Ofer Ronen, medgrunnlegger og administrerende direktør i Tomato.ai – Intervju-serie

Ofer Ronen er medgrunnlegger og administrerende direktør i 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 teknologiske startups, to til Google (GOOGL ), og en til IAC. Han tilbrakte de fem siste 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 datamaskin-teknologi 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 stor håp om teknologien til å transformere bransjer, 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 hadde en effekt. Jeg var fascinert av ideen om at datamaskiner kunne læres å utføre oppgaver gjennom eksempler i stedet for tradisjonelle heuristiske metoder, som krever å tenke på hva eksplisitte instruksjoner å gi. På den tiden jobbet jeg i et AI-forskningslaboratorium på virtuelle agenter som hjalp lærere å finne ressurser på nettet for deres klasser. Da hadde vi ikke den store datamengden, de kraftige beregningsressursene eller de avanserte neurale nettverkene som vi har i dag, så de funksjoner vi bygde var begrensede.

Fra 2016 til 2019 arbeidet du hos Google’s Area 120-inkubator for å designe svært robuste virtuelle agenter for de største kontakt-sentrene. Hva var denne løsningen nøyaktig?

Mer nylig arbeidet jeg hos Google’s 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 oppdage typen av oppfølgende spørsmål kundene har utover deres opprinnelige problem. Ved å grave i oppfølgende spørsmål og ved å grave i ulike måter kundene uttrykker hvert spørsmål, var vi i stand til å bygge fleksible virtuelle agenter som kan ha meandrende samtaler. Dette speilet bedre den type samtaler kundene har med menneskelige agenter. Resultatet var en betydelig økning i det totale antall oppringninger fullstendig håndtert av de virtuelle agentene.

I 2021 og 2022 bygde du en 2. startup hos Area 120. Kan du dele hva dette selskapet var og hva du lærte fra denne erfaringen?

Min andre startup hos 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. Utstrekkelsen ville bli gjort av virtuelle agenter trenet 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. Dette gjør det vanskelig å optimalisere en opplevelse raskt nok og å overbevise kunder om at en løsning fungerer.

Kan du dele opphavsfortellingen bak din tredje kontakt-senter AI-startup Tomato.ai, og hvorfor du valgte å gjøre det selv i stedet for å arbeide hos 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 hvem som helst kunne bli gjort til å høres fransk ut?

Dette var frøet til ideen, og fra der utviklet vårt tenkning seg. Da vi undersøkte det mer, fant vi et mer akutt smertepunkt følt av kunder når de snakker med aksenterte offshore-agenter. Kunder hadde problemer med å forstå og stole på dem. Dette representerte en større markedsmulighet. Gitt våre bakgrunner, innsett vi den betydelige effekten det ville ha på kontakt-sentre, hjelpende dem å forbedre salgs- og støtte-statistikkene. Vi omtaler nå denne type løsning som Aksent-myking.

James og jeg ledet og solgte tidligere startups, inkludert hver av oss som 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 ivrige etter å komme tilbake til å starte og lede våre egne selskaper.

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

Hos Tomato.ai, forstår vi viktigheten av klar kommunikasjon i kontakt-sentre, hvor 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 filtre hjelper agentene å beholde sin unike stemme, mens de reduserer aksenten, og forbedrer klarheten for kallerne. Ved å bruke stemmefiltre, sikrer vi bedre kommunikasjon og bygger tillit mellom agenter og kallerne, og gjør hver interaksjon mer effektiv og tilfredsstillende for kunden. Så, sammenlignet med omfattende treningprogrammer, 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 ytelsen, vil de bli bemektiget til å kreve høyere satser, som reflekterer deres økte verdi i å levere eksepsjonelle kundeopplevelser. Samtidig vil den demokratiserende effekten av generativ AI bringe nye innledende agenter inn i folden, og utvide talentpoolen og drive ned timelønner. Denne dikotomien markerer en grunnleggende transformasjon i dynamikken til kontakt-senter-tjenestene, hvor teknologi og menneskelig ekspertise omformer landskapet til industrien, og åpner vei for en mer inkluderende og konkurranseutsatt fremtid.

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

Denne type sanntids stemmefilter-løsning ville ikke ha vært mulig for bare noen 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 mulig å bygge slike løsninger i dag. Det er fortsatt et svært vanskelig problem som krever at vårt team oppfinner nye tekniker 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-avhoppingssatser?

Vi har sterk etterspørsel fra store og små offshore kontakt-sentre for å prøve ut vår aksent-mykingsløsning. Disse kontakt-sentre innser at Tomato.ai kan hjelpe med deres to største problemer (1) offshore-agenter sine ytelsesstatistikk er ikke på linje med 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 høydepunkter den type effekt kontakt-sentre opplever ved å bruke Aksent-myking. Vi forventer salgsoppringer å se en umiddelbar løft i nøkkelstatistikk som omsetning, lukkingsfrekvens og lead-kvalifiseringsfrekvens. Samtidig forventer vi at støtteoppringer å se kortere håndteringstider, færre tilbakekall og forbedret CSAT.

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

Tomato.ai har nylig samlet inn 10 millioner dollar i en finansieringsrunde, 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 til global kommunikasjon og fremtiden til arbeid, en samtale om gangen.

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