Rana Gujral, CEO van Behavioral Signals – Interview Series

Rana Gujral is de CEO van Behavioral Signals, een bedrijf dat de communicatiekloof tussen mensen en machines overbrugt door emotionele intelligentie in te voeren, vanuit spraak, in conversaties met AI.

Behavioral Signals is een relatief jonge startup die in 2016 is gelanceerd. Kunt u het verhaal achter de oprichting delen?

Gedreven door een passie om de baanbrekende, gepatenteerde spraak-naar-emotie- en spraak-naar-gedragsTechnologieën van het bedrijf op de markt te brengen, hebben CTO Alex Potamianos en Chief Scientist Shri Narayanan Behavioral Signals in 2016 opgericht. Shri is een Andrew J. Viterbi Professor of Engineering aan de University of Southern California (USC). Hij is de oprichter en directeur van het Signal Analysis and Interpretation Laboratory (SAIL) aan de USC. Alex is een gewaardeerde innovator op het gebied van spraak- en natuurlijke taalverwerking, interactieve spraakresponsystemen en gedragsinformatie. Hij heeft meer dan 20 jaar leiderschapservaring, zowel in de corporate als in de ondernemende kant van het bedrijfsleven, en zijn achtergrond omvat werkzaamheden bij AT&T Labs-Research, Bell Labs en Lucent Technologies.

Met het doel de wereld van het bedrijfsleven te verbeteren en voorgoed te veranderen, geloven we dat technologie de kern is van wat kan worden bereikt. De algoritmes van Behavioral Signals analyseren menselijke emoties en gedrag, transformeren gegevens in bruikbare informatie en leiden tot betere bedrijfsbeslissingen en hogere winsten. Tot nu toe is menselijke emotie als onmogelijk om te kwantificeren en onmogelijk om te meten beschouwd. Met onze gepatenteerde analytics-engine meten en interpreteren we het “hoe” van menselijke interacties.

Behavioral Signals vertrouwt op een type machine learning affective computing (ook bekend als Emotion AI). Kunt u uitleggen wat dit is?

Emotionele kunstmatige intelligentie, ook wel Emotion AI of affective computing genoemd, wordt gebruikt om machines te ontwikkelen die in staat zijn om menselijke affect te lezen, te interpreteren, te reageren op en na te bootsen – de manier waarop wij, als mensen, emoties ervaren en uiten. Wat betekent dit voor consumenten? Het betekent dat uw apparaten, zoals uw smartphone of slimme speakers, u interactie kunnen bieden die natuurlijker aanvoelt dan ooit tevoren, door eenvoudigweg de emotionele signalen in uw stem te lezen.

Naarmate onze afhankelijkheid van AI groeit, groeit ook de behoefte aan emotioneel intelligente AI. Het is één ding om uw virtuele assistent te vragen om u vandaag de wedstrijdscores voor te lezen, maar het is een heel andere zaak om uw bejaarde ouders toe te vertrouwen aan de zorg van een AI-gestuurd bot. Op dit moment kan AI misschien ongelofelijke dingen doen, zoals medische aandoeningen diagnosticeren en behandelingen uiteenzetten, maar het heeft nog steeds emotionele intelligentie nodig om op een meer humane manier met patiënten te communiceren.

Welke andere soorten machine learning-technologieën worden gebruikt?

Wanneer het gaat om machine learning gebruiken we voornamelijk diepe leer- en NLP in onze Behavioral Signals Processing analytics-modellen. Om dit een beetje beter uit te leggen, hebben we een vakgebied gepionierd, Behavioral Signal Processing, op basis van meer dan een decennium aan prijswinnende en gepatenteerde onderzoek, om automatisch informatie te detecteren die is gecodeerd in de menselijke stem van audio en de kwaliteit van menselijke interactie te meten. Het is een opkomend vakgebied dat techniek met gedragswetenschappen verbindt en zich richt op het kwantificeren en interpreteren van menselijke interactie en communicatie door middel van innovaties op het gebied van techniek en informatica. Diepe leer is het instrument dat helpt om betere predictieve modellen te creëren.

Wat voor soort gegevens verzamelt u uit de toon van de stem?

Onze diepe leer-AI-technologie analyseert wat en hoe iets wordt gezegd, aan beide kanten van een gesprek, en meet emoties en gedrag. Het bereik van emoties is zeer gevarieerd, maar wat er echt toe doet is de geaggregeerde intelligentie van deze analyse. Om u een voorbeeld te geven, denk aan een gesprek tussen een bankmedewerker en een klant; we kunnen beleefdheid, compositie (kalm vs geagiteerd), empathie ten opzichte van de klant, de reacties van de klant en de algemene spreekstijl, zoals langzaam, snel, betrokken of niet-betrokken, meten om de gesprekskwaliteitsscore, de effectiviteit van het resultaat en de prestaties van de medewerker te berekenen.

Wat voor soort gegevensanalyse wordt gedaan om intentie te voorspellen?

Intentievoorspelling is erg vergelijkbaar met wat al eerder is genoemd. We gebruiken gedragsignalen in de stem om de intentie van een klant te voorspellen om een product te kopen, een abonnement te vernieuwen of of een schuldenaar zijn schuld zal betalen. Intentievoorspelling kan bedrijven helpen om hun verkoop- en incassoratio’s te verhogen, hun kosten te verlagen en uiteindelijk de klanttevredenheid te verbeteren.

Behavioral Signals is zes keer winnaar van de INTERSPEECH-kwaliteit van menselijke interacties & computationele paralinguïstiek-uitdaging. Wat is deze uitdaging en hoe significant is deze prestatie?

Interspeech is de grootste technische conferentie ter wereld die zich richt op spraakverwerking en -toepassingen. Het heeft de grootste aanwezigheid in dit domein en een aanzienlijk aantal onderzoeksartikelen. De conferentie benadrukt multidisciplinaire benaderingen die alle aspecten van spraakwetenschap en -technologie aanpakken, van basisprincipes tot geavanceerde toepassingen. De uitdagingen worden beschouwd als de Turing Award in spraakherkenning en natuurlijke taalverwerking. Het winnen ervan is een belangrijke erkenning van ons wetenschappelijk werk en onze unieke mogelijkheid om signalen van audio-gegevens te detecteren die zijn geassocieerd met gedrag en kenmerken die menselijke besluitvorming aandrijven.

Hoe snel kan Behavioral Signals zich aanpassen aan verschillende talen, en hoe groot is de benodigde dataset?

Onze technologie is taalagnostisch. We luisteren naar hoe iets wordt gezegd, in plaats van wat er wordt gezegd. We luisteren naar de geuite emoties, die vrijwel universeel zijn in alle talen. Natuurlijk heeft elke taal zijn eigen unieke kenmerken die een kleine aanpassing van onze algoritmes kunnen vereisen, maar het verschil in onze predictieve analytische modellen is over het algemeen klein.

Kunt u de laatste oplossing van Behavioral Signals, AI-Mediated Conversation, bespreken?

AI-Mediated Conversations (AI-MC) is een geautomatiseerde call-routing-oplossing die Emotion AI en stemgegevens gebruikt om de klant te koppelen aan de best geschikte medewerker om een specifiek gesprek af te handelen. Als we terugkeren naar het eerder genoemde voorbeeld van de bankmedewerker en de klant, kan onze technologie de gespreksdynamiek begeleiden met als uiteindelijk doel om het resultaat te verbeteren, of het nu gaat om een betere klantbeleving, verhoogde incassoratio’s of snellere resolutietijden. Wat het doel ook is, er is altijd een katalysator die beide partijen in staat stelt om het gewenste resultaat te bereiken. Die bijdragende factor is meestal een eenvoudig en natuurlijk voorkomend menselijk proces: de affiniteit of verstandhouding die tussen mensen ontstaat. Ongeacht het type bedrijfscommunicatie (verkoopgesprek, ondersteuning, incasso), het zal altijd een interactie zijn tussen echte mensen, waarbij de affiniteit zelden identiek is tussen twee paren mensen. We hebben specifieke gedragingen en kenmerken die ons helpen om het beter met sommige mensen te kunnen vinden dan met anderen. Deze match is gebaseerd op profielgegevens en onze superieure algoritmes die zijn ontwikkeld uit jarenlang onderzoek en ervaring in NLP en Behavioral Signal Processing.

We hebben onlangs de AI-MC-oplossing van Behavioral Signals geïmplementeerd om de effectiviteit en efficiëntie van het callcenter van een EU-bank te verbeteren. De case-study werd erkend door Gartner en opgenomen in hun Emotion AI Adoption Report. De oplossing toonde een aanzienlijk rendement op investering, met een stijging van 20% van de actieve schuldherstructureringstoepassingen. Bovendien werd deze verbetering bereikt met 7,6% minder gesprekken, wat leidde tot extra kostenverlagingen. In absolute cijfers correspondeerden deze resultaten met een omzetstijging van $ 300 miljoen voor de bank.

Is er nog iets anders dat u over Behavioral Signals wilt delen?

Terwijl we veel trots hebben op onze onderzoeksprestaties, zijn we eveneens dankbaar voor de industrie-erkenning. In het najaar van 2019 werd onze technologie opgenomen als een use-case-leider in Gartners gewilde Maverick Research, die baanbrekende technologieën profileert. Vroeg dit jaar werden we opgenomen in Gartners Hype Cycle, waar onze technologie als ‘transformationeel’ werd beoordeeld. Laatst maand werden we opgenomen als Gartner Cool Vendor 2020.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Behavioral Signals bezoeken.