Ofer Ronen, medgrundare och VD för Tomato.ai – Intervjuserie

Ofer Ronen är medgrundare och VD för Tomato.ai, en plattform som erbjuder en AI-driven röstfilter för att mjuka upp accenter för offshore-agenters röster när de talar, vilket resulterar i förbättrade CSAT- och försäljningsmått.

Ofer har tidigare sålt tre tech-startups, två till Google (GOOGL ) och en till IAC. Han tillbringade de senaste fem åren på Google med att bygga kontaktcenter-AI-lösningar inom Area 120-incubatorn. Han stängde över 500 miljoner dollar i affärer för dessa nya lösningar. Han har en masterexamen i datorteknik med fokus på AI från University of Michigan och en MBA från Cornell.

Vad var det som initialt drog dig till maskinlärning och AI?

AI har en lång historia av startar och stoppar. Perioder när det fanns stor hopp om tekniken för att förändra branscher, följt av perioder av besvikelse eftersom den inte riktigt levde upp till hypen.

När jag gjorde en master i AI för ett par decennier sedan, på University of Michigan, var det en period av besvikelse, när AI inte riktigt hade någon inverkan. Jag var intresserad av idén att datorer kunde läras att utföra uppgifter genom exempel istället för traditionella heuristiker, som kräver att man tänker på vilka explicita instruktioner som ska ges. På den tiden arbetade jag på ett AI-forskningslaboratorium med virtuella agenter som hjälpte lärare att hitta resurser online för sina klasser. Då hade vi inte den stora datamängden, de kraftfulla beräkningsresurserna eller de avancerade neuronnäten som vi har idag, så de funktioner vi byggde var begränsade.

Från 2016 till 2019 arbetade du på Googles Area 120-incubator för att designa mycket robusta virtuella agenter för de största kontaktcentren. Vad var denna lösning exakt?

Nyligen arbetade jag på Googles Area 120-incubator med några av de största röst-virtuella agenterna, inklusive ett par projekt för Fortune 50-företag med över hundra miljoner supportanrop per år.

För att bygga mer robusta röst-virtuella agenter som kan hantera komplexa samtal, använde vi miljontals historiska samtal mellan människor och använde dessa samtal för att upptäcka typen av följefrågor som kunder har utöver sina initiala uttalade problem. Genom att gräva i följefrågor och olika sätt som kunder uttrycker varje fråga på, kunde vi bygga flexibla virtuella agenter som kan ha slingrande samtal. Detta speglade bättre den typ av samtal som kunder har med mänskliga agenter. Resultatet var en betydande ökning av det totala antalet samtal som helt hanterades av de virtuella agenterna.

2019 och 2020 byggde du en andra startup inom Area 120. Kan du dela vad detta företag var och vad du lärde dig av upplevelsen?

Min andra startup inom Area 120 var återigen fokuserad på kontaktcenter. Vår lösning fokuserade på att minska kundavhopp genom att proaktivt kontakta kunder strax efter ett misslyckat supportanrop där kunden uttryckte sitt problem men inte fick en lösning. Kontakten skulle göras av virtuella agenter som tränats för att hantera dessa öppna frågor. Vad jag lärde mig av den här upplevelsen är att avhopp är en svår mätning att mäta på ett tillförlitligt sätt. Det kan ta sex månader att få statistiskt signifikanta resultat för förändringar i avhopp. Det gör det svårt att optimera en upplevelse tillräckligt snabbt och att övertyga kunder om att en lösning fungerar.

Kan du dela berättelsen om hur din tredje kontaktcenter-AI-startup Tomato.ai kom till, och varför du valde att göra det själv istället för att arbeta inom Google?

Idén till Tomato.ai, min tredje kontaktcenter-startup, kom från James Fan, min medgrundare och CTO. James tänkte att det skulle vara mer effektivt att sälja vin med en fransk accent, och vad om vem som helst kunde låta fransk?

Detta var ursprunget till idén, och från där utvecklades vår tanke. När vi undersökte det mer upptäckte vi ett mer akut smärtproblem som kunder upplevde när de talade med accenterade offshore-agenter. Kunder hade problem med förståelse och förtroende. Detta representerade en större marknadschans. Med vår bakgrund insåg vi den betydande inverkan det skulle ha på kontaktcenter, vilket hjälper dem att förbättra sina försäljnings- och supportmått. Vi kallar nu den här typen av lösning för Accent Softening.

James och jag har tidigare lett och sålt startups, inklusive var och en av oss som sålde en startup till Google.

Vi bestämde oss för att lämna Google för att starta Tomato.ai eftersom vi, efter många år på Google, längtade efter att komma tillbaka till att starta och leda vårt eget företag.

Tomato.ai löser ett viktigt smärtproblem med kontaktcenter, som är att mjuka upp accenter för agenter. Kan du diskutera varför röstfilter är en föredragen lösning jämfört med agentutbildning?

På Tomato.ai förstår vi vikten av tydlig kommunikation i kontaktcenter, där accenter ibland kan skapa hinder. Istället för att enbart förlita oss på traditionell agentutbildning har vi utvecklat röstfilter, eller vad vi kallar “accentmjukning”. Dessa filter hjälper agenter att behålla sin unika röst, samtidigt som de minskar sina accenter, förbättrar tydligheten för samtalare. Genom att använda röstfilter säkerställer vi bättre kommunikation och bygger förtroende mellan agenter och samtalare, vilket gör varje interaktion mer effektiv och tillfredsställande för kunden. Jämfört med omfattande utbildningsprogram erbjuder röstfilter en enklare och mer omedelbar lösning för att hantera accentrelaterade utmaningar i kontaktcenter.

Medan befintliga agenter använder dessa verktyg för att förbättra sin prestation kommer de att kunna kräva högre priser, vilket speglar deras ökade värde i att leverera exceptionella kundupplevelser. Samtidigt kommer den demokratiserande effekten av generativ AI att bringa in nya nybörjagenter, vilket utvidgar talangpoolen och driver ner timpriser. Denna dikotomi signalerar en grundläggande transformation av kontaktcenterbranschens dynamik, där teknologi och mänsklig expertis omformar branschens landskap, vilket banar väg för en mer inkluderande och konkurrenskraftig framtid.

Vilka är några av de olika maskinlärnings- och AI-teknologierna som används för att möjliggöra röstfiltrering?

Den här typen av realtidsröstfiltreringslösning skulle inte ha varit möjlig för bara ett par år sedan. Framsteg inom talforskning i kombination med nyare arkitekturer som transformermodellen och djupa neuronnät, och kraftfullare AI-hårdvara (som TPUs från Google och GPUs från NVidia) gör det möjligt att bygga sådana lösningar idag. Det är fortfarande ett mycket svårt problem som kräver att vårt team uppfinner nya tekniker för att träna tal-till-tal-modeller som är låglatens och högkvalitativa.

Vad för typ av feedback har erhållits från kontaktcenter, och hur har det påverkat personalomsättningen?

Vi har en stark efterfrågan från stora och små offshore-kontaktcenter för att testa vår accentmjukningslösning. Dessa kontaktcenter inser att Tomato.ai kan hjälpa till med deras två största problem (1) offshore-agenter har inte samma prestandamått som onshore-agenter (2) det är svårt att hitta tillräckligt kvalificerade agenter att anställa i offshore-marknader som Indien och Filippinerna.

Vi förväntar oss inom de kommande veckorna att ha fallstudier som belyser den typ av inverkan som kontaktcenter upplever när de använder Accent Softening. Vi förväntar oss att försäljningssamtal kommer att se en omedelbar ökning av viktiga mått som intäkter, stängningsfrekvens och kvalificeringsfrekvens för leads. Samtidigt förväntar vi oss att supportanrop kommer att se kortare hanteringstider, färre återanrop och förbättrad CSAT.

Som nämnts tidigare tar det längre tid att validera personalomsättning, och sådana fallstudier med förbättringar kommer att ske vid ett senare tillfälle.

Tomato.ai har nyligen genomfört en finansieringsrunda på 10 miljoner dollar, vad betyder detta för företagets framtid?

Medan Tomato.ai förbereder sig för sin första produktlansering, förblir teamet fast beslutet att omforma landskapet för global kommunikation och framtiden för arbete, ett samtal i taget.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Tomato.ai.