Ofer Ronen, medgrunnlegger og CEO av Tomato.ai – Intervju-serie

Ofer Ronen er medgrunnlegger og CEO av Tomato.ai, en plattform som tilbyr en AI-drevet stemmefilter for å myke ut aksenter for offshore-agentstemmer mens de snakker, noe som resulterer i forbedret CSAT og salgsstatistikk.

Ofer solgte tidligere tre teknologistartups, to til Google, og ett til IAC. Han tilbrakte de siste fem årene hos Google med å bygge kontakt-senter AI-løsninger innen Area 120 inkubator. Han lukket over 500 millioner dollar i avtaler for disse nye løsningene. Han har en mastergrad i datateknikk med fokus på AI fra University of Michigan, og en MBA fra Cornell.

Hva var det som først tiltalte deg til maskinlæring og AI?

AI har hatt en lang historie med starter og stopp. Perioder med mye håp for teknologien til å transformere industrier, fulgt av perioder med desillusjon fordi den ikke quite levde opp til hypen.

Da jeg gjorde en master i AI for noen tiår siden, ved University of Michigan, var det en periode med desillusjon, da AI ikke quite gjorde en innvirkning. Jeg var intrigert av ideen om at datamaskiner kunne læres å utføre oppgaver gjennom eksempler vs de tradisjonelle heuristikkene, som krever tenkning om hva eksplisitte instruksjoner å gi. På den tiden jobbet jeg i et AI-forskningslaboratorium på virtuelle agenter som hjelper lærere å finne ressurser på nettet for deres klasser. Da hadde vi ikke de store dataene, de kraftfulle beregningsressursene eller de avanserte neurale nettverkene som vi har i dag, så de evnene vi bygget var begrensede.

Fra 2016 til 2019 jobbet du i Googles Area 120-inkubator for å designe svært robuste virtuelle agenter for de største kontakt-sentrene. Hva var denne løsningen nøyaktig?

Mer nylig jobbet jeg i Googles Area 120-inkubator på noen av de største stemme-virtuelle agent-utstedelsene, inkludert et par prosjekter for Fortune 50-selskaper med over en hundred million støtteoppringer årlig.

For å bygge mer robuste stemme-virtuelle agenter som kan håndtere komplekse samtaler, tok vi millioner av historiske samtaler mellom mennesker og brukte disse samtale til å detektere typen oppfølgingspørsmål kundene har utover deres opprinnelige uttalede problem. Ved å grave i oppfølgingspørsmål og ved å grave i forskjellige måter kundene formulere hvert spørsmål, var vi i stand til å bygge fleksible virtuelle agenter som kan ha meandrerende samtaler. Dette speilet bedre den type samtaler kundene har med menneskelige agenter. Sluttresultatet var en materiel økning i det totale antall oppringninger fullstendig håndtert av de virtuelle agentene.

I 2021 og 2022 bygde du en 2. startup i Area 120, kunne du dele hva denne selskapsvar og hva du lærte fra erfaringen?

Min andre startup innen Area 120 var igjen fokusert på kontakt-sentre. Vår løsning fokuserte på å redusere kundeavhopping ved å proaktivt nå ut til kunder rett etter en mislykket støtteoppring der kunden uttrykte sitt problem, men ikke kom til en løsning. Utstrekket ville bli gjort av virtuelle agenter trent til å håndtere åpne problemer. Hva jeg lærte fra denne erfaringen er at avhopping er et vanskelig mål å måle på en tilstrekkelig måte. Det kan ta 6 måneder å få statistisk signifikante resultater for endringer i avhopping. Det gjør det vanskelig å optimalisere en opplevelse raskt nok og å overbevise kunder om at en løsning fungerer.

Kunne du dele opphavsfortellingen bak din tredje kontakt-senter AI-startup Tomato.ai, og hvorfor du valgte å gjøre det selv i stedet for å jobbe innen Google?

Ideen til Tomato.ai, min tredje kontakt-senter startup, kom fra James Fan, min medgrunnlegger og CTO. James tenkte det ville være mer effektivt å selge vin med en fransk aksent, og hva hvis noen kunne bli gjort til å høres fransk ut?

Dette var frøet til ideen, og fra der vårt tenkning utviklet seg. Da vi undersøkte det mer fant vi et mer akutt smertepunkt følt av kunder når de snakket med aksenterte offshore-agenter. Kunder hadde problemer med forståelse og tillit. Dette representerte en større markedsmulighet. Gitt våre bakgrunner, realiserte vi den betydelige innvirkningen det ville ha på kontakt-sentre, hjelpende dem å forbedre deres salgs- og støttestatistikk. Vi henviser nå til denne type løsning som Aksent-myking.

James og jeg ledet og solgte tidligere startups, inkludert hver av oss solgte en startup til Google.

Vi bestemte oss for å forlate Google for å starte Tomato.ai fordi, etter mange år hos Google, var vi klare til å komme tilbake til å starte og lede vårt eget selskap.

Tomato.ai løser et viktig smertepunkt med kontakt-sentre, som er å myke ut aksenter for agenter. Kunne du diskutere hvorfor stemmefiltre er en foretrukket løsning til agent-trening?

Ved Tomato.ai, forstår vi viktigheten av klar kommunikasjon i kontakt-sentre, der aksenter kan noen ganger skape barrierer. I stedet for å bare stole på tradisjonell agent-trening, har vi utviklet stemmefiltre, eller hva vi kaller “aksent-myking”. Disse filterne hjelper agentene å beholde sin unike stemme, mens de reduserer aksenten, forbedrer klarskapen for ringere, og bygger tillit mellom agenter og ringere, gjør hver interaksjon mer effektiv og tilfredsstillende for kunden. Så, sammenlignet med omfattende treningsprogrammer, tilbyr stemmefiltre en enklere og mer umiddelbar løsning for å håndtere aksent-relaterte utfordringer i kontakt-sentre.

Etterhvert som eksisterende agenter utnytter disse verktøyene for å forbedre deres ytelse, vil de bli beføyhet til å kreve høyere satser, reflekterende deres økte verdi i å levere eksepsjonelle kundeopplevelser. Samtidig vil den demokratiserende effekten av generativ AI bringe nye nykommer-agenter inn i folden, utvider talentpoolen og driver ned timelønner. Dette dikotomiet markerer en grunnleggende transformasjon i dynamikken av kontakt-senter-tjenester, der teknologi og menneskelig ekspertise omformer landskapet til industrien, baner vei for en mer inkluderende og konkurranse-drevet fremtid.

Hva er noen av de forskjellige maskinlærings- og AI-teknologiene som brukes for å aktivere stemmefilter?

Denne type sanntids stemmefilter-løsning ville ikke ha vært mulig bare noen få år siden. Fremgang i taleforskning kombinert med nyere arkitekturer som transformer-modellen og dype neurale nettverk, og mer kraftfulle AI-hardware (som TPUs fra Google, og GPUs fra NVidia) gjør det mer mulig å bygge slike løsninger i dag. Det er fortsatt et svært vanskelig problem som krever at vårt team oppfinner nye teknikker for å trene tale-til-tale-modeller som er lav-forsinkelse og høykvalitets.

Hva type tilbakemelding har vært mottatt fra kontakt-sentre, og hvordan har det påvirket ansatt-avhopping-rater?

Vi har sterk etterspørsel fra store og små offshore kontakt-sentre for å prøve ut vår aksent-mykingsløsning. Disse kontakt-sentrene erkjenner at Tomato.ai kan hjelpe med deres to største problemer (1) offshore-agenter-prestasjonsmetrikker er ikke opp til par vs onshore-agenter (2) det er vanskelig å finne nok kvalifiserte agenter å ansette i offshore-markeder som India og Filippinene.

Vi forventer i de kommende ukene å ha casestudier som fremhever typen innvirkning kontakt-sentre opplever ved å bruke Aksent-myking. Vi forventer salgsoppringer å se en umiddelbar løft i nøkkel-metrikker som omsetning, lukkingsrater og lead-kvalifiseringsrater. Samtidig forventer vi at støtteoppringer å se kortere håndteringstider, færre tilbakeoppringer og forbedret CSAT.

Som nevnt ovenfor tar avhopping-rater lengre tid å validere, og så casestudier med disse forbedringene vil komme på et senere tidspunkt.

Tomato.ai nylig samlet inn 10 millioner dollar i finansieringsrunden, hva betyr dette for fremtiden til selskapet?

Etterhvert som Tomato.ai gjør seg klar for sin første produktlansering, forblir teamet fast bestemt på å omforme landskapet av global kommunikasjon og fremtiden for arbeid, en samtale av gangen.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Tomato.ai.