Mike Clifton, Co-CEO la Alorica – Seria de interviuri

Mike Clifton este Co-CEO al Alorica, un lider global în experiențe digitale de clienți (CX). În acest rol, Mike supraveghează strategia de transformare digitală a companiei – inclusiv produsele sale de IA câștigătoare de premii – pentru a oferi experiențe CX optime pe canale (voce, chat, web, etc.) și industrii în numele brandurilor FORTUNE 500. Cu o expertiză și o experiență puternică în inovație digitală, IA și tehnologie de întreprindere, Mike are un palmares dovedit de creștere profitabilă prin integrarea de soluții tehnologice scalabile pentru a satisface cerințele pieței în evoluție.

Alorica este un lider global în experiență de clienți și externalizare a proceselor de afaceri, oferind soluții tehnologice, umanizate pentru industrii precum bancar, sănătate, retail și telecomunicații. Cu peste 100.000 de angajați în peste 17 țări, compania gestionează miliarde de interacțiuni anual în peste 75 de limbi, oferind servicii precum centre de contact, analize, soluții IA, moderare de conținut și operațiuni back-office – toate axate pe obținerea de rezultate măsurabile pentru clienți.

Industria se îndreaptă spre augmentare mai degrabă decât automatizare – cum reflectă strategia Alorica acest model hibrid?

Strategia Alorica reflectă modelul hibrid de augmentare mai degrabă decât automatizare, concentrându-se pe îmbunătățirea performanței agenților umani cu instrumente IA, mai degrabă decât înlocuirea lor. Acest abordare asigură că oamenii rămân în centrul interacțiunilor cu clienții, sprijiniți de tehnologii avansate pentru a îmbunătăți eficiența și eficacitatea.

De exemplu, Alorica a lansat mai multe soluții avansate, cum ar fi evoAI, Knowledge IQ, Digital Trust & Safety Model și CX2GO®. Aceste instrumente sunt proiectate pentru a amplifica performanța agenților umani, oferind interacțiuni în timp real, conștiente de context, care îmbunătățesc gestionarea cunoștințelor și asigură încredere și securitate digitală.

Prin integrarea instrumentelor IA care oferă interacțiuni conștiente de context și inteligență emoțională, în multiple limbi, cu timpi de răspuns sub o secundă, Alorica permite agenților să ofere suport personalizat și eficient clienților. Această răspunsivitate în timp real se traduce în rezultate îmbunătățite pentru clienți.

În general, strategia Alorica subliniază importanța agenților umani, în timp ce utilizează IA pentru a-și îmbunătăți capacitățile, reflectând schimbarea industriei spre augmentare mai degrabă decât automatizare.

Ne puteți oferi exemple specifice în care IA a amplificat performanța agenților umani, mai degrabă decât a înlocuit-o?

Există multe exemple de amplificare pe care le-am utilizat în furnizarea serviciilor noastre. Unul dintre ele este capacitatea agenților de a interacționa cu un motor de cunoaștere care ascultă discursul în timp real și îl traduce într-un motor de răspuns automat care solicită asistență; acesta este un instrument puternic și preventiv pe care l-am utilizat în multiple soluții. Un alt exemplu este utilizarea motoarelor de IA conversațională pentru a îmbunătăți capacitatea noastră de a instrui agenți pe scenarii clienți dificile. Prin rularea de simulări IA a interacțiunilor în timp real, reducem stresul, iar modelele învață continuu – actualizând agenții cu privire la sentiment și empatie pe măsură ce câștigă mai multă experiență.

Cum urmăriți impactul performanței acestor instrumente IA – de exemplu, în Rezolvarea la Primul Contact, timpul de gestionare sau eficiența agenților?

Urmărirea instrumentelor IA în utilizare augmentată se încadrează în mod direct în metricile atribuite agenților, ca și cum nu ar exista instrumente. Diferența constă în capacitatea de a prelua mai multe apeluri cu un randament mai mare de satisfacție și de a avea încredere în capacitatea de a prezice strategii de forță de muncă mai bune atunci când aveți date solide de la modele.

Ați lansat mai multe soluții avansate în acest an – evoAI, Knowledge IQ, Digital Trust & Safety Model și CX2GO®. Care dintre acestea credeți că are cel mai imediat “superputere” efect pentru agenți și de ce?

Utilizarea noastră internă a evoAI oferă agenților capacitatea de a utiliza apeluri simulate pentru a se instrui cu un nivel mai ridicat de conștientizare situatională, oferind cel mai mare impact. Acesta este urmat de Knowledge IQ, care amplifică capacitatea unui agent de a găsi răspunsul corect. Aceste două au fost schimbătoare de joc pentru angajații noștri, modificând complet modul în care agenții noștri pot aborda nevoile clienților în mod rapid și precis.

Din perspectiva învățării automatice, cum sunt modelele dvs. antrenate pentru a menține acuratețea și adaptabilitatea pe măsură ce evoluează nevoile clienților, limba și condițiile de piață?

Pentru a menține acuratețea și adaptabilitatea în fața nevoilor clienților în evoluție, limbajului și condițiilor de piață, modelele noastre de învățare automată suferă antrenament și rafinare continuă.

Iată câteva strategii cheie pe care le implementăm:

• Învățare Continuă: Modelele noastre sunt proiectate să învețe din date noi în mod continuu. Acest lucru implică actualizarea regulată a seturilor de date de antrenament cu interacțiuni recente, feedback și tendințe de piață. Prin incorporarea informațiilor recente, modelele noastre pot adapta la preferințele clienților în schimbare și la condițiile de piață emergente.
• Surse de Date Diverse: Utilizăm o gamă largă de surse de date pentru a antrena modelele noastre, inclusiv interacțiuni ale clienților, rețele sociale, rapoarte de piață și multe altele. Această diversitate asigură că modelele noastre sunt expuse la diverse scenarii și nuanțe lingvistice, îmbunătățind capacitatea lor de a înțelege și de a răspunde cu acuratețe.
• Bucle de Feedback: Implementăm bucle robuste de feedback în care interacțiunile clienților și intrările agenților sunt utilizate pentru a ajusta modelele. Acest feedback în timp real ajută la identificarea și corectarea inacuratețelor, astfel încât modelele să rămână relevante și eficiente.
• Capacități Multilingve: Modelele noastre sunt antrenate pe seturi de date multilingve pentru a gestiona interacțiuni în multiple limbi. Acest lucru este crucial pentru a oferi răspunsuri precise, localizate și conștiente de context pentru o bază de clienți globală.
• Audituri și Evaluări Regulate: Realizăm audituri și evaluări regulate ale modelelor noastre pentru a evalua performanța lor. Acest lucru include testarea modelelor împotriva seturilor de date de referință și a scenariilor din lumea reală pentru a asigura că acestea îndeplinesc standardele de acuratețe și adaptabilitate.
• Om în Buclă: Menținem un abordare “om în buclă” în care agenții umani colaborează cu IA pentru a gestiona cereri complexe. Acest model hibrid asigură că tehnologia învață din expertiza umană și își îmbunătățește performanța în timp.
• Utilizarea Modelelor Lingvistice Mai Mici: Antrenarea modelelor mai mici, orientate vertical (prin abordarea hibridă sau a ansamblului) alături de LLM comerciale disponibile permite eficiențe în calcul, căutare și timp de răspuns, scurtând ciclurile de testare a părtinirii și echității.

Aceste strategii permit modelelor noastre de învățare automată să rămână precise, adaptabile și capabile să ofere experiențe de înaltă calitate clienților în medii dinamice.

evoAI oferă interacțiuni conștiente de context și inteligență emoțională în peste 120 de limbi, cu timpi de răspuns sub o secundă. Cum se traduce această răspunsivitate în timp real în suportul agenților și rezultatele clienților?

evoAI oferă un suport mai bun pentru agenți și îmbunătățește rezultatele clienților în mai multe moduri:

• Performanță: Interacțiunile conștiente de context ajută la găsirea și sortarea rapidă a unei cantități uriașe de informații pentru cererile agenților.
• Personalizare: Oferă adaptabilitate multilingvă, permițând selectarea limbii de intrare și ieșire în timp real pentru orice prompt. De exemplu, un client care solicită în engleză un răspuns în franceză, astfel încât un părinte mai în vârstă care ascultă să poată înțelege.
• Eficiență: Reduc timpii de răspuns și, adesea, elimină nevoia unui răspuns uman.
• Inteligență Emoțională: Permite agenților să ajusteze opțiunile pentru apelatori pe baza conștientizării situaționale (ton, dispoziție și alegere a cuvintelor), permițând o deescaladare mai rapidă.

Cu IA agentică câștigând teren, cum gestionați riscurile, cum ar fi halucinații, părtinire sau pierderea controlului, asigurând în același timp că agenții rămân factorii de decizie?

La Alorica, credem că arhitectura din spatele tehnologiei face toată diferența. Prin urmare, gestionarea riscurilor IA agentică necesită un cadru de guvernanță multistratificat pe care l-am integrat în toate nivelurile operațiunilor noastre IA.

Iată cum abordăm fiecare risc critic:

• Mitigarea Halucinațiilor: Utilizăm un sistem de verificare în trei trepte pentru a minimiza halucinațiile. În primul rând, modelele noastre utilizează generare augmentată de recuperare (RAG) care se bazează pe baze de cunoaștere verificate și surse de date în timp real, reducând probabilitatea de informații fabricate cu 85%. În al doilea rând, implementăm scoruri de încredere pentru toate sugestiile generate de IA, unde răspunsurile sub un prag de încredere de 80% declanșează o revizuire umană automată. În al treilea rând, modelele noastre sunt constrânse să funcționeze în spații de parametri definite specific pentru regulile de afaceri și domeniile factuale ale fiecărui client – IA nu poate genera informații despre produse, politici sau proceduri care nu sunt documentate explicit în datele de antrenament.
• Detectarea și Prevenirea Părtinirii: Strategia noastră de gestionare a părtinirii funcționează pe tot parcursul ciclului de viață al IA. În timpul antrenamentului modelului, utilizăm tehnici de debiasare adversă și algoritmi de învățare conștienți de echitate care contracarează activ părtinirile istorice din datele de antrenament. Menținem metrici de paritate demografică pe categorii protejate și realizăm audituri lunare utilizând instrumente precum indicatori de echitate și evaluări ale impactului disproporționat. Modelele noastre sunt testate cu date sintetice proiectate pentru a revela părtiniri în diferite grupuri demografice, limbi și contexte culturale. Atunci când se detectează părtinire, utilizăm reantrenarea țintită pe seturi de date echilibrate și ajustăm greutățile modelului pentru a asigura rezultate echitabile. În mod important, menținem rapoarte de transparență care urmăresc metricile de părtinire în timp, permițând clienților să vadă exact cum funcționează modelele noastre pe diferite populații.
• Menținerea Controlului Uman: Agenții umani rămân decidenții finali prin arhitectura noastră “IA ca Avizier”. Sistemul IA oferă recomandări cu caracteristici explicabile – agenții pot vedea de ce IA a sugerat o anumită acțiune, ce factori a luat în considerare și ce alternative există. Am implementat opriri ferme unde IA nu poate executa autonom anumite acțiuni: tranzacții financiare, modificări de contract, angajamente legale sau sfaturi medicale necesită întotdeauna autorizare umană. Protocoalele noastre de escaladare direcționează automat scenarii complexe sau cu risc ridicat către agenți seniori sau supraveghetori atunci când IA detectează situații dincolo de limitele sale de competență.
• Monitorizare Continuă și Închidere Rapidă: Fiecare interacțiune IA este înregistrată și monitorizată prin Observatorul nostru de Performanță a Modelului, care urmărește deviația de la comportamentele așteptate în timp real. Menținem capacități de rollback instant și “închidere rapidă” la multiple niveluri – componente individuale ale modelului, modele întregi sau funcții IA pot fi dezactivate în câteva secunde dacă se detectează un comportament anormal. Algoritmii noștri de detectare a derapajului compară continuu ieșirile modelului cu deciziile experților umani, semnalizând divergențe pentru revizuire imediată.
• Validare Om în Buclă: Am proiectat bucle de feedback în care agenții evaluează sugestiile IA după fiecare interacțiune, creând un sistem de învățare continuă care se adaptează la expertiza umană. Agenții noștri de top participă la sesiuni de calibrare săptămânale în care revizuiesc cazuri limită și ajută la rafinarea granițelor de decizie ale IA. Acest model de inteligență colaborativă permite judecata umană să modeleze și să constrângă comportamentul IA în mod continuu.
• Responsabilitate și Urme de Audit: Fiecare decizie influențată de IA păstrează o urmă de audit completă care arată recomandarea IA, nivelul de încredere, sursele de date utilizate și decizia finală a agentului uman. Acest lucru asigură responsabilitatea și ne permite să îmbunătățim continuu modelele noastre pe baza rezultatelor. Auditurile regulate ale părților terțe validează practicile noastre de gestionare a riscurilor împotriva standardelor industriale și a cerințelor regulatorii.

Prin implementarea acestor măsuri de protecție cuprinzătoare, ne asigurăm că sistemele noastre IA agentică sporesc capacitățile umane, menținând în același timp standardele etice, agenția umană și controlul operațional.

Cum abordați reantrenarea modelului și învățarea continuă pentru a vă asigura că sistemele dvs. IA rămân aliniate atât cu cerințele de conformitate, cât și cu nuanțele sentimentului clienților?

Abordarea Alorica pentru reantrenarea modelului și învățarea continuă în cadrul Alorica IQ se bazează pe un cadru robust MLOps care echilibrează cerințele de conformitate cu optimizarea experienței clienților.

Am implementat o arhitectură de reantrenare multistratificată care funcționează pe cadențe diferite. Modelele noastre critice pentru conformitate suferă detectare a derapajului zilnic și audituri de performanță săptămânale, cu declanșatoare automate pentru reantrenare imediată atunci când apar schimbări de reglementare. Pentru modelele de sentiment al clienților, utilizăm bucle de feedback în timp real care capturează corecțiile agenților și scorurile de satisfacție ale clienților, alimentându-le în pipeline-ul nostru de antrenament la fiecare 72 de ore.

Stratul nostru de Inteligență de Conformitate funcționează ca un sistem de siguranță, validând automat ieșirile modelului împotriva cadrului de reglementare specific fiecărei țări – de la GDPR în Europa la CCPA în California. Acest strat este actualizat continuu prin parteneriatul nostru cu furnizori de tehnologie juridică și fluxuri de reglementare, asigurându-ne că sistemele noastre IA rămân conforme fără intervenție manuală.

Pentru nuanța sentimentului, am dezvoltat ceea ce numim “încorporări de context cultural” în cadrul Alorica IQ, incubatorul nostru de inovație. Acestea sunt modele regionale fine-tunate care înțeleg nu numai limba, ci și modelele de comunicare culturală. De exemplu, modelele noastre recunosc că nivelurile de directitate variază semnificativ între interacțiunile clienților germani și japonezi și ajustează scorurile de sentiment corespunzător.

Menținem registre de modele versificate cu capacități de rollback instant, permițându-ne să revenim imediat la versiuni anterioare dacă antrenamentul nou introduce comportamente neașteptate. Cadru nostru de testare A/B rulează continuu, comparând noi versiuni de modele cu versiunile de producție pe mii de interacțiuni înainte de implementarea completă.

Cel mai important, am stabilit un Protocol de Integrare a Feedback-ului Uman în care agenții noștri de top revizuiesc în mod regulat cazuri limită și oferă feedback corectiv, creând un ciclu virtuos în care expertiza umană îmbunătățește continuu capacitățile noastre IA. Acest abordare a redus încălcările de conformitate cu 94%, în timp ce a îmbunătățit acuratețea detectării sentimentului la 92% în toate limbile suportate.

Cu extinderea rapidă la nivel internațional – în special în piețe precum India, Egipt și EMEA – cum adaptați abordarea dvs. IA-umană la nevoile lingvistice și culturale diverse?

Credem că localizarea nu se rezumă doar la vorbirea unei limbi – este vorba despre reflectarea culturii.

Platformele noastre IA, cum ar fi evoAI și ReVoLT, sunt calibrate pentru a capta ton, nuanță și context în sute de limbi și dialecte, astfel încât interacțiunile să pară familiare și autentice. Dar nu ne oprim aici. Angajăm talente din fiecare regiune, instruim echipele în jurul așteptărilor culturale și adaptăm designul serviciului pentru a reflecta normele locale. Acest model hibrid asigură că fiecare interacțiune pare creată pentru acea piață.

În India, unde suportăm peste 75 de limbi oficiale, plus numeroase dialecte, am implementat Arhitectura noastră de Rețea Lingvistică care nu numai că traduce, ci menține contextul în scenarii de comutare de cod – unde clienții solicită într-o limbă și primesc răspuns în alta. Modelele noastre sunt antrenate pe modele reale de conversație din orașe de nivel 2 și 3, nu doar din zone metropolitane, asigurându-ne că capturăm spectrul complet de stiluri de comunicare.

Pentru operațiunile noastre din Egipt, care deservesc regiunea MENA mai largă, am dezvoltat modele specifice dialectului arab care disting între arabă egipteană, arabă din Golful Arabic și arabă levantină, cu mânuire specială pentru registrele formale (Fusha) versus cele colocviale (Ammiya). IA noastră înțelege când un client trece de la arabă formală la cea colocvială ca un semnal emoțional, declanșând tehnici de deescaladare specifice culturii respective în timp real.

În piețele EMEA, am implementat ceea ce numim “Proiectarea IA cu Prioritate Reglementară”. Fiecare implementare include module de conformitate preconfigurate – de la cerințele stricte de localizare a datelor din Germania la legile de protecție a limbii din Franța care necesită interfețe “franceză pe primul loc”. Modelele noastre sunt antrenate nu numai pe limba, ci și pe eticheta comercială locală; de exemplu, implementarea noastră germană pune accent pe precizie și documentație detaliată, în timp ce modelul nostru italian permite o flexibilitate conversațională mai mare.

Baza tehnică este Cadru nostru de Învățare Federată din cadrul Alorica IQ, unde modelele locale învață din date regionale fără a părăsi țara, asigurând suveranitatea datelor în timp ce beneficiază de îmbunătățirile globale ale modelului. Menținem clusteri de GPU regionali pentru a asigura o latență sub 100 de milisecunde pentru asistența agenților în timp real.

Echipa noastră de Inteligență Culturală, formată din experți lingvistici și oameni de știință din fiecare regiune, validează în mod continuu ieșirile IA. Ei ne-au ajutat să identificăm peste 3.000 de scenarii specifice culturii care necesită o abordare specială – de la observanțe religioase care afectează disponibilitatea serviciului până la preferințe locale de plată care afectează fluxurile de conversație.

Acest abordare a condus la rezultate impresionante: operațiunile noastre din India arată scoruri CSAT cu 40% mai mari atunci când se utilizează IA adaptată culturală în comparație cu modelele generice, iar implementările noastre EMEA au atins rate de rezolvare la primul contact de 98% pentru întrebări specifice limbii.

Cum ajută capacitatea evoAI de a recunoaște și de a se adapta la dialecte regionale și la semnalele emoționale să impulsioneze adoptarea în noi piețe?

Adoptarea se accelerează atunci când oamenii simt că tehnologia “îi înțelege”. evoAI merge dincolo de traducerea literală, înțelegând argoul, accentul și chiar tonul emoțional în timp real.

Capacitățile avansate de recunoaștere a dialectului și de emoție ale evoAI au devenit principalul nostru diferențiator competitiv în ceea ce privește penetrarea pieței, abordând direct lacuna de încredere care adesea inhibă adoptarea IA în piețele emergente.

Din punct de vedere tehnic, evoAI utilizează Modelul nostru de Fuziune Acustic-Lingvistic, care procesează în paralel modele fonetice, caracteristici prozodice și conținut semantic. Acest abordare tri-modal ne permite să detectăm stări emoționale subtile exprimate diferit în culturi. De exemplu, în piețele japoneze, putem detecta “honne” versus “tatemae” (sentimente adevărate versus fațada publică) prin variații micro în ton și ritm de vorbire, în timp ce în piețele din Orientul Mijlociu, recunoaștem dinamici de onoare și rușine prin construcții specifice de fraze și modele de accentuare.

Recunoașterea noastră a dialectului merge dincolo de simpla detectare a accentului. evoAI menține hărți dinamice de dialecte care înțeleg indicatori socio-economici încorporați în modelele de vorbire. În India, de exemplu, sistemul recunoaște nu numai că cineva vorbește tamil sau telugu, ci și poate identifica nivelul de educație și originea urbană versus rurală, permițând agenților să-și ajusteze stilul de comunicare corespunzător. Această înțelegere granulară a demonstrat o creștere a scorurilor de încredere a clienților cu 67% în programele noastre pilot.

Stratul de inteligență emoțională utilizează tehnologia noastră de Grafic de Emoție Contextual, care cartografiază traiectoriile emoționale de-a lungul conversațiilor, mai degrabă decât doar sentimentul la un moment dat. Acest lucru ne permite să prevedem escaladarea emoțională cu 30 de secunde înainte de a apărea, cu o acuratețe de 89%, oferind agenților timpul necesar pentru a interveni cu tehnici de deescaladare specifice culturii respective.

Pentru adoptarea în noi piețe, laboratorul nostru de inovație are o strategie de “Localizare Progresivă” prin Alorica IQ. Începem cu un model de bază antrenat pe conținutul de mass-media, rețelele sociale și discursul public din piața țintă. În primele 30 de zile de implementare, evoAI se adaptează la modelele de conversație ale clienților locali prin Pipeline-ul nostru de Învățare Activă, care prioritizează învățarea din conversații cu varianță emoțională ridicată. Până în ziua a 90-a, modelele noastre ar trebui să atingă o acuratețe de 95% în recunoașterea dialectului și 88% în detectarea stării emoționale.

Impactul business ar fi substanțial. Studiile noastre arată că o implementare în Egipt, cu capacitatea evoAI de a recunoaște și de a răspunde la dialecte cairene versus alexandrine, combinată cu modelele adecvate de curtoazie culturală, ar putea reduce timpul obișnuit de penetrare a pieței de 6 luni la doar 8 săptămâni. Costurile de achiziție a clienților ar putea scădea cu până la 45% pe măsură ce recomandările verbale cresc din cauza interacțiunilor naturale și conștiente de cultură.

Capacitățile de adaptare emoțională ale evoAI ar putea deschide categorii de servicii complet noi. De exemplu, am ipotetat că un serviciu de suport pentru sănătatea mintală alimentat de evoAI ar putea recunoaște markeri timpurii de depresie și anxietate pe baza modelelor de exprimare naturală, permițând intervenții la timp și escaladarea către echipa noastră de sănătate și bunăstare – asigurând întotdeauna că bunăstarea agenților este prioritară.

Acest avantaj tehnologic se traduce direct în adoptarea pieței: regiunile care utilizează capacitățile complete de dialect și emoție ale evoAI arată rate de adoptare de 3,2 ori mai rapide comparativ cu implementările standard de IA, în timp ce scorurile de satisfacție ale agenților se îmbunătățesc cu 78% pe măsură ce aceștia se simt mai încrezători în gestionarea interacțiunilor complexe din punct de vedere cultural.

Privind dincolo de 2025, ce vă imaginați ca fiind următoarea frontieră pentru IA centrată pe om în CX?

Următoarea frontieră este convergența IA conversațională, IA agentică și rețelele neuronale pentru a orchestra un nivel mai înalt de rezultate care nu au fost anterior luate în considerare. Acest lucru va redesena modul în care facem afaceri. Orchestration nu mai este om-la-mașină; este mașină-la-mașină sau mașină-la-mii de mașini simultan.

Închipuiți-vă că planificați o călătorie de afaceri: vizitați un site web pentru a selecta o linie aeriană, apoi rezervați un hotel, aranjați transportul, programați cină și planificați întoarcerea. Acesta este un exemplu simplu de a iniția o singură solicitare și de a lăsa boturile integrate – alimentate de o rețea neuronală – să proceseze toate opțiunile disponibile și să construiască un răspuns multi-alegere pentru a selecta. În acest model, orchestration este neuronală, IA agentică alimentează boturile, iar conversația este răspunsul.

Mulțumim pentru acest interviu excelent; cititorii care doresc să afle mai multe ar trebui să viziteze Alorica.