verder ingaan op hoe Level AI’s sentimentanalyse werkt en hoe het agenten helpt om effectiever op klanten te reageren?

Onze sentimentanalyse detecteert zeven verschillende emoties, variërend van extreme frustratie tot vreugde, waardoor we de mate van emoties kunnen meten die bijdragen aan onze algehele sentimentenscore. Deze analyse houdt rekening met zowel de gesproken woorden als de toon van de conversatie. Echter, we hebben door onze experimenten ontdekt dat de gesproken woorden een veel grotere rol spelen dan de toon. Je kunt de gemeenste dingen zeggen met een vlakke toon of heel aardige dingen met een vreemde toon.

We bieden een sentimentenscore op een schaal van 1 tot 10, waarbij 1 aangeeft dat de sentiment heel negatief is en 10 aangeeft dat de sentiment heel positief is. We analyseren 100% van de conversaties van onze klanten, waardoor we diepe inzichten in klantinteracties krijgen.

Contextuele begrip is ook cruciaal. Als een oproep bijvoorbeeld begint met een zeer negatieve sentiment, maar eindigt positief, wordt de algehele interactie als positief beschouwd, zelfs als 80% van de oproep negatief was. Dit komt omdat de klant boos was, de agent het probleem oploste en de klant tevreden was. Aan de andere kant, als de oproep positief begint maar negatief eindigt, is dat een ander verhaal, ondanks het feit dat 80% van de oproep positief had kunnen zijn.

Deze analyse helpt zowel de rep als de manager om gebieden voor training te identificeren, met een focus op acties die correleren met positieve sentiment, zoals het begroeten van de klant, het erkennen van hun zorgen en het tonen van empathie – elementen die essentieel zijn voor succesvolle interacties.

Hoe adresseert Level AI gegevensbeveiligings- en -privaciteitszorgen, vooral gezien de gevoelige aard van klantinteracties?

Vanaf de eerste dag hebben we prioriteit gegeven aan beveiliging en privacy. We hebben ons systeem gebouwd met enterprise-niveau beveiliging en privacy als kernprincipes. We outsourcen geen van onze generatieve AI-mogelijkheden naar externe leveranciers. Alles wordt in-house ontwikkeld, waardoor we klant-specifieke AI-modellen kunnen trainen zonder gegevens buiten onze omgeving te delen. We bieden ook uitgebreide aanpassingsmogelijkheden, waardoor klanten hun eigen AI-modellen kunnen hebben zonder dat er gegevens worden gedeeld tussen verschillende delen van onze datapipeline.

Om een huidige industriezorg aan te pakken, wordt onze gegevens niet gebruikt door externe modellen voor training. We staan niet toe dat onze modellen worden beïnvloed door AI-gegenereerde gegevens van andere bronnen. Deze aanpak voorkomt de problemen die sommige AI-modellen tegenkomen, waarbij het trainen op AI-gegenereerde gegevens leidt tot verlies van nauwkeurigheid. Bij Level AI is alles first-party en delen we geen gegevens extern.

Met de recente $39,4 miljoen Series C-financiering, wat zijn uw plannen voor het uitbreiden van Level AI’s platform en het bereiken van nieuwe klantensegmenten?

De Series C-investering zal onze strategische groei- en innovatie-initiatieven in cruciale gebieden zoals productontwikkeling, technische verbeteringen en grondige onderzoek- en ontwikkelingsinspanningen stimuleren. We streven ernaar om top-talent aan te trekken op alle niveaus van de organisatie, waardoor we kunnen blijven pionieren in industrieleidende technologieën die de verwachtingen van klanten overtreffen en dynamische marktvragen beantwoorden.

Hoe ziet u de rol van AI in het transformeren van klantenservice in de komende tien jaar?

Terwijl de algemene focus vaak op het automatiseringsaspect ligt – waarbij een toekomst wordt voorspeld waarin bots alle klantenservice afhandelen – is onze visie meer genuanceerd. De mate van automatisering varieert per verticale. Bijvoorbeeld, in banken of financiën kan automatisering lager zijn, terwijl in andere sectoren het hoger kan zijn. Gemiddeld geloven we dat het behalen van meer dan 40% automatisering over alle verticale sectoren een uitdaging is. Dit komt omdat service-reps meer doen dan alleen vragen beantwoorden – ze fungeren als troubleshooters, salesadviseurs en meer, rollen die niet volledig door AI kunnen worden gerepliceerd.

Er is ook een significant potentieel in workflow-automatisering, waar Level AI zich op richt. Dit omvat back-office taken zoals kwaliteitszorg, ticket-triaging en schermmonitoring. Hier kan automatisering meer dan 80% bereiken met behulp van generatieve AI. Intelligentie en gegevensinzichten zijn cruciaal. We zijn uniek in het gebruik van generatieve AI om inzichten te verkrijgen uit ongestructureerde gegevens. Deze aanpak kan de kwaliteit van inzichten aanzienlijk verbeteren, waardoor de behoefte aan professionele diensten met 90% afneemt en de tijd tot waarde met 90% versnelt.

Een andere belangrijke overweging is of het gezicht van uw organisatie een bot of een persoon moet zijn. Behalve de basisfuncties die ze uitvoeren, is een menselijke verbinding met uw klanten cruciaal. Onze aanpak is om de overtollige taken uit de werklast van een persoon te verwijderen, waardoor ze zich kunnen concentreren op betekenisvolle interacties.

We geloven dat mensen het beste geschikt zijn voor directe communicatie en moeten blijven in die rol. Echter, ze zijn niet ideaal voor taken zoals notities maken, interacties transcriberen of schermopnames maken. Door deze taken voor hen te verrichten, geven we ze de vrijheid om zich effectiever met klanten te verbinden.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Level AI bezoeken.