Майк Клифтон, Ко-Генеральный Директор Alorica – Интервью

Майк Клифтон является Ко-Генеральным Директором Alorica, глобальным лидером в области цифровых клиентских trải nghiệm (CX). В этой роли Майк курирует стратегию цифровой трансформации компании, включая ее награжденные продукты ИИ, для обеспечения оптимального CX по всем каналам (голос, чат, веб и т. д.) и отраслям от имени брендов Fortune 500. С сильной экспертизой и опытом в области цифровых инноваций, ИИ и корпоративных технологий, Майк имеет доказанный послужной список по обеспечению прибыльного роста за счет интеграции масштабируемых технологических решений для удовлетворения меняющихся рыночных требований.

Alorica является глобальным лидером в области клиентского trải nghiệm и аутсорсинга бизнес-процессов, предоставляющим технологически обеспеченные, ориентированные на человека решения для отраслей, таких как банковское дело, здравоохранение, розничная торговля и телекоммуникации. С более чем 100 000 сотрудников в более чем 17 странах, компания управляет миллиардами взаимодействий ежегодно в более чем 75 языках, предоставляя услуги, такие как контакт-центры, аналитика, решения ИИ, модерация контента и операции бэк-офиса – все это направлено на обеспечение измеримых результатов для клиентов.

Отрасль движется в сторону дополнения над автоматизацией – как стратегия Alorica отражает эту гибридную модель?

Стратегия Alorica отражает гибридную модель дополнения над автоматизацией, сосредоточив внимание на улучшении производительности человеческих агентов с помощью инструментов ИИ, а не на их замене. Этот подход гарантирует, что люди остаются в центре взаимодействия с клиентами, поддерживаемые передовыми технологиями для улучшения эффективности и результативности.

Например, Alorica запустила несколько передовых решений, таких как evoAI, Knowledge IQ, Digital Trust & Safety Model и CX2GO®. Эти инструменты предназначены для усиления производительности человеческих агентов, предоставляя реальные, контекстно-зависимые взаимодействия, которые улучшают управление знаниями и обеспечивают цифровое доверие и безопасность.

Интегрируя инструменты ИИ, которые предлагают эмоционально интеллектуальные и контекстно-зависимые взаимодействия на нескольких языках с суб-секундными временами ответа, Alorica позволяет агентам предоставлять персонализированную и эффективную поддержку клиентам. Эта реальная реакция переводится в улучшение результатов клиентов.

В целом, стратегия Alorica подчеркивает важность человеческих агентов, используя ИИ для улучшения их возможностей, отражая сдвиг отрасли в сторону дополнения над автоматизацией.

Можете ли вы поделиться конкретными примерами, где ИИ усилил производительность человеческих агентов, а не заменил их?

Существует много примеров усиления, которые мы использовали при предоставлении наших услуг. Одним из них является возможность агентов взаимодействовать с базой знаний, которая слушает реальные речевые потоки и переводит их в систему автоматических ответов, которая запрашивает помощь; это мощный, превентивный инструмент, который мы использовали в нескольких решениях. Другим примером является использование конверсационных ИИ-двигателей для улучшения нашей способности обучать агентов на наиболее сложных клиентских сценариях. Запуская ИИ-управляемые симуляции реальных взаимодействий, мы снижаем стресс, и модели непрерывно учатся – обновляя агентов по настроению и эмпатии, когда они приобретают больше опыта.

Как вы отслеживаете влияние этих инструментов ИИ на производительность – например, в Первом Контактном Решении, времени обработки или эффективности агентов?

Отслеживание инструментов ИИ в дополненной эксплуатации полностью зависит от метрик, назначенных агенту, как если бы никакие инструменты не существовали. Разница заключается в способности обрабатывать больше звонков с более высоким удовлетворением и уверенностью в предсказании лучших стратегий рабочей силы, когда у вас есть прочные данные из моделей.

Вы запустили несколько передовых решений в этом году – evoAI, Knowledge IQ, Digital Trust & Safety Model и CX2GO®. Какое из них, по вашему мнению, имеет наиболее непосредственное “суперсиловое” воздействие на агентов, и почему?

Наш внутренний использование evoAI дает агентам возможность использовать имитационные звонки для обучения с более высоким уровнем ситуационной осведомленности, оказывая наибольшее влияние. Это за ним следует Knowledge IQ, который усиливает способность агента найти правильный ответ. Эти два стали игроками для наших сотрудников, полностью изменив, как быстро и точно наши агенты могут решать потребности клиентов.

С точки зрения машинного обучения, как ваши модели обучены для поддержания точности и адаптивности, когда потребности клиентов, язык и рыночные условия эволюционируют?

Для поддержания точности и адаптивности перед лицом эволюционирующих потребностей клиентов, языка и рыночных условий наши модели машинного обучения проходят непрерывное обучение и совершенствование.

Вот некоторые ключевые стратегии, которые мы используем:

• Непрерывное обучение: Наши модели предназначены для обучения на новых данных непрерывно. Это включает регулярное обновление наборов данных для обучения с учетом последних взаимодействий, обратной связи и рыночных тенденций. Включая последнюю информацию, наши модели могут адаптироваться к меняющимся предпочтениям клиентов и возникающим рыночным условиям.
• Разнообразные источники данных: Мы используем широкий спектр источников данных для обучения наших моделей, включая взаимодействия клиентов, социальные сети, отчеты рынка и многое другое. Это разнообразие гарантирует, что наши модели подвергаются воздействию различных сценариев и лингвистических нюансов, повышая их способность понимать и реагировать точно.
• Петли обратной связи: Мы реализуем прочные петли обратной связи, где взаимодействия клиентов и входные данные агентов используются для уточнения моделей. Эта обратная связь в реальном времени помогает выявить и исправить неточности, поэтому модели остаются актуальными и эффективными.
• Мультимедийные возможности: Наши модели обучены на мультимедийных наборах данных для обработки взаимодействий на нескольких языках. Это имеет решающее значение для предоставления точных, локализованных и контекстно-зависимых ответов глобальной базе клиентов.
• Регулярные аудиты и оценки: Мы проводим регулярные аудиты и оценки наших моделей для оценки их производительности. Это включает тестирование моделей на наборах данных для сравнения и реальных сценариях для обеспечения соответствия стандартам точности и адаптивности.
• Человек в цикле: Мы поддерживаем подход “человек в цикле”, где человеческие агенты сотрудничают с ИИ для управления сложными запросами. Этот гибридный подход гарантирует, что технология учится на человеческой экспертизе и улучшает свою производительность со временем.
• Использование меньших моделей языка: Обучение вертикально ориентированных меньших моделей (через гибридный или ансамблевый подход) вместе с коммерчески доступными моделями LLM позволяет достичь эффективности в вычислениях, поиске и времени ответа, а также сокращает циклы тестирования предвзятости и справедливости.

Эти стратегии позволяют нашим моделям машинного обучения оставаться точными, адаптивными и способными обеспечивать высококачественные клиентские trải nghiệm в динамичных средах.

evoAI предлагает эмоционально интеллектуальные, контекстно-зависимые взаимодействия на более чем 120 языках с суб-секундными временами ответа. Как эта реальная реакция переводится в поддержку агентов и результаты клиентов?

evoAI обеспечивает лучшую поддержку агентов и улучшение результатов клиентов несколькими способами:

• Производительность: контекстно-зависимые взаимодействия помогают найти и отсортировать огромные объемы информации быстро для запросов агентов.
• Персонализация: предлагает мультимедийную адаптивность, предоставляя свободу выбора языка ввода и вывода в реальном времени для любого запроса. Например, клиент, запрашивающий ответ на английском языке, чтобы старший родитель, слушающий, мог понять.
• Эффективность: снижает время ответа и часто устраняет необходимость человеческого ответа.
• Эмоциональный интеллект: позволяет агентам регулировать варианты для звонящих на основе ситуационной осведомленности (тона, настроения и выбора слов), позволяя быстрее деэскалировать.

С учетом того, что агентский ИИ набирает обороты, как вы управляете рисками, такими как галлюцинации, предвзятость или потеря контроля, обеспечивая, чтобы агенты оставались лицами, принимающими решения?

В Alorica мы считаем, что правильная архитектура за технологией имеет решающее значение. Поэтому управление рисками агентского ИИ требует многослойного кадра управления, который мы построили на каждом уровне наших операций ИИ.

Вот, как мы решаем каждый критический риск:

• Снижение галлюцинаций: Мы используем трехуровневую систему верификации для минимизации галлюцинаций. Во-первых, наши модели используют генерацию, дополненную извлечением (RAG), которая основывает ответы на проверенных базах знаний и источниках данных в реальном времени, снижая вероятность фабрикованной информации на 85%. Во-вторых, мы реализуем оценку уверенности на всех сгенерированных ИИ-предложениях, где ответы ниже порога уверенности 80% запускают автоматический обзор человека. В-третьих, наши модели ограничены работой в определенных параметрических пространствах, специфичных для каждого бизнес-правила и фактического домена клиента – ИИ не может генерировать информацию о продуктах, политиках или процедурах, которые не являются явно задокументированы в наборах данных для обучения.
• Обнаружение и предотвращение предвзятости: Наша стратегия управления предвзятостью работает на протяжении всего цикла жизни ИИ. Во время обучения моделей мы используем техники дебиасинга и алгоритмы обучения, осведомленные о справедливости, которые активно противодействуют историческим предвзятостям в наборах данных для обучения. Мы поддерживаем метрики демографического паритета на протяжении всех защищенных категорий и проводим ежемесячные аудиты с помощью инструментов, таких как индикаторы справедливости и оценки диспропорционального воздействия. Наши модели проходят тестирование с синтетическими данными, предназначенными для раскрытия предвзятости в разных демографических группах, языках и культурных контекстах. Когда обнаруживается предвзятость, мы используем целевое переобучение на сбалансированных наборах данных и корректируем веса моделей для обеспечения справедливых результатов. Важно, что мы поддерживаем отчеты о прозрачности, которые отслеживают метрики предвзятости во времени, позволяя клиентам видеть, как наши модели работают в разных популяциях.
• Сохранение человеческого контроля: Человеческие агенты остаются окончательными лицами, принимающими решения, через нашу архитектуру “ИИ как советник”. Система ИИ предоставляет рекомендации с функциями объяснимости – агенты могут видеть, почему ИИ предложил определенное действие, какие факторы он рассмотрел и какие альтернативы существуют. Мы реализовали жесткие остановки, где ИИ не может автономно выполнять определенные действия: финансовые транзакции, изменения контрактов, юридические обязательства или медицинские советы всегда требуют человеческого разрешения. Наши протоколы эскалации автоматически маршрутизированы сложные или высокорисковые сценарии к старшим агентам или руководителям, когда ИИ обнаруживает ситуации, выходящие за пределы его компетенции.
• Непрерывный мониторинг и выключатели: Каждое взаимодействие ИИ регистрируется и отслеживается через нашу Обсерваторию производительности моделей, которая отслеживает отклонение от ожидаемого поведения в реальном времени. Мы поддерживаем мгновенные возможности откатить и “выключатели” на нескольких уровнях – отдельные компоненты моделей, целые модели или функции ИИ могут быть отключены в течение секунд, если обнаружено аномальное поведение. Наши алгоритмы обнаружения дрейфа непрерывно сравнивают выходы моделей с решениями человеческих экспертов, флагируя отклонения для немедленного обзора.
• Валидация в цикле человека: Мы разработали петли обратной связи, где агенты оценивают предложения ИИ после каждого взаимодействия, создавая непрерывную систему обучения, которая адаптируется к человеческой экспертизе. Наши лучшие агенты участвуют в еженедельных сессиях калибровки, где они рассматривают пограничные случаи и помогают уточнить границы принятия решений ИИ. Это создает модель совместного интеллекта, где человеческая экспертиза непрерывно формирует и ограничивает поведение ИИ.
• Отчетность и следы аудита: Каждое решение, влияющее на ИИ, поддерживает полную трассу аудита, показывающую предложение ИИ, уровень уверенности, использованные источники данных и окончательное решение человеческого агента. Это обеспечивает отчетность и позволяет нам непрерывно улучшать наши модели на основе результатов. Регулярные аудиты третьих сторон подтверждают наши практики управления рисками в соответствии с отраслевыми стандартами и нормативными требованиями.

Реализуя эти комплексные меры безопасности, мы гарантируем, что наши агентские системы ИИ усиливают человеческие возможности, сохраняя при этом человеческую инициативу, этические стандарты и оперативный контроль.

Как вы подходите к переобучению моделей и непрерывному обучению, чтобы обеспечить, что ваши системы ИИ остаются согласованными с требованиями соответствия и нюансами настроений клиентов?

Подход Alorica к переобучению моделей и непрерывному обучению в Alorica IQ построен на прочной основе MLOps, которая балансирует нормативное соответствие с оптимизацией клиентского trải nghiệm.

Мы реализовали многослойную архитектуру переобучения, которая работает на разных тактах. Наши модели, критически важные для соответствия, проходят ежедневное обнаружение дрейфа и еженедельные аудиты производительности, с автоматическими триггерами для немедленного переобучения, когда происходят изменения в нормативных требованиях. Для моделей настроения клиентов мы используем петли обратной связи в реальном времени, которые захватывают исправления агентов и оценки удовлетворенности клиентов, вводя их в нашу трубу для обучения каждые 72 часа.

Наш собственный слой интеллекта соответствия действует как система ограждения, автоматически проверяя выходы моделей на соответствие нормативным рамкам, специфичным для каждой географии – от GDPR в Европе до CCPA в Калифорнии. Этот слой непрерывно обновляется через наше партнерство с поставщиками юридических технологий и нормативных лент, гарантируя, что наши системы ИИ остаются соответствующими без ручного вмешательства.

Для нюансов настроения мы разработали “культурные контекстные вложения” в Alorica IQ, компании-инкубаторе. Это уточненные региональные модели, которые понимают не только язык, но и культурные модели общения. Например, наши модели признают, что уровни прямолинейности значительно различаются между немецкими и японскими взаимодействиями клиентов, и соответственно корректируют оценку настроения.

Мы поддерживаем реестры моделей с возможностью полного откатить, позволяя нам мгновенно вернуться к предыдущим версиям, если новое обучение вводит неожиданное поведение. Наша основа тестирования A/B работает непрерывно, сравнивая новые версии моделей с базовыми линиями производства на тысячах взаимодействий до полной развертки.

Самое главное, мы установили протокол интеграции обратной связи человека, где наши лучшие агенты регулярно рассматривают пограничные случаи и предоставляют исправляющую обратную связь, создавая добродетельный цикл, где человеческая экспертиза непрерывно улучшает наши возможности ИИ. Этот подход снизил нарушения соответствия на 94%, а также улучшил точность обнаружения настроения до 92% на всех поддерживаемых языках.

С учетом быстрой международной экспансии – особенно на рынках, таких как Индия, Египет и EMEA – как вы адаптируете свой подход ИИ-человека к разнообразным лингвистическим и культурным потребностям?

Мы считаем, что локализация не только означает владение языком – это отражение культуры.

Наши платформы ИИ, такие как evoAI и ReVoLT, настроены на захват тона, нюансов и контекста на сотнях языков и диалектов, поэтому взаимодействия кажутся знакомыми и аутентичными. Но мы не останавливаемся на технологиях. Мы нанимаем таланты из каждого региона, обучаем команды культурным ожиданиям и адаптируем наш дизайн услуг для отражения местных норм. Эта гибридная модель гарантирует, что каждое взаимодействие кажется созданным для этого рынка.

В Индии, где мы поддерживаем 75 официальных языков, плюс многочисленные диалекты, мы развернули нашу архитектуру лингвистической сетки, которая не только переводит, но и поддерживает контекст на сценариях код-свитчинга – где клиенты естественно смешивают хинди, английский и региональные языки в одном разговоре. Наши модели обучены на реальных моделях разговора из городов второго и третьего уровней, а не только из метрополитенских районов, гарантируя, что мы захватываем весь спектр стилей общения.

Для наших операций в Египте, обслуживающих более широкий регион MENA, мы разработали модели, специфичные для арабского диалекта, которые различают египетский арабский, арабский Персидского залива и левантийский арабский, с особым обращением с формальным (Фуша) и неформальным (Аммией) регистрами. Наши ИИ понимают, когда клиент переключает формальный арабский на неформальный арабский как эмоциональный сигнал, запуская соответствующую коучинг агентов в реальном времени.

На рынках EMEA мы реализовали, что мы называем “Регуляторно-ориентированным дизайном ИИ”. Каждое национальное развертывание включает в себя предварительно настроенные модули соответствия – от строгих требований к локализации данных в Германии до законов о защите языка во Франции, требующих французских интерфейсов. Наши модели обучены не только на языке, но и на местном бизнес-этикете; например, наше немецкое развертывание подчеркивает точность и подробную документацию, в то время как наша итальянская модель позволяет больше гибкости в разговоре.

Техническая основа – это наш фреймворк федеративного обучения в Alorica IQ, где местные модели учатся на региональных данных без выхода данных из страны, гарантируя суверенитет данных, сохраняя при этом глобальные улучшения моделей. Мы поддерживаем региональные кластеры GPU для обеспечения времени ответа менее 100 мс для реального агентского содействия.

Наша команда культурной интеллекта, состоящая из лингвистических экспертов и поведенческих ученых из каждого региона, непрерывно проверяет наши выходы ИИ. Они помогли нам выявить более 3000 культурно-специфических сценариев, требующих особого обращения – от религиозных праздников, влияющих на доступность услуг, до местных предпочтений оплаты, влияющих на потоки разговора.

Этот подход принес впечатляющие результаты: наши операции в Индии показывают 40% более высокие показатели удовлетворенности клиентов при использовании культурно-адаптированного ИИ по сравнению с общими моделями, и наши развертывания в EMEA достигли 98% показателей разрешения при первом контакте для языковых запросов.

Как способность evoAI распознавать и адаптироваться к региональным диалектам и эмоциональным сигналам помогает стимулировать принятие на новых рынках?

Принятие ускоряется, когда люди чувствуют, что технология “понимает” их. evoAI идет дальше, чем перевод слово за слово, понимая сленг, акцент и даже эмоциональный тон в реальном времени.

Сложные возможности распознавания диалектов и эмоций evoAI стали нашим основным конкурентным преимуществом при проникновении на новые рынки, напрямую решая пробел доверия, который часто препятствует принятию ИИ на развивающихся рынках.

С технической точки зрения evoAI использует нашу собственную модель слияния акустического и лингвистического фузiona, которая одновременно обрабатывает фонетические закономерности, просодические особенности и семантический контент. Этот три-модальный подход позволяет нам обнаруживать тонкие эмоциональные состояния, выражаемые по-разному в разных культурах. Например, на японском рынке мы можем обнаружить “хонне” и “татемэ” (истинные чувства и публичная фасад) через микро-вариации тона и темпа речи, в то время как на Ближнем Востоке мы распознаем динамику чести и стыда через определенные фразовые конструкции и акценты.

Наше распознавание диалектов идет дальше простого обнаружения акцентов. evoAI поддерживает динамические карты диалектов, которые понимают социально-экономические индикаторы, встроенные в закономерности речи. В Индии, например, система распознает не только то, говорит ли кто-то на тамильском или телугу, но и может определить образовательный фон и различать городские и сельские происхождения, позволяя агентам калибровать свой стиль общения соответственно. Это гранулярное понимание было показано для увеличения показателей доверия клиентов на 67% в пилотных программах.

Слой эмоционального интеллекта использует нашу технологию контекстного графа эмоций, которая отслеживает эмоциональные траектории на протяжении всего разговора, а не только моментальное настроение. Это позволяет evoAI предсказывать эмоциональную эскалацию за 30 секунд до ее возникновения с точностью 89%, давая агентам критическое время для вмешательства с помощью техник деэскалации, специфичных для предпочтений конфликтного разрешения этой культуры.

Для принятия на новых рынках наша лаборатория действий имеет “Прогрессивную локализацию” через Alorica IQ. Мы начинаем с базовой модели, обученной на медиа-контенте, социальных сетях и публичном дискурсе целевого рынка. В течение первых 30 дней развертывания evoAI адаптируется к местным закономерностям клиентов через нашу трубу активного обучения, которая будет отдавать приоритет обучению на взаимодействиях с наибольшим эмоциональным варьированием. К 90-му дню наши модели должны достичь 95% точности в распознавании диалектов и 88% в обнаружении эмоциональных состояний.

Бизнес-воздействие будет существенным. Наши исследования показывают, что развертывание в Египте, с возможностью evoAI распознавать и реагировать на каирский и александрийский диалекты, в сочетании с соответствующими культурными вежливостями, сократит типичную 6-месячную линию проникновения на рынок до всего 8 недель. Затраты на приобретение клиентов могут снизиться на 45%, поскольку рекомендации от слов устного общения увеличатся из-за естественных, культурно-осведомленных взаимодействий.

Возможности адаптации эмоций evoAI также могут открыть совершенно новые категории услуг. Например, мы предположили, что служба поддержки психического здоровья, работающая на evoAI, могла бы помочь распознать ранние маркеры депрессии и тревоги на основе естественных моделей выражения, позволяя своевременному вмешательству и эскалации в нашу команду здоровья и благополучия – гарантируя, что благополучие агентов всегда является приоритетом.

Этот технологический перевес переводится напрямую в принятие на рынке: регионы, использующие полные возможности диалектов и эмоций evoAI, показывают в 3,2 раза более быстрые показатели принятия по сравнению со стандартными развертываниями ИИ, а показатели удовлетворенности агентов улучшаются на 78%, поскольку они чувствуют себя более уверенно при обработке культурно сложных взаимодействий.

Оглядываясь вперед, после 2025 года, что вы видите как следующий рубеж для человеческого ИИ в CX?

Следующий рубеж – это слияние конверсационного ИИ, агентского ИИ и нейронных сетей для оркестровки более высокого уровня результатов, ранее не рассматриваемых. Это переопределит, как мы ведем бизнес. Оркестровка больше не является человеческой-машинной; это машина-машина или машина-тысячам машин одновременно.

Представьте, что вы планируете деловую поездку: посещение веб-сайта для выбора авиакомпании, затем бронирование отеля, организация транспорта, планирование ужина и планирование возвращения. Это простой пример запроса один раз и позволяя интегрированным ботам – с помощью нейронной сети – обработать все доступные варианты и создать многоальтернативный ответ для вашего выбора. В этой модели оркестровка является нейронной, агентский ИИ обеспечивает ботов, а разговор является ответом.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Alorica.