Майк Клифтон, Ко-Генеральный Директор Alorica – Серия Интервью

Майк Клифтон является Ко-Генеральным Директором Alorica, глобальным лидером в области цифровых опытных взаимодействий с клиентами (CX). В этой роли Майк курирует стратегию цифровой трансформации компании, включая ее награжденные продукты ИИ, для предоставления оптимального опыта CX во всех каналах (голос, чат, веб и т. д.) и отраслях 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 опыта клиентов и аутсорсинга бизнес-процессов, предоставляя технологически обеспеченные, человеко-ориентированные решения для отраслей, таких как банковское дело, здравоохранение, розничная торговля и телекоммуникации. С более чем 100 000 сотрудников в 17+ странах, компания управляет миллиардами взаимодействий ежегодно на более чем 75 языках, предоставляя услуги, такие как контакт-центры, аналитика, решения ИИ, модерация контента и операции бэк-офиса – все это направлено на достижение 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, сосредотачиваясь 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 задержкой менее секунды, Alorica позволяет агентам предоставлять персонализированную и эффективную поддержку клиентам. Эта реальная отзывчивость переводится в улучшение результатов для клиентов.

В целом, стратегия Alorica подчеркивает важность человеческих агентов, одновременно 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?

Есть много примеров усиления, которые мы использовали при предоставлении наших услуг. Одним из них является возможность агентов взаимодействовать с двигателем знаний, который слушает реальную речь и переводит ее в автотронный двигатель, который запрашивает помощь; это мощный, превентивный инструмент, который мы использовали в многих решениях. Другим примером является использование двигателей разговорного ИИ для улучшения нашей способности обучать агентов на самых сложных клиентских сценариях. Запуская симуляции реальных взаимодействий, управляемые ИИ, мы снижаем стресс, и модели непрерывно учатся – обновляя агентов о настроении и эмпатии, когда они приобретают больше опыта.

Как вы отслеживаете влияние производительности этих инструментов ИИ – например, в разрешении при первом контакте, времени обработки или эффективности агентов?

Отслеживание инструментов ИИ в дополненной эксплуатации попадает прямо на метрики, назначенные агенту, как если бы инструменты не существовали. Разница заключается в способности взять на себя больше звонков с более высоким удовлетворением и уверенностью в предсказании лучших стратегий рабочей силы, когда у вас есть прочные данные от 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 “суперсилу” воздействие на агентов, и почему?

Наш внутренний запуск evoAI дает агентам возможность использовать模拟ные звонки для обучения с более высоким уровнем ситуационной осведомленности, предоставляя 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 меняются потребности клиентов, язык и рыночные условия?

Чтобы поддерживать точность и адаптивность перед лицом меняющихся 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 в себя регулярное обновление наборов данных для обучения недавними взаимодействиями, обратной связью и рыночными тенденциями. 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, рыночные отчеты 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 ввод агентов используются для тонкой настройки моделей. Эта обратная связь в реальном времени помогает выявить и исправить неточности, чтобы модели оставались актуальными и эффективными.
• Мультимедийные возможности: Наши модели обучены на мультимедийных наборах данных для обработки взаимодействий на нескольких языках. Это крайне важно 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 в себя тестирование моделей на эталонных наборах данных и реальных сценариях для обеспечения того, что они соответствуют 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 модель гарантирует, что технология учится на человеческой экспертизе и улучшает свою производительность со временем.
• Использование более мелких моделей языка: Обучение вертикально ориентированных более мелких моделей (через гибридный или ансамблевый подход) наряду с коммерчески доступными БМО 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 предоставлять высококачественный опыт клиентов в динамичных средах.

evoAI предлагает эмоционально интеллектуальное, контекстно-зависимое взаимодействие на более чем 120 языках с задержкой менее секунды. Как эта реальная отзывчивость переводится в поддержку агентов и результаты клиентов?

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

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

С точки зрения машинного обучения, как вы управляете рисками, такими как галлюцинации, предвзятость или потеря контроля, гарантируя, что агенты остаются принимающими решения?

В Alorica мы считаем, что правильная архитектура за технологией имеет решающее значение. Поэтому управление рисками агентного ИИ требует многослойной системы управления, которую 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 фабрикованных сведений на 85%. Во-вторых, мы реализуем оценку уверенности на всех предложениях ИИ, где ответы ниже порога уверенности 80% запускают автоматический обзор человека. В-третьих, наши модели ограничены для работы в определенных пространствах параметров, специфичных для каждого бизнес-правила и фактического домена клиента – ИИ не может генерировать информацию о продуктах, политиках или процедурах, которые не явно задокументированы в наборах данных для обучения.
• Обнаружение и предотвращение предвзятости: Наша стратегия управления предвзятостью работает на протяжении всего жизненного цикла ИИ. Во время обучения моделей мы используем техники противодействия предвзятости 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 выявления 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 равных результатов. Важно, что мы поддерживаем отчеты о прозрачности, которые отслеживают метрики предвзятости во времени, позволяя клиентам видеть точно, как наши модели работают в разных популяциях.
• Поддержание человеческого контроля: Человеческие агенты остаются окончательными 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 рекомендации всегда требуют человеческого разрешения. Наши протоколы эскалации автоматически маршрутизируют сложные или высокорисковые сценарии к старшим агентам или руководителям, когда ИИ обнаруживает ситуации вне 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 выходные данные моделей с решениями человеческих экспертов, флагируя расхождения для немедленного обзора.
• Человек в цикле проверки: 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 сценарии края и помогают усовершенствовать границы решений ИИ. Это создает модель коллаборативного интеллекта, где человеческая экспертиза непрерывно формирует и ограничивает поведение ИИ.
• Отчетность и аудиторские следы: Каждое решение, влияющее на ИИ, поддерживает полный аудиторский след, показывающий предложение ИИ, уровень уверенности, источники данных, использованные, и окончательное решение 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 со стандартами отрасли и нормативными требованиями.

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

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

Подход Alorica к переобучению моделей и непрерывному обучению в Alorica IQ построен на прочной основе MLOps, которая балансирует нормативные требования с оптимизацией опыта клиентов.

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

Наш собственный Интеллект соблюдения действует как система ограждения, автоматически проверяя выходные данные 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 юридическими технологическими поставщиками и нормативными лентами, гарантируя, что наши системы ИИ остаются соответствующими без ручного вмешательства.

Для нюансов настроения мы разработали, что мы называем “культурными контекстными вложениями” в Alorica IQ, компании-инкубаторе инноваций. Это усовершенствованные региональные модели, которые понимают не только язык, но и культурные шаблоны общения. Например, наши модели распознают, что уровни прямолинейности значительно различаются между немецкими и японскими взаимодействиями с клиентами, и корректируют свою оценку настроения соответственно.

Мы поддерживаем реестры моделей с возможностью полного откатного действия, 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 производственными моделями на тысячах взаимодействий перед полным развертыванием.

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

С быстрым международным расширением – 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 говорение на языке – 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 вокруг культурных ожиданий и адаптируем наш дизайн услуг для отражения местных норм. Этот гибридный подход гарантирует, что каждое взаимодействие кажется построенным для этого рынка.

В Индии, где мы поддерживаем 75 официальных языков, плюс многочисленные диалекты, мы развернули нашу Лингвистическую сетчатую архитектуру, которая не только переводит, но и сохраняет контекст на протяжении сценариев код-свитчинга – где клиенты естественно смешивают хинди, английский и региональные языки в одном разговоре. Наши модели обучены на реальных шаблонах 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 Ближнего Востока и Северной Африки, мы разработали модели, специфичные для диалектов арабского языка, которые различают египетский арабский, арабский Залива и левантийский арабский, с специализированной обработкой формального (Фуша) и неформального (Аммиа) регистров. Наши модели ИИ понимают, когда клиент переключает формальный арабский на неформальный как эмоциональный сигнал, запуская соответствующую коррекцию агента в реальном времени.

В рынках EMEA мы реализовали, что мы называем “Регуляторно-ориентированным дизайном ИИ”. Каждое развертывание страны включает в себя предварительно сконфигурированные модули соблюдения, от строгих требований к локализации данных в Германии до требований к защите языка во Франции, требующих интерфейсов на французском языке. Наши модели обучены не только на языке, но и на местном деловом этикете; например, наше развертывание в Германии подчеркивает точность и подробную документацию, в то время как наша итальянская модель позволяет более гибкие разговоры.

Техническая основа – это наша Федеративная основа обучения в Alorica IQ, где местные модели учатся на региональных данных без того, чтобы эти данные покидали страну, обеспечивая суверенитет данных, сохраняя при этом выгоду от глобального улучшения моделей. Мы поддерживаем региональные кластеры GPU для обеспечения задержки менее 100 мс для реального времени помощи агентам.

Наша команда культурной интеллекта, состоящая из лингвистических экспертов и поведенческих ученых из каждого региона, непрерывно проверяет наши выходные данные ИИ. Они помогли нам выявить более 3000 культурно-специфических сценариев, которые требуют специальной обработки – от религиозных праздников, влияющих на доступность услуг, до местных предпочтений оплаты, которые влияют 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 обычными моделями, а наши развертывания в EMEA достигли 98% 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.

Софистицированная способность evoAI распознавать диалекты и эмоции стала нашим основным конкурентным преимуществом в проникновении на новые рынки, напрямую решая пробел доверия, который часто препятствует принятию ИИ на развивающихся рынках.

С технической точки зрения evoAI использует нашу проприетарную модель слияния акустики и лингвистики, которая одновременно обрабатывает фонетические закономерности, просодические особенности и семантический контент. Этот три-модальный подход позволяет нам обнаружить тонкие эмоциональные состояния, выраженные по-разному в разных культурах. Например, на индийском рынке мы можем обнаружить “хонне” и “татэмэ” (настоящие 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 конкретные фразы и акценты.

Наша способность распознавать диалекты идет дальше, чем простое обнаружение акцентов. evoAI поддерживает динамические карты диалектов, которые понимают социально-экономические показатели, 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 уровень и происхождение из городской или сельской местности, позволяя агентам корректировать свой стиль общения соответственно. Этот подробный понимание показало увеличение 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 предсказать эмоциональную эскалацию за 30 секунд до ее возникновения с точностью 89%, давая агентам критически важное время для вмешательства с помощью методов деэскалации, специфичных для этой культуры.

Для нового рыночного принятия наша лаборатория прогресса имеет стратегию “Прогрессивной локализации” через Alorica IQ. Мы начинаем с базовой модели, обученной на контенте целевого рынка, социальных сетях и публичном дискурсе. В течение первых 30 дней развертывания evoAI адаптируется к местным шаблонам клиентов через нашу трубу активного обучения, которая отдает приоритет обучению на взаимодействиях с наибольшим эмоциональным разнообразием. К 90 дню наши модели должны достичь 95% точности в распознавании диалектов и 88% в обнаружении эмоционального состояния.

Воздействие на бизнес 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, снизит типичный 6-месячный срок проникновения на рынок до всего 8 недель. Затраты на приобретение клиентов могут снизиться на 45%, поскольку рекомендации от человека к человеку увеличиваются из-за естественных, культурно-осведомленных взаимодействий.

Способность evoAI адаптироваться к региональным диалектам и эмоциональным сигналам откроет совершенно новые категории услуг. Например, мы предположили, что служба поддержки психического здоровья, работающая на evoAI, может помочь распознать ранние маркеры депрессии и тревоги на основе естественных шаблонов выражения, позволяя своевременному вмешательству и эскалации нашим командам здравоохранения и благополучия – гарантируя, что благополучие агентов всегда является приоритетом.

Этот технологический перевес переводится напрямую в рыночное принятие: регионы, использующие полные возможности evoAI по диалектам и эмоциям, показывают 3,2-кратное ускорение темпов принятия по сравнению со стандартными развертываниями ИИ, а показатели удовлетворенности агентов улучшаются на 78%, поскольку они чувствуют себя более уверенно в управлении культурно сложными взаимодействиями.

Оглядываясь на 2025 год, что вы представляете как следующий рубеж для человеческого ИИ в CX?

Следующий рубеж – это слияние разговорного ИИ, агентного ИИ и нейронных сетей для оркестровки более высокого уровня результатов, ранее не рассматриваемых. Это перерисует, как мы делаем бизнес. Оркестровка больше не является человек-машина; это машина-машина или машина-тысячи 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 – управляемым нейронной сетью – обработать все доступные варианты и создать многоальтернативный ответ для вашего выбора. В этой модели оркестровка является нейронной, агентный ИИ питает ботов, а разговор является ответом.

Спасибо за отличный интервью, читатели, которые хотят узнать больше, должны посетить Alorica.