Ashish Nagar, VD och grundare av Level AI – Intervjuserie

Ashish Nagar är VD och grundare av Level AI, och han använder sin erfarenhet från Amazon (AMZN ) och Alexa-teamet för att använda artificiell intelligens för att förvandla kontaktcenteroperationer. Med en stark bakgrund inom teknik och entreprenörskap har Ashish varit instrumental i att driva företagets mission att förbättra effektiviteten och effekterna av kundservicerespons genom avancerade AI-lösningar. Under hans ledning har Level AI blivit en nyckelspelare i det AI-drivna kontaktcenterutrymmet, känt för sina banbrytande produkter och överlägsna implementering av artificiell intelligens.

Vad inspirerade dig att lämna Amazon och starta Level AI? Kan du dela de specifika smärtpunkterna i kundservicen som du syftade till att åtgärda med din teknik?

Min bakgrund är att bygga produkter i skärningspunkten mellan teknik och affärsverksamhet. Även om jag har en kandidatexamen i tillämpad fysik, har mitt arbete konsekvent fokuserat på produktroller och etablering, lansering och byggande av nya företag. Min passion för teknik och affärsverksamhet ledde mig till AI.

Jag började arbeta med AI 2014, när vi byggde ett nästa generationsmobil sökningföretag som heter Rel C, som var liknande det som Perplexity AI är idag. Den erfarenheten utlöste min resa inom AI-programvara, och till slut förvärvades det företaget av Amazon. På Amazon var jag en produktledare på Alexa-teamet, och jag sökte kontinuerligt efter möjligheter att tackla mer komplexa AI-problem.

Under mitt sista år på Amazon, 2018, arbetade jag med ett projekt som vi kallade “Star Trek-datorn”, inspirerad av den berömda science fiction-franchisen. Målet var att utveckla en dator som kunde förstå och svara på alla frågor du ställde till den. Detta projekt blev känt som Alexa Prize, med målet att möjliggöra för vem som helst att ha en 20-minuters konversation med Alexa om alla sociala ämnen. Jag ledde ett team på cirka 10 forskare, och vi lanserade detta som en global AI-utmaning. Jag arbetade nära ledande experter från institutioner som MIT, CMU, Stanford och Oxford. En sak blev tydlig: vid den tiden kunde ingen fullständigt lösa problemet.

Även då kunde jag känna en våg av innovation som skulle göra detta möjligt. Framåt 2024, och teknologier som ChatGPT gör nu mycket av vad vi föreställde oss. Det fanns snabba framsteg inom naturlig språkbehandling med företag som Amazon, Google (GOOGL ), OpenAI och Microsoft (MSFT ) som byggde stora modeller och den underliggande infrastrukturen. Men de hanterade inte nödvändigtvis slut-till-slut-flöden. Vi erkände denna lucka och ville åtgärda den.

Vår första produkt var inte en kundservicelösning; det var en röstassistent för frontlinjearbetare, såsom tekniker och butiksarbetare. Vi samlade in 2 miljoner dollar i seedfinansiering och visade produkten för potentiella kunder. De bad oss överväldigande att anpassa tekniken för kontaktcenter, där de redan hade röst- och dataströmmar men saknade den moderna generativa AI-arkitekturen. Detta ledde oss att inse att befintliga företag inom detta område var fast i det förflutna, kämpande med den klassiska innovatörernas dilemma om huruvida man skulle förnya sina äldre system eller bygga något nytt. Vi började från en blank slate och byggde den första nativa stora språkmodellen (LLM) kundupplevelseintelligens och serviceautomationsplattformen.

Min djupa intresse för de komplexa aspekterna av mänskligt språk och hur utmanande det är att lösa dessa problem från ett datortekniskt perspektiv, spelade en betydande roll i vår tillvägagångssätt. AI:s förmåga att förstå mänskligt tal är avgörande, särskilt för kontaktcenterbranschen. Till exempel visar användning av Siri ofta hur svårt det är för AI att förstå avsikt och kontext i mänskligt språk. Även enkla frågor kan förvirra AI, som kämpar för att tolka vad du frågar.

AI kämpar med att förstå avsikt, upprätthålla kontext under långa samtal och ha relevant kunskap om världen. Även ChatGPT har begränsningar inom dessa områden. Till exempel kanske den inte känner till de senaste nyheterna eller förstår skiftande ämnen inom en konversation. Dessa utmaningar är direkt relevanta för kundservice, där samtal ofta involverar flera ämnen och kräver att AI förstår specifik, domänrelaterad kunskap. Vi hanterar dessa utmaningar i vår plattform, som är utformad för att hantera komplexiteten i mänskligt språk i en kundservice-miljö.

Level AI:s NLU-teknik går utöver grundläggande nyckelordsmatchning. Kan du förklara hur er AI förstår djupare kundavsikt och de fördelar det bringar till kundservice? Hur säkerställer Level AI noggrannheten och tillförlitligheten hos era AI-system, särskilt när det gäller att förstå nyanserade kundinteraktioner?

Vi har sex eller sju olika AI-pipelines anpassade till specifika uppgifter, beroende på jobbet. Till exempel kan en arbetsflöde innefatta att identifiera anledningar till samtal och förstå de problem kunder har med en produkt eller tjänst, som vi kallar “kundens röst”. En annan kunde vara den automatiserade poängsättningen av kvalitetsscorekort för att utvärdera agentprestation. Varje arbetsflöde eller tjänst har sin egen AI-pipeline, men den underliggande tekniken förblir densamma.

För att dra en analogi är tekniken vi använder baserad på LLM liknande tekniken bakom ChatGPT och andra generativa AI-verktyg. Men vi använder kundservice-specifika LLM som vi har tränat internt för dessa specialiserade arbetsflöden. Detta möjliggör för oss att uppnå över 85% noggrannhet inom bara några dagar efter att vi har påbörjat nya kunder, vilket resulterar i snabbare tid till värde, minimala professionella tjänster och obesegrade noggrannhet, säkerhet och tillit.

Våra modeller har djup, specifik expertis inom kundservice. Den gamla paradigm involverade att analysera samtal genom att plocka ut nyckelord eller fraser som “avbryt mitt konto” eller “Jag är inte nöjd”. Men vår lösning förlitar sig inte på att fånga alla möjliga variationer av fraser. Istället tillämpar den AI för att förstå avsikten bakom frågan, vilket gör det mycket snabbare och effektivare.

Till exempel, om någon säger “Jag vill avbryta mitt konto”, finns det otaliga sätt de kan uttrycka det på, som “Jag är färdig med er” eller “Jag flyttar till någon annan”. Vår AI förstår frågans avsikt och binder den tillbaka till kontexten, vilket är varför vår programvara är snabbare och mer exakt.

En hjälpsam analogi är att gammal AI var som en regelbok – du byggde dessa rigida regelböcker med if-then-else-uttryck, som var inflexibla och konstant behövde underhåll. Den nya AI, å andra sidan, är som en dynamisk hjärna eller ett lärande system. Med bara några pekare lär den sig dynamiskt kontext och avsikt, och förbättrar sig kontinuerligt på flyget. En regelbok har ett begränsat omfång och går sönder lätt när något inte passar de fördefinierade reglerna, medan ett dynamiskt lärande system fortsätter att expandera, växa och har en mycket bredare inverkan.

Ett bra exempel från en kundsynpunkt är ett stort e-handelsvarumärke. De har tusentals produkter, och det är omöjligt att hålla jämna steg med konstanta uppdateringar. Vår AI kan dock förstå kontexten, som om du pratar om en specifik soffa, utan att behöva konstant uppdatera en scorecard eller rubrik med varje ny produkt.

Vilka är de viktigaste utmaningarna i att integrera Level AI:s teknik med befintliga kundservice-system, och hur hanterar ni dem?

Level AI är en kundupplevelseintelligens- och serviceautomationsplattform. Som sådan integrerar vi med de flesta CX-programvaror i branschen, oavsett om det är ett CRM, CCaaS, enkät eller verktygslösning. Detta gör oss till den centrala navet, som samlar in data från alla dessa källor och fungerar som intelligensskiktet ovanpå.

Utmaningen är dock att vissa av dessa system baseras på icke-molnbaserad teknik eller molnteknik som saknar API:er eller rena dataintegreringar. Vi arbetar nära med våra kunder för att hantera detta, även om 80% av våra integreringar nu är molnbaserade eller API-nativa, vilket möjliggör snabb integrering.

Hur tillhandahåller Level AI realtidsintelligens och handlingsbara insikter för kundserviceagenter? Kan du dela några exempel på hur detta har förbättrat kundinteraktioner?

Det finns tre typer av realtidsintelligens och handlingsbara insikter som vi tillhandahåller våra kunder:

1. Automatisering av manuella arbetsflöden: Serviceagenter har ofta begränsad tid (6 till 9 minuter) och många manuella uppgifter. Level AI automatiserar tråkiga uppgifter som anteckningar under och efter samtal, och genererar anpassade sammanfattningar för varje kund. Detta har sparat våra kunder 10 till 25% i samtalshanterings tid, vilket leder till ökad effektivitet.
2. CX-kopilot för serviceagenter: Serviceagenter möter hög personalomsättning och utmaningar vid ombordstigning. Tänk dig att du blir placerad i ett kontaktcenter utan att känna till företagets policys. Level AI fungerar som en expert-AI som sitter bredvid agenten, lyssnar på samtal och erbjuder realtidsvägledning. Detta inkluderar att hantera invändningar, tillhandahålla kunskap och erbjuda smart transkription. Denna funktion har hjälpt våra kunder att ombordstiga och utbilda serviceagenter 30 till 50% snabbare.
3. Chefskopilot: Denna unika funktion ger chefer realtidsöversikt över hur deras team presterar. Level AI tillhandahåller sekund-för-sekund-insikter i samtal, vilket möjliggör för chefer att ingripa, upptäcka sentiment och avsikt, och stödja agenter i realtid. Detta har förbättrat agentproduktiviteten med 10 till 15% och ökat agentnöjdheten, vilket är avgörande för att minska kostnaderna. Till exempel, om en kund börjar svära åt en agent, flaggar systemet det, och chefen kan antingen ta över samtalet eller vägleda agenten.

Kan du utveckla hur Level AI:s sentimentanalys fungerar och hur den hjälper agenter att svara mer effektivt på kunder?

Vår sentimentanalys upptäcker sju olika känslor, från extrem frustration till eufori, vilket möjliggör för oss att mäta varierande grad av känslor som bidrar till vår övergripande sentimentpoäng. Denna analys tar hänsyn till både de talade orden och tonfallet i samtalet. Men vi har funnit genom våra experiment att de talade orden spelar en mycket större roll än tonfallet. Du kan säga de elakaste sakerna i ett platt tonfall eller mycket trevliga saker i ett konstigt tonfall.

Vi tillhandahåller en sentimentpoäng på en skala från 1 till 10, där 1 indikerar mycket negativt sentiment och 10 indikerar ett mycket positivt sentiment. Vi analyserar 100% av våra kunders samtal, vilket ger en djup insikt i kundinteraktioner.

Kontextuell förståelse är också avgörande. Till exempel, om ett samtal börjar med mycket negativt sentiment men slutar positivt, även om 80% av samtalet var negativt, anses den övergripande interaktionen vara positiv. Detta beror på att kunden började arg, agenten löste problemet och kunden lämnade nöjd. Å andra sidan, om samtalet börjar positivt men slutar negativt, är det en annan historia, trots att 80% av samtalet kan ha varit positivt.

Denna analys hjälper både agenten och chefen att identifiera områden för utbildning, fokusera på åtgärder som korrelerar med positivt sentiment, såsom att hälsa kunden, erkänna deras problem och visa empati – element som är avgörande för framgångsrika interaktioner.

Hur hanterar Level AI dataskydd och säkerhetsproblem, särskilt med tanke på den känsliga naturen av kundinteraktioner?

Från dag ett har vi prioriterat säkerhet och dataskydd. Vi har byggt vårt system med företagsnivåsäkerhet och dataskydd som kärnprinciper. Vi outsourcar inte någon av våra generativa AI-funktioner till tredjepartsleverantörer. Allt utvecklas internt, vilket möjliggör för oss att träna kundspecifika AI-modeller utan att dela data utanför vår miljö. Vi erbjuder också omfattande anpassning, vilket möjliggör för kunder att ha sina egna AI-modeller utan att dela data mellan olika delar av vår datapipeline.

För att hantera en aktuell branschfråga, används vår data inte av externa modeller för utbildning. Vi tillåter inte att våra modeller påverkas av AI-genererad data från andra källor. Detta tillvägagångssätt förhindrar de problem som vissa AI-modeller står inför, där de tränas på AI-genererad data och förlorar noggrannhet. Hos Level AI är allt första parts, och vi delar eller hämtar inte data externt.

Med den nyligen erhållna 39,4 miljoner dollar i serie C-finansiering, vad är era planer för att expandera Level AI:s plattform och nå nya kundsegment?

Serie C-investeringen kommer att driva vår strategiska tillväxt och innovationsinitiativ i kritiska områden, inklusive att främja produktutveckling, förbättra ingenjörskap och rigorös forskning och utveckling. Vi syftar till att rekrytera toppklassens talang över hela organisationen, vilket möjliggör för oss att fortsätta att bana väg för branschledande teknologier som överträffar kundförväntningar och möter dynamiska marknadsbehov.

Hur ser du på AI:s roll i att förvandla kundservice under de kommande tio åren?

Medan den allmänna fokuseringen ofta är på automatiseringsaspekten – förutspående en framtid där botar hanterar all kundservice – är vår syn mer nyanserad. Utsträckningen av automatisering varierar beroende på vertikal. Till exempel kan automatisering vara lägre i banker eller finansiella institutioner, medan den kan vara högre i andra sektorer. I genomsnitt tror vi att det är svårt att uppnå mer än 40% automatisering över alla vertikaler. Detta beror på att serviceagenter gör mer än att bara svara på frågor – de fungerar som felsökare, försäljningsrådgivare och mer, roller som inte kan fullständigt replikeras av AI.

Det finns också ett betydande potential i arbetsflödesautomatisering, som Level AI fokuserar på. Detta inkluderar backoffice-uppgifter som kvalitetskontroll, biljetttriage och skärmövervakning. Här kan automatisering överstiga 80% med hjälp av generativ AI. Intelligens och datainsikter är avgörande. Vi är unika i att använda generativ AI för att få insikter från ostrukturerad data. Detta tillvägagångssätt kan väsentligt förbättra kvaliteten på insikterna, minska behovet av professionella tjänster med 90% och påskynda tiden till värde med 90%.

En annan viktig aspekt är om ansiktet på er organisation ska vara en bot eller en person. Utöver de grundläggande funktioner de utför är en mänsklig koppling till era kunder avgörande. Vår tillvägagångssätt är att ta bort de överflödiga uppgifterna från en persons arbetsbörda, vilket möjliggör för dem att fokusera på meningsfulla interaktioner.

Vi tror att människor är bäst lämpade för direkt kommunikation och bör fortsätta att vara i den rollen. Men de är inte idealiska för uppgifter som anteckningar, transkription av interaktioner eller skärminspelning. Genom att hantera dessa uppgifter för dem frigör vi deras tid att engagera sig med kunder mer effektivt. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Level AI.