Ashish Nagar, administrerende direktør og grunnlegger av Level AI – Intervju-serie

Ashish Nagar er administrerende direktør og grunnlegger av Level AI, og han tar med seg erfaringen fra Amazon (AMZN ) på Alexa-teamet for å bruke kunstig intelligens til å transformere kontakt-senter operasjoner. Med en sterk bakgrunn i teknologi og entreprenørskap, har Ashish vært instrumental i å drive selskapets misjon om å forbedre effektiviteten og effekten av kunde-service interaksjoner gjennom avanserte AI-løsninger. Under hans ledelse har Level AI blitt en nøkkel-spiller i AI-drevne kontakt-senter rommet, kjent for sine banebrytende produkter og overlegen implementering av kunstig intelligens.

Hva inspirerte deg til å forlate Amazon og starte Level AI? Kan du dele de spesifikke smertepunktene i kunde-service som du ønsket å adresse med din teknologi?

Min bakgrunn er å bygge produkter på交差et mellom teknologi og forretning. Selv om jeg har en bachelorgrad i anvendt fysikk, har min arbeid konsistent fokusert på produktroller og opprettelse, lansering og bygging av nye bedrifter. Min lidenskap for teknologi og forretning ledet meg til AI.

Jeg startet å arbeide med AI i 2014, da vi bygget en neste-generasjons mobil-søke selskap kalt Rel C, som var lignende med hva Perplexity AI er i dag. Denne erfaringen sparket min reise inn i AI-programvare, og til slutt ble dette selskapet kjøpt av Amazon. På Amazon var jeg en produktleder på Alexa-teamet, og jeg søkte kontinuerlig etter muligheter til å takle mer komplekse AI-problemer.

I mitt siste år på Amazon, i 2018, arbeidet jeg på et prosjekt vi refererte til som “Star Trek-computeren”, inspirert av den berømte sci-fi-franchisen. Målet var å utvikle en datamaskin som kunne forstå og svare på noen spørsmål du stilte den. Dette prosjektet ble kjent som Alexa-prisen, med mål om å enable noen til å holde en 20-minutters samtale med Alexa på noen sosiale temaer. Jeg ledet et team på omtrent 10 vitenskapsmenn, og vi lanserte dette som en global AI-utfordring. Jeg arbeidet tett med ledende sinn fra institusjoner som MIT, CMU, Stanford og Oxford. En ting ble klart: på den tiden, kunne ingen fullstendig løse problemet.

Selv da kunne jeg se en bølge av innovasjon komme som ville gjøre dette mulig. Fremover til 2024, og teknologier som ChatGPT gjør nå mye av hva vi forestilte oss. Det var raske fremgang i naturlig språkbehandling med selskaper som Amazon, Google (GOOGL ), OpenAI og Microsoft (MSFT ) som bygget store modeller og den underliggende infrastrukturen. Men de var ikke nødvendigvis å takle sluttløs arbeidsflyter. Vi erkjente dette gapet og ønsket å adresse det.

Vårt første produkt var ikke en kunde-service løsning; det var en tale-assistent for front-line arbeidere, som tekniske og detaljhandels ansatte. Vi samlet inn 2 millioner dollar i seed-finansiering og viste produktet til potensielle kunder. De ønsket overveldende at vi tilpasset teknologien for kontakt-sentere, hvor de allerede hadde tale- og datastrømmer, men manglet moderne generativ AI-arkitektur. Dette ledet oss til å innse at eksisterende selskaper i dette rommet var fastlåst i fortiden, og kjempet med den klassiske innovatørens dilemma om å ombygge deres legacy-systemer eller bygge noe nytt. Vi startet fra en blank skisse og bygget den første native store språkmodell (LLM) kunde-erfaring intelligens og service-automatiseringsplattformen.

Min dyp interesse for kompleksiteten i menneskelig språk og hvor vanskelig det er å løse disse problemene fra et datamaskin-inngeniør-perspektiv, spilte en betydelig rolle i vår tilnærming. AI sin evne til å forstå menneskelig tale er avgjørende, særlig for kontakt-senter industrien. For eksempel, å bruke Siri avslører ofte hvor vanskelig det er for AI å forstå intensjon og kontekst i menneskelig språk. Selv enkle forespørsler kan trippe opp AI, som sliter med å tolke hva du ber om.

AI sliter med å forstå intensjon, vedlikeholde kontekst over lange samtaler og ha relevant kunnskap om verden. Selv ChatGPT har begrensninger i disse områdene. For eksempel, kan den kanskje ikke kjenne til de siste nyhetene eller forstå skiftende temaer innen en samtale. Disse utfordringene er direkte relevante for kunde-service, hvor samtaler ofte involverer flere temaer og krever at AI skal forstå spesifik, domene-relatert kunnskap. Vi addreserer disse utfordringene i vår plattform, som er designet for å håndtere kompleksiteten i menneskelig språk i en kunde-service miljø.

Hva er de viktigste utfordringene i å integrere Level AI sin teknologi med eksisterende kunde-service systemer, og hvordan addreserer dere dem?

Level AI er en kunde-erfaring intelligens og service-automatiseringsplattform. Som sådan, integrerer vi med de fleste CX-programvare i industrien, enten det er et CRM, CCaaS, undersøkelse eller verktøy-løsning. Dette gjør oss til den sentrale hubben, som samler data fra alle disse kildene og tjener som intelligens-laget på toppen.

Men utfordringen er at noen av disse systemene er basert på ikke-sky, på-premise-teknologi eller selv sky-teknologi som mangler API-er eller rene data-integreringer. Vi arbeider tett med våre kunder for å addresere dette, selv om 80% av våre integreringer nå er sky-basert eller API-naturlig, og lar oss integrere raskt.

Hvordan gir Level AI sanntids-intelligens og håndterbare innsikter for kunde-service agenter? Kan du dele noen eksempler på hvordan dette har forbedret kunde-interaksjoner?

Det er tre typer sanntids-intelligens og håndterbare innsikter vi gir våre kunder:

1. Automatisering av manuelle arbeidsflyter: Service-representanter har ofte begrensede tid (6 til 9 minutter) og flere manuelle oppgaver. Level AI automatiserer kjedelige oppgaver som notat-takning under og etter samtaler, og genererer tilpassede sammenfatninger for hver kunde. Dette har spart våre kunder 10 til 25% i samtale-behandlingstid, og ført til mer effektivitet.
2. CX Copilot for Service-representanter: Service-representanter møter høye churn og oppstart-utfordringer. Forestill deg å bli droppet inn i en kontakt-senter uten å kjenne selskapets politikker. Level AI fungerer som en ekspert-AI som sitter ved siden av representanten, lytter til samtaler og tilbyr sanntids-veiledning. Dette inkluderer å håndtere innvendinger, gi kunnskap og tilby smart transkripsjon. Denne funksjonen har hjulpet våre kunder med å påbegynne og trene service-representanter 30 til 50% raskere.
3. Manager Copilot: Denne unike funksjonen gir ledere sanntids-innsikt i hvordan deres team utfører seg. Level AI gir sekund-for-sekund innsikt i samtaler, og lar ledere gripe inn, detektere holdninger og intensjoner, og støtte representanter i sanntid. Dette har forbedret agent-produktivitet med 10 til 15% og økt agent-tilfredshet, som er avgjørende for å redusere kostnader. For eksempel, hvis en kunde begynner å forbanne en representant, flagger systemet det, og lederen kan enten ta over samtalen eller hviske veiledning til representanten. Denne typen sanntids-intervensjon ville være umulig uten denne teknologien.

Kan du forklare hvordan Level AI sin sentiment-analyse fungerer og hvordan den hjelper agenter med å svare mer effektivt på kunder?

Vår sentiment-analyse detekterer syv forskjellige emosjoner, fra ekstrem frustrasjon til ekstase, og lar oss måle varierende grader av emosjoner som bidrar til vår totale sentiment-score. Denne analysen tar hensyn til både tale-ord og tone i samtalen. Men vi har funnet gjennom våre eksperimenter at tale-ord spiller en mye mer betydelig rolle enn tone. Du kan si de mest onde ting i en flat tone eller veldig gode ting i en merkelig tone.

Vi gir en sentiment-score på en skala fra 1 til 10, hvor 1 indikerer svært negativt sentiment og 10 indikerer et høyt positivt sentiment. Vi analyserer 100% av våre kunders samtaler, og tilbyr en dyp innsikt i kunde-interaksjoner.

Kontekst-forståelse er også kritisk. For eksempel, hvis en samtale starter med svært negativt sentiment, men slutter positivt, selv om 80% av samtalen var negativ, regnes den totale interaksjonen som positiv. Dette er fordi kunden startet sint, representanten løste problemet, og kunden forlot seg tilfreds. På den andre siden, hvis samtalen starter positivt, men slutter negativt, er det en annen historie, selv om 80% av samtalen kan ha vært positiv.

Denne analysen hjelper både representanten og lederen med å identifisere områder for trening, og fokusere på handlinger som korrelerer med positivt sentiment, som å hilse på kunden, anerkjenne deres bekymringer og vise empati – elementer som er avgjørende for suksessfulle interaksjoner.

Hvordan addreserer Level AI data-privat og sikkerhets-bekymringer, særlig gitt den sensitive naturen av kunde-interaksjoner?

Fra dag én har vi prioritert sikkerhet og privatliv. Vi har bygget vårt system med enterprise-nivå sikkerhet og privatliv som kjerne-prinsipper. Vi outsourcerer ikke noen av våre generative AI-kapasiteter til tredje-parts leverandører. Alt er utviklet internt, og lar oss trene kunde-spesifikke AI-modeller uten å dele data utenfor vår omgang.

For å addresere en nåværende industri-bekymring, er våre data ikke brukt av eksterne modeller for trening. Vi lar ikke våre modeller bli påvirket av AI-generert data fra andre kilder. Denne tilnærmingen forhindrer problemene noen AI-modeller møter, hvor å bli trent på AI-generert data forårsaker dem å tape nøyaktighet. Hos Level AI er alt først-part, og vi deler eller trekker ikke data eksternt.

Med den nylige $39,4 millioner Series C-finansieringen, hva er dine planer for å utvide Level AI sin plattform og nå nye kunde-segmenter?

Series C-investeringen vil drive vår strategiske vekst og innovasjons-initiativer i kritiske områder, inkludert å fremme produkt-utvikling, ingeniør-forbedringer og rigorøse forsknings- og utviklings-innsats. Vi har som mål å rekruttere topp-talent på alle nivåer av organisasjonen, og å fortsette å pioneer industri-ledende teknologier som overgår kunde-forventninger og møter dynamiske marked-krav.

Hvordan ser du på rollen til AI i å transformere kunde-service over de neste ti årene?

Mens den generelle fokus ofte er på automatiserings-aspektet – og forutser en fremtid hvor boter håndterer all kunde-service – er vår synspunkt mer nyansert. Utstrekningen av automatisering varierer etter vertikalt. For eksempel, i bank eller finans, kan automatisering være lavere, mens i andre sektorer kan det være høyere. I gjennomsnitt tror vi at å oppnå mer enn 40% automatisering over alle vertikaler er utfordrende. Dette er fordi service-representanter gjør mer enn bare å svare på spørsmål – de fungerer som feil-søkere, salgs-rådgivere og mer, roller som ikke kan fullstendig replikeres av AI.

Det er også betydelig potensiale i arbeidsflyt-automatisering, som Level AI fokuserer på. Dette inkluderer bak-kontor oppgaver som kvalitets-sikring, billett-triaging og skjerm-overvåking. Her kan automatisering overstige 80% ved å bruke generativ AI. Intelligens og data-innsikt er avgjørende. Vi er unike i å bruke generativ AI til å få innsikt fra ustrukturert data. Denne tilnærmingen kan betydelig forbedre kvaliteten på innsiktene, redusere behovet for profesjonell service med 90% og akselerere tid til verdi med 90%.

En annen viktig overveielse er om ansiktet av din organisasjon skal være en bot eller en person. Forbi de grunnleggende funksjonene de utfører, er en menneskelig forbindelse med dine kunder avgjørende. Vår tilnærming er å fjerne overskudds-oppgaver fra en persons arbeidsbyrde, og lar dem fokusere på meningsfulle interaksjoner.

Vi tror at mennesker er best egnet for direkte kommunikasjon og skal fortsette å være i den rollen. Men de er ikke ideelle for oppgaver som notat-takning, transkribering av interaksjoner eller skjerm-opptak. Ved å håndtere disse oppgavene for dem, frigjør vi deres tid til å engasjere seg mer effektivt med kunder.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Level AI.