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 supervizează strategia de transformare digitală a companiei – inclusiv produsele sale de AI premiate – pentru a oferi experiențe optime de clienți pe canale (voce, chat, web, etc.) și industrii în numele brandurilor FORTUNE 500. Cu o expertiză puternică și experiență în inovație digitală, AI și tehnologie de întreprindere, Mike are un record dovedit de creștere profitabilă prin integrarea de soluții tehnologice scalabile pentru a satisface cerințele în schimbare ale pieței.

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

Industria se îndreaptă spre augmentare și nu spre automatizare – cum reflectă strategia Alorica acest model hibrid?

Strategia Alorica reflectă modelul hibrid de augmentare și nu de automatizare, concentrându-se pe îmbunătățirea performanței agenților umani cu instrumente de inteligență artificială, 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 siguranță digitală.

Prin integrarea instrumentelor de inteligență artificială care oferă interacțiuni conștiente de context și emoțional inteligente, în multiple limbi și 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 îmbunătățirea rezultatelor clienților.

În general, strategia Alorica subliniază importanța agenților umani, în timp ce utilizează inteligența artificială pentru a-și îmbunătăți capacitățile, reflectând schimbarea industriei spre augmentare și nu spre automatizare.

Puteți să împărtășiți exemple specifice în care inteligența artificială a amplificat performanța agenților umani, mai degrabă decât să-i înlocuiască?

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 multe soluții. Un alt exemplu este utilizarea motoarelor de inteligență artificială conversațională pentru a îmbunătăți capacitatea noastră de a instrui agenți în cele mai dificile scenarii ale clienților. Prin rularea de simulări de inteligență artificială a interacțiunilor în timp real, reducem stresul, iar modelele continuă să învețe – actualizând agenții cu privire la sentiment și empatie pe măsură ce câștigă mai multă experiență.

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

Urmărirea instrumentelor de inteligență artificială în utilizare augmentată se încadrează în mod clar în metricile atribuite agenților, ca și cum nu ar exista instrumente. Diferența constă în capacitatea de a prelua mai multe apeluri la un nivel de satisfacție mai ridicat 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 considerați că are cel mai imediat “superputere” efect asupra agenților și de ce?

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

Din punct de vedere al învățării automate, cum sunt modelele dvs. antrenate pentru a menține acuratețea și adaptabilitatea în fața nevoilor clienților, limbilor și condițiilor de piață în schimbare?

Pentru a menține acuratețea și adaptabilitatea în fața nevoilor clienților, limbilor și condițiilor de piață în schimbare, modelele noastre de învățare automată suportă un proces continuu de antrenament și rafinare.

Iată câteva strategii cheie pe care le utilizăm:

• Învățare Continuă: Modelele noastre sunt proiectate pentru a învăța în mod continuu din noile date. 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, incluzând 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, îmbunătățindu-le capacitatea de a înțelege și de a răspunde cu acuratețe.
• Bucle de Feedback: Implementăm bucle de feedback robuste în care interacțiunile clienților și inputurile 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: Conducem audituri și evaluări regulate ale modelelor noastre pentru a evalua performanța. 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.
• Abordare Umană în Buclă: Menținem o abordare umană în buclă în care agenții umani colaborează cu inteligența artificială pentru a gestiona scenarii complexe. Acest model hibrid asigură că tehnologia învață din expertiza umană și își îmbunătățește performanța în timp.
• Utilizarea Modelelor de Limbă Mai Mici: Antrenarea modelelor de limbă mai mici, orientate vertical (prin abordarea hibridă sau a ansamblului), alături de LLM-urile disponibile comercial, permite eficiențe în calcul, căutare și timp de răspuns, scurtând, de asemenea, 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 clienți de înaltă calitate în medii dinamice.

evoAI oferă interacțiuni conștiente de context și emoțional inteligente, în peste 120 de limbi, cu timpi de răspuns sub o secundă. Cum se traduce această răspunsivitate în timp real în suportul agenților și în 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 mari 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.
• Inteligentă Emoțională: Permite agenților să ajusteze opțiunile pentru apelanti pe baza conștientizării situației (ton, dispoziție și alegere a cuvintelor), permițând o de-escaladare mai rapidă.

Cum gestionați riscurile, cum ar fi halucinațiile, părtinirea sau pierderea controlului, asigurând în același timp că agenții rămân factorii de decizie?

La Alorica, credem că arhitectura din spatele tehnologiei face toată diferența. De aceea, gestionarea riscurilor inteligenței artificiale agențice necesită un cadru de guvernanță multistratificat pe care l-am integrat în toate nivelurile operațiunilor noastre de inteligență artificială.

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 inteligența artificială, unde răspunsurile sub un prag de încredere de 80% declanșează o revizuire umană automată. În al treilea rând, modelele noastre sunt limitate să funcționeze în spații de parametri specifici pentru fiecare regulă de afaceri și domeniu factual al clientului – inteligența artificială nu poate genera informații despre produse, politici sau proceduri care nu sunt explicit documentate în datele de antrenament.
• Detectarea și Prevenirea Părtinirii: Strategia noastră de gestionare a părtinirii funcționează pe tot parcursul ciclului de viață al inteligenței artificiale. 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 efectuăm audituri lunare utilizând instrumente precum indicatori de echitate și evaluări de impact disparat. 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. De asemenea, menținem rapoarte de transparență care urmăresc metrici de părtinire în timp, permițând clienților să vadă exact cum funcționează modelele noastre în diferite populații.
• Menținerea Controlului Uman: Agenții umani rămân decidenții finali prin arhitectura noastră “Inteligență Artificială ca Avizier”. Sistemul de inteligență artificială oferă recomandări cu caracteristici explicabile – agenții pot vedea de ce inteligența artificială a sugerat o anumită acțiune, ce factori a luat în considerare și ce alternative există. Am implementat opriri ferme unde inteligența artificială nu poate executa acțiuni autonom: tranzacții financiare, modificări de contract, angajamente legale sau sfaturi de sănătate necesită întotdeauna autorizare umană. Protocoalele noastre de escaladare direcționează automat scenarii complexe sau cu risc ridicat către agenți seniori sau supraveghetori atunci când inteligența artificială detectează situații dincolo de limitele sale de competență.
• Monitorizare Continuă și Închidere: Fiecare interacțiune cu inteligența artificială este înregistrată și monitorizată prin Observatorul nostru de Performanță a Modelului, care urmărește deviațiile de la comportamentele așteptate în timp real. Menținem capacități de rollback instantaneu și “închidere” la multiple niveluri – componente individuale ale modelului, modele întregi sau funcții de inteligență artificială pot fi dezactivate în secunde dacă se detectează un comportament anormal. Algoritmii noștri de detectare a derapajului compară continuu ieșirile modelului cu deciziile experților umani, semnalizând divergențele pentru revizuire imediată.
• Validare Umană în Buclă: Am proiectat bucle de feedback în care agenții evaluează sugestiile de inteligență artificială 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 inteligenței artificiale. Acest lucru creează un model de inteligență colaborativă în care judecata umană continuă să modeleze și să constrângă comportamentul inteligenței artificiale.
• Responsabilitate și Urme de Audit: Fiecare decizie influențată de inteligență artificială menține o urmă de audit completă care arată recomandarea inteligenței artificiale, nivelul de încredere, sursele de date utilizate și decizia finală a agentului uman. Acest lucru asigură responsabilitate 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 reglementare.

Prin implementarea acestor măsuri de protecție cuprinzătoare, ne asigurăm că sistemele noastre de inteligență artificială agențică amplifică capacitățile umane, menținând în același timp agenția umană, standardele etice și controlul operațional.

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

Abordarea noastră de reantrenare a modelului și de învățare continuă la Alorica IQ se bazează pe un cadru robust de operare a învățării automate care echilibrează cerințele de conformitate cu optimizarea experienței clienților.

Am implementat o arhitectură de reantrenare multistratificată care funcționează pe diferite cadențe. Modelele noastre critice pentru conformitate suportă detectare zilnică a derapajului și audituri săptămânale de performanță, cu declanșatoare automate pentru reantrenare imediată atunci când apar schimbări reglementare. Pentru modelele de sentiment ale 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 a Conformității acționează ca un sistem de siguranță, validând automat ieșirile modelului împotriva cadrului reglementar specific fiecărei geografii – de la GDPR în Europa la CCPA în California. Acest strat este actualizat continuu prin parteneriatul nostru cu furnizorii de tehnologie juridică și fluxurile de reglementare, asigurându-ne că sistemele noastre de inteligență artificială rămân conforme fără intervenție manuală.

Pentru nuanța sentimentului, am dezvoltat ceea ce numim “încorporări de context cultural” în cadrul Alorica IQ, laboratorul nostru de inovare. 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 complet, permițându-ne să revenim instantaneu la versiuni anterioare dacă noile antrenamente introduc comportamente neașteptate. Cadru nostru de testare A/B rulează continuu, comparând noile versiuni ale modelului cu liniile de bază din producție pe mii de interacțiuni înainte de implementarea deplină.

Ce este mai important, am stabilit un Protocol de Integrare a Feedback-ului Uman în care agenții noștri de top revizuiesc regulat cazuri limită și oferă feedback corectiv, creând un ciclu virtuos în care expertiza umană îmbunătățește continuu capacitățile noastre de inteligență artificială. 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. de inteligență artificială umană la nevoile lingvistice și culturale diverse?

Credem că localizarea nu este doar despre a vorbi limba, ci și despre a reflecta cultura.

Platformele noastre de inteligență artificială, cum ar fi evoAI și ReVoLT, sunt ajustate pentru a captura tonul, nuanța și contextul 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 nostru de serviciu pentru a reflecta normele locale. Acest model hibrid asigură că fiecare interacțiune pare creată special pentru acea piață.

În India, unde susținem 75 de limbi oficiale, plus numeroase dialecte, am implementat Arhitectura noastră de Încorporare Lingvistică care nu numai că traduce, dar menține și contextul în scenarii de comutare de cod – unde clienții combină în mod natural limbi precum hindi, engleză și limbi regionale în aceeași conversație. Modelele noastre sunt antrenate pe modele de conversație reale din orașe de nivelul doi și trei, nu doar din zonele metropolitane, asigurându-ne că capturăm spectrul complet al stilurilor de comunicare.

Pentru operațiunile noastre din Egipt, care deservesc regiunea mai largă MENA, am dezvoltat modele specifice dialectului arab care disting între arabă egipteană, arabă din Golf și arabă levantină, cu manipulare specială pentru registrele formale (Fusha) versus cele colocviale (Ammiya). Inteligența noastră artificială înțelege când un client trece de la arabă formală la arabă colocvială ca o cue emoțională, declanșând coaching-ul agentului în timp real.

În piețele EMEA, am implementat ceea ce numim “Proiectare de Inteligență Artificială cu Prioritate Reglementară”. Fiecare implementare pe țară 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 cu “franceză în primul rând”. Modelele noastre sunt antrenate nu numai pe limbi, ci și pe etichetă de afaceri 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 noastră tehnică este Cadru nostru de Învățare Federată din cadrul Alorica IQ, în care modelele locale învață din datele regionale fără a părăsi țara, asigurând suveranitatea datelor, în timp ce se beneficiază de îmbunătățirile globale ale modelului. Menținem clusteri de GPU regionali pentru a asigura o latență sub 100 de milisecunde pentru asistența în timp real a agenților.

Echipa noastră de Inteligență Culturală, formată din experți lingviști și oameni de știință din comportamentul uman din fiecare regiune, validează continuu ieșirile noastre de inteligență artificială. Ei ne-au ajutat să identificăm peste 3.000 de scenarii specifice culturii care necesită manipulare specială – de la observanțe religioase care afectează disponibilitatea serviciului până la preferințe locale de plată care impactează fluxurile de conversație.

Acest abordare a condus la rezultate impresionante: operațiunile noastre din India arată scoruri de satisfacție a clienților (CSAT) cu 40% mai mari atunci când se utilizează inteligența artificială adaptată cultural față de modelele generice, iar implementările noastre din EMEA au atins rate de rezolvare la primul contact de 98% pentru interogări specifice limbii.

Cum ajută capacitatea evoAI de a recunoaște și de a se adapta la dialecte regionale și la cue-uri emoționale la adoptarea în noi piețe?

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

Capacitățile avansate de recunoaștere a dialectului și a emoției ale evoAI au devenit principalul nostru diferențiator competitiv în ceea ce privește pătrunderea pe noi piețe, abordând direct lacuna de încredere care adesea inhibă adoptarea inteligenței artificiale în piețele emergente.

În India, de exemplu, sistemul nostru recunoaște nu numai dacă cineva vorbește tamilă sau telugu, dar poate identifica și nivelul de educație și originea urbană versus rurală, permițând agenților să-și calibreze stilul de comunicare corespunzător. Această înțelegere granulară a condus la o creștere a încrederii clienților cu 67% în programele noastre pilot.

Stratul nostru de inteligență emoțională utilizează tehnologia noastră de Grafic de Emoție Contextual, care cartografiază traiectoriile emoționale pe parcursul conversațiilor, mai degrabă decât doar sentimentul dintr-un moment dat. Acest lucru ne permite să prezicem 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 de-escaladare specifice culturii respective.

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

Impactul comercial ar fi substanțial. Studiile noastre arată că o implementare în Egipt, cu capacitatea evoAI de a recunoaște și de a răspunde dialectelor cairene versus alexandrine, combinată cu modelele adecvate de curtoazie culturală, ar reduce timpul obișnuit de pătrundere pe piață 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 deschide categorii de servicii complet noi. De exemplu, am ipotetizat că un serviciu de suport pentru sănătatea mintală, alimentat de evoAI, ar putea recunoaște markeri timpurii de depresie și anxietate pe baza patternurilor de exprimare naturală, permițând intervenții și escaladări la echipa noastră de sănătate și bunăstare – asigurându-ne 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 inteligență artificială, 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 reprezintă următoarea frontieră pentru inteligența artificială centrată pe uman în experiența clienților?

Următoarea frontieră este convergența inteligenței artificiale conversaționale, a inteligenței artificiale agențice și a rețelelor neuronale pentru a orchestra un nivel mai ridicat de rezultate care nu au fost anterior luate în considerare. Acest lucru va redesena modul în care facem afaceri. Orchestration-ul nu mai este de la om la mașină; este de la mașină la mii de mașini simultan.

Imaginați-vă planificând o călătorie de afaceri: vizitați un site web pentru a selecta o companie aeriană, apoi rezervați un hotel, aranjați transportul, programați o cină și planificați întoarcerea. Acesta este un exemplu simplu de a solicita o dată și de a lăsa boturile integrate – alimentate de o rețea neuronală – să proceseze toate opțiunile disponibile și să construiască un răspuns multi-alegeri pentru a selecta. În acest model, orchestration-ul este neural, inteligența artificială agențică alimentează boturile, iar conversația este răspunsul.

Mulțumim pentru acest interviu minunat. Citiitorii care doresc să afle mai multe despre Alorica pot vizita Alorica.