อาชิช นาการ์ ซีอีโอและผู้ก่อตั้ง Level AI – ซีรี่ส์สัมภาษณ์

อาชิช นาการ์ เป็นซีอีโอและผู้ก่อตั้ง Level AI โดยนำประสบการณ์ของเขาจากทีม Alexa ของ Amazon (AMZN ) มาใช้เทคโนโลยีปัญญาประดิษฐ์เพื่อเปลี่ยนแปลงการดำเนินงานของศูนย์บริการลูกค้า ด้วยประสบการณ์ที่เข้มแข็งในด้านเทคโนโลยีและผู้ประกอบการ อาชิชมีบทบาทสำคัญในการขับเคลื่อนภารกิจของบริษัทในการเพิ่มประสิทธิภาพและประสิทธิผลของการโต้ตอบลูกค้าผ่านโซลูชัน AI ที่ทันสมัย ภายใต้การนำของเขา Level AI ได้กลายเป็นผู้เล่นหลักในอุตสาหกรรมศูนย์บริการลูกค้าที่ขับเคลื่อนด้วย AI โดยมีชื่อเสียงในด้านผลิตภัณฑ์ที่เป็นนวัตกรรมและความสามารถในการใช้ AI ที่เหนือกว่า

อะไรเป็นแรงบันดาลใจให้คุณออกจาก Amazon และก่อตั้ง Level AI? คุณสามารถแบ่งปันจุดเจ็บปวดเฉพาะในด้านการบริการลูกค้าที่คุณมุ่งหวังที่จะแก้ไขด้วยเทคโนโลยีของคุณได้หรือไม่?

ภูมิหลังของฉันคือการสร้างผลิตภัณฑ์ที่จุดตัดระหว่างเทคโนโลยีและธุรกิจ แม้ว่าฉันจะมีปริญญาตรีสาขาฟิสิกส์ประยุกต์ แต่งานของฉันเน้นไปที่บทบาทผลิตภัณฑ์และการสร้าง ตั้งค่า และพัฒนาธุรกิจใหม่ๆ ความหลงใหลในเทคโนโลยีและธุรกิจของฉันนำฉันไปสู่ AI

ฉันเริ่มทำงานด้าน AI ในปี 2014 เมื่อเรากำลังสร้างบริษัทค้นหามือถือรุ่นต่อไปชื่อ Rel C ซึ่งคล้ายกับ Perplexity AI ในปัจจุบัน ประสบการณ์นี้จุดประกายการเดินทางของฉันในด้านซอฟต์แวร์ AI และในที่สุดบริษัทนั้นก็ถูก Amazon ซื้อไป ที่ Amazon ฉันเป็นผู้นำผลิตภัณฑ์ในทีม Alexa และต้องการหาวิธีแก้ปัญหาที่ซับซ้อนมากขึ้นโดยใช้ AI

ในปีสุดท้ายที่ Amazon ในปี 2018 ฉันทำงานในโครงการที่เรียกว่า “คอมพิวเตอร์ Star Trek” ซึ่งได้รับแรงบันดาลใจจากแฟรนไชส์ science fiction ที่มีชื่อเสียง โครงการนี้มีเป้าหมายที่จะพัฒนาคอมพิวเตอร์ที่สามารถเข้าใจและตอบคำถามใดๆ ที่คุณถามได้ โครงการนี้กลายเป็นที่รู้จักกันในชื่อ Alexa Prize โดยมีเป้าหมายที่จะทำให้ทุกคนสามารถพูดคุยกับ Alexa ได้ 20 นาทีเกี่ยวกับหัวข้อสังคมใดๆ ฉันนำทีมนักวิทยาศาสตร์ประมาณ 10 คน และเราจัดงานท้าทาย AI ระดับโลก ฉันทำงานอย่างใกล้ชิดกับคนนำหน้าจากสถาบันเช่น MIT, CMU, Stanford และ Oxford สิ่งหนึ่งที่ชัดเจนคือในขณะนั้นไม่มีใครสามารถแก้ปัญหานี้ได้อย่างสมบูรณ์

แม้แต่ในขณะนั้น ฉันก็สามารถรู้สึกถึงคลื่นนวัตกรรมที่กำลังจะมาถึงซึ่งจะทำให้สิ่งนี้เป็นไปได้ เมื่อไปถึงปี 2024 เทคโนโลยีเช่น ChatGPT ก็ทำสิ่งที่เราวางแผนไว้แล้ว มีการพัฒนาอย่างรวดเร็วในด้านการประมวลผลภาษาโดยธรรมชาติ โดยมีบริษัทอย่าง Amazon, Google (GOOGL ), OpenAI และ Microsoft (MSFT ) สร้างโมเดลขนาดใหญ่และโครงสร้างพื้นฐาน แต่พวกเขาไม่ได้แก้ไขการทำงานแบบ end-to-end โดยเฉพาะ เรารับรู้ถึงช่องว่างนี้และต้องการแก้ไข

ผลิตภัณฑ์แรกของเราไม่ใช่โซลูชันการบริการลูกค้า แต่เป็นช่วยเหลือเสียงสำหรับพนักงานแนวหน้า เช่น เทคนิคและพนักงานร้านค้าปลีก เราได้รับเงินทุน 2 ล้านดอลลาร์ในการระดมทุนและแสดงผลิตภัณฑ์ให้กับลูกค้าที่มีศักยภาพ พวกเขาต้องการให้เราปรับเทคโนโลยีสำหรับศูนย์บริการลูกค้า ซึ่งพวกเขามีเสียงและข้อมูลอยู่แล้ว แต่ขาดโครงสร้าง AI ที่สร้างขึ้นใหม่ สิ่งนี้ทำให้เราเข้าใจว่าบริษัทที่มีอยู่ในพื้นที่นี้ยังคงยึดติดกับอดีต โดยต้องเผชิญกับภาวะผู้สร้างนวัตกรรมที่ต้องตัดสินใจว่าจะทิ้งระบบมรดกหรือสร้างสิ่งใหม่ เราเริ่มต้นจากกระดาษเปล่าและสร้างแพลตฟอร์ม AI ที่มีขนาดใหญ่สำหรับการให้ข้อมูลลูกค้าและอัตโนมัติบริการเป็นครั้งแรก

ความสนใจอย่างลึกซึ้งในความซับซ้อนของภาษามนุษย์และความท้าทายในการแก้ปัญหานี้จากมุมมองของวิศวกรรมคอมพิวเตอร์ มีบทบาทสำคัญในการเข้าถึงของเรา AI มีความสามารถในการเข้าใจภาษามนุษย์เป็นสิ่งสำคัญ โดยเฉพาะในอุตสาหกรรมศูนย์บริการลูกค้า ตัวอย่างเช่น การใช้ Siri บ่อยๆ จะแสดงให้เห็นว่า AI มีความยากในการเข้าใจความตั้งใจและบริบทในภาษามนุษย์ แม้คำถามง่ายๆ ก็สามารถทำให้ AI สับสนได้ ซึ่งดิ้นรนในการตีความสิ่งที่คุณถาม

AI ต้องดิ้นรนในการเข้าใจความตั้งใจ การรักษาบริบทตลอดการคุยที่ยาว และการมีความรู้ที่เกี่ยวข้องกับโลก สิ่งเหล่านี้เป็นความท้าทายที่เกี่ยวข้องโดยตรงกับการบริการลูกค้า โดยที่การคุยบ่อยๆ เกี่ยวข้องกับหัวข้อหลายหัวข้อและต้องการให้ AI เข้าใจความรู้เฉพาะโดเมน เรากำลังแก้ไขความท้าทายเหล่านี้ในแพลตฟอร์มของเรา ซึ่งได้รับการออกแบบมาเพื่อจัดการกับความซับซ้อนของภาษามนุษย์ในสภาพแวดล้อมการบริการลูกค้า

เทคโนโลยี NLU ของ Level AI ไปไกลกว่าการแมตช์คำหลักพื้นฐาน คุณสามารถอธิบายได้ว่า AI ของคุณเข้าใจความตั้งใจลูกค้าลึกซึ้งยิ่งขึ้นได้อย่างไร และสิ่งนี้นำมาซึ่งประโยชน์ gì สำหรับการบริการลูกค้า? Level AI รับประกันความถูกต้องและความน่าเชื่อถือของระบบ AI ได้อย่างไร โดยเฉพาะอย่างยิ่งในการทำความเข้าใจการโต้ตอบลูกค้าที่ละเอียดอ่อน?

เรามีเส้นทาง AI หลายเส้นที่ปรับให้เหมาะสมกับงานเฉพาะ ขึ้นอยู่กับงานที่ทำ ตัวอย่างเช่น การทำงานหนึ่งอาจเกี่ยวข้องกับการระบุตัวขับรถและเข้าใจปัญหาที่ลูกค้ามีกับผลิตภัณฑ์หรือบริการ ซึ่งเรียกว่า “เสียงของลูกค้า” อีกอย่างอาจเป็นการให้คะแนนคุณภาพอัตโนมัติเพื่อประเมินประสิทธิภาพของตัวแทน แต่ละการทำงานหรือบริการมีเส้นทาง AI ของตนเอง แต่เทคโนโลยีเบื้องหลังยังคงเหมือนเดิม

เพื่อใช้คำอุปมา เทคโนโลยีที่เรานำมาใช้คล้ายกับเทคโนโลยีที่อยู่เบื้องหลังเครื่องมือ AI ที่สร้างขึ้น เช่น ChatGPT และเครื่องมือ AI ที่สร้างขึ้นอื่นๆ อย่างไรก็ตาม เราใช้ LLM ที่เฉพาะเจาะจงสำหรับการบริการลูกค้าซึ่งเราได้ฝึกอบรมภายในองค์กรสำหรับกระบวนการทำงานเฉพาะเหล่านี้ สิ่งนี้ช่วยให้เราบรรลุความแม่นยำมากกว่า 85% ภายในไม่กี่วันหลังจากที่ลูกค้าใหม่เริ่มใช้งาน ผลลัพธ์ที่ได้คือเวลาในการให้ค่าใช้จ่ายที่เร็วขึ้น การให้บริการมืออาชีพที่ลดลง และความแม่นยำ ความปลอดภัย และความน่าเชื่อถือที่ไม่มีใครเทียบได้

โมเดลของเรามีความเชี่ยวชาญที่ลึกซึ้งและเฉพาะเจาะจงสำหรับการบริการลูกค้า วิธีการเก่าเกี่ยวข้องกับการวิเคราะห์การสนทนาโดยการจับคำหรือวลี เช่น “ยกเลิกบัญชีของฉัน” หรือ “ฉันไม่พอใจ” แต่โซลูชันของเราไม่ขึ้นอยู่กับการจับคำหรือวลีทั้งหมด แต่จะใช้ AI เพื่อเข้าใจความตั้งใจเบื้องหลังคำถาม ทำให้เร็วขึ้นและ効率มากขึ้น

ตัวอย่างเช่น หากใครสักคนพูดว่า “ฉันต้องการยกเลิกบัญชีของฉัน” มีหลายวิธีที่พวกเขาอาจแสดงออก เช่น “ฉันเสร็จแล้วกับคุณ” หรือ “ฉันกำลังย้ายไปสู่คนอื่น” AI ของเรารู้ความตั้งใจของคำถามและเชื่อมโยงมันกลับไปยังบริบท ซึ่งเป็นเหตุผลที่ซอฟต์แวร์ของเรามีความเร็วและแม่นยำมากกว่า

คำอุปมาที่มีประโยชน์คือ AI เก่าๆ เหมือนกับหนังสือกฎ – คุณสร้างหนังสือกฎที่ยืดหยุ่นไม่ได้ โดยมีคำสั่ง if-then-else ซึ่งต้องบำรุงรักษาอย่างต่อเนื่อง ในขณะที่ AI ใหม่ๆ เหมือนกับสมองหรือระบบการเรียนรู้ที่มีชีวิต เมื่อได้รับคำแนะนำเพียงเล็กน้อย มันจะเรียนรู้บริบทและความตั้งใจได้อย่างรวดเร็วและดีขึ้นอย่างต่อเนื่อง หนังสือกฎมีขอบเขตที่จำกัดและแตกหักง่ายๆ เมื่อมีบางสิ่งที่ไม่เข้ากับกฎที่กำหนดไว้ ในขณะที่ระบบการเรียนรู้แบบไดนามิกจะขยายตัว เติบโต และมีผลกระทบที่กว้างขึ้น

ตัวอย่างที่ดีจากมุมมองของลูกค้าคือแบรนด์ขายของชำทางอินเทอร์เน็ตขนาดใหญ่ พวกเขามีผลิตภัณฑ์หลายพันรายการ และเป็นไปไม่ได้ที่จะตามทันการอัปเดตอย่างต่อเนื่อง AI ของเราสามารถเข้าใจบริบท เช่น การพูดถึงโซฟาโดยเฉพาะ โดยไม่ต้องอัปเดตการให้คะแนนหรือรูปแบบอย่างต่อเนื่อง

อะไรคือความท้าทายหลักในการรวมเทคโนโลยีของ Level AI เข้ากับระบบการบริการลูกค้าที่มีอยู่ และคุณแก้ไขปัญหาเหล่านี้ได้อย่างไร?

Level AI คือแพลตฟอร์มการให้ข้อมูลลูกค้าและอัตโนมัติบริการ ดังนั้นเราจึงรวมเข้ากับซอฟต์แวร์ CX ส่วนใหญ่ในอุตสาหกรรม ไม่ว่าจะเป็น CRM, CCaaS, การสำรวจ หรือเครื่องมืออื่นๆ สิ่งนี้ทำให้เราเป็นศูนย์กลางที่รวบรวมข้อมูลจากแหล่งต่างๆ และทำหน้าที่เป็นชั้นข้อมูลบนสุด

อย่างไรก็ตาม ความท้าทายคือบางระบบเหล่านี้อยู่บนเทคโนโลยีแบบไม่ใช้คลาวด์ หรือแม้แต่คลาวด์ที่ขาด API หรือการรวมข้อมูลที่สะอาด เราทำงานอย่างใกล้ชิดกับลูกค้าเพื่อแก้ไขปัญหานี้ และ 80% ของการรวมของเรากำลังเป็นแบบคลาวด์หรือ API-เนทีฟ ทำให้เราสามารถรวมเข้าด้วยกันได้อย่างรวดเร็ว

Level AI ให้ข้อมูลเชิงลึกและข้อมูลเชิงลึกที่สามารถดำเนินการได้แบบเรียลไทม์แก่ตัวแทนการบริการลูกค้าได้อย่างไร? คุณสามารถแบ่งปันตัวอย่างของวิธีการที่สิ่งนี้ได้ปรับปรุงการโต้ตอบลูกค้าได้หรือไม่?

มีสามประเภทของข้อมูลเชิงลึกและข้อมูลเชิงลึกที่สามารถดำเนินการได้แบบเรียลไทม์ที่เรามอบให้กับลูกค้าของเรา:

1. การอัตโนมัติของการทำงานแบบแมนนวล: ตัวแทนการบริการมีเวลาที่จำกัด (6-9 นาที) และงานแมนนวลหลายงาน Level AI อัตโนมัติงานที่น่าเบื่อๆ เช่น การบันทึกและสรุปการคุยแบบปรับแต่งสำหรับลูกค้าแต่ละราย สิ่งนี้ช่วยให้ลูกค้าของเราสามารถประหยัดเวลาในการจัดการการโทรได้ 10-25% นำไปสู่ประสิทธิภาพที่ดีขึ้น
2. CX Copilot สำหรับตัวแทนการบริการ: ตัวแทนการบริการต้องเผชิญกับความท้าทายในการหมุนเวียนและฝึกอบรม คุณสามารถจินตนาการได้ว่าถูกทิ้งไว้ในศูนย์บริการลูกค้าโดยไม่ทราบนโยบายของบริษัท Level AI ทำหน้าที่เป็น AI ที่เชี่ยวชาญซึ่งนั่งอยู่ข้างๆ ตัวแทนการบริการ ฟังการสนทนา และให้คำแนะนำแบบเรียลไทม์ รวมถึงการจัดการข้อโต้แย้ง การให้ความรู้ และการถอดเสียงอัจฉริยะ คุณลักษณะนี้ช่วยให้ลูกค้าของเราสามารถฝึกอบรมและเตรียมตัวแทนการบริการได้เร็วขึ้น 30-50%
3. Manager Copilot: คุณลักษณะนี้ให้ความสามารถในการมองเห็นแบบเรียลไทม์แก่ผู้จัดการเกี่ยวกับประสิทธิภาพของทีม พวกเขาสามารถแทรกแซง การตรวจจับความรู้สึกและความตั้งใจ และสนับสนุนตัวแทนการบริการแบบเรียลไทม์ สิ่งนี้ช่วยปรับปรุงประสิทธิภาพของตัวแทนการบริการได้ 10-15% และเพิ่มความพึงพอใจของตัวแทน ซึ่งจำเป็นสำหรับการลดต้นทุน ตัวอย่างเช่น หากลูกค้าเริ่มด่าตัวแทนการบริการ ระบบจะแจ้งเตือนและผู้จัดการสามารถเข้าแทรกแซงหรือให้คำแนะนำแก่ตัวแทนการบริการได้ การแทรกแซงแบบเรียลไทม์แบบนี้จะเป็นไปไม่ได้หากไม่มีเทคโนโลยีนี้

คุณสามารถอธิบายรายละเอียดเกี่ยวกับวิธีการทำงานของการวิเคราะห์ความรู้สึกของ Level AI และวิธีที่มันช่วยให้ตัวแทนการบริการตอบสนองลูกค้าได้อย่างมีประสิทธิภาพมากขึ้น?

การวิเคราะห์ความรู้สึกของเราสามารถตรวจจับอารมณ์ที่แตกต่างกัน 7 ประเภท ตั้งแต่ความหงุดหงิดอย่างรุนแรงไปจนถึงความยินดี ทำให้เราสามารถวัดระดับอารมณ์ที่แตกต่างกันซึ่งนำไปสู่คะแนนความรู้สึกโดยรวมของเรา การวิเคราะห์นี้พิจารณาทั้งคำพูดและน้ำเสียงของการสนทนา แต่เราได้พบว่าผ่านการทดลองของเรา bahwa คำพูดมีบทบาทที่สำคัญกว่าน้ำเสียง คุณสามารถพูดสิ่งที่โหดร้ายที่สุดด้วยน้ำเสียงที่เรียบหรือสิ่งที่ดีๆ ด้วยน้ำเสียงที่แปลกๆ

เรามอบคะแนนความรู้สึกตั้งแต่ 1 ถึง 10 โดยที่ 1 หมายถึงความรู้สึกที่ไม่ดีมากและ 10 หมายถึงความรู้สึกที่ดีมาก เราวิเคราะห์ 100% ของการสนทนาของลูกค้าของเรา โดยให้ข้อมูลเชิงลึกที่ลึกซึ้งเกี่ยวกับการโต้ตอบลูกค้า

ความเข้าใจบริบทก็มีความสำคัญเช่นกัน ตัวอย่างเช่น หากการโทรเริ่มต้นด้วยความรู้สึกที่ไม่ดีแต่สิ้นสุดด้วยความรู้สึกที่ดี แม้ว่า 80% ของการโทรอาจเป็นลบ แต่การโต้ตอบโดยรวมจะถือว่าเป็นบวก เนื่องจากลูกค้าเริ่มต้นด้วยความไม่พอใจ ตัวแทนการบริการแก้ไขปัญหา และลูกค้าออกไปด้วยความพึงพอใจ ในทางกลับกัน หากการโทรเริ่มต้นด้วยความรู้สึกที่ดีแต่สิ้นสุดด้วยความรู้สึกที่ไม่ดี นั่นเป็นอีกเรื่องหนึ่ง แม้ว่า 80% ของการโทรอาจเป็นบวกก็ตาม

การวิเคราะห์นี้ช่วยให้ทั้งตัวแทนการบริการและผู้จัดการระบุพื้นที่สำหรับการฝึกอบรม โดยเน้นไปที่การกระทำที่สอดคล้องกับความรู้สึกที่ดี เช่น การทักทายลูกค้า การยอมรับความกังวลของพวกเขา และการแสดงความเห็นอกเห็นใจ – สิ่งเหล่านี้เป็นสิ่งสำคัญสำหรับการโต้ตอบที่ประสบความสำเร็จ

Level AI จัดการกับความกังวลเรื่องความเป็นส่วนตัวและความปลอดภัยของข้อมูลอย่างไร โดยเฉพาะอย่างยิ่งเมื่อพิจารณาถึงธรรมชาติที่ละเอียดอ่อนของการโต้ตอบลูกค้า?

ตั้งแต่วันแรก เราให้ความสำคัญกับความปลอดภัยและความเป็นส่วนตัว เราได้สร้างระบบของเราโดยมีความปลอดภัยและความเป็นส่วนตัวเป็นหลักการหลัก เราไม่ได้ออกทุนความสามารถ AI ที่สร้างขึ้นให้กับผู้ให้บริการภายนอก ทุกอย่างถูกพัฒนาภายในบ้าน ซึ่งช่วยให้เราสามารถฝึกอบรมโมเดล AI ที่เฉพาะเจาะจงสำหรับลูกค้าโดยไม่ต้องแบ่งปันข้อมูลนอกสภาพแวดล้อมของเรา เรายังให้การปรับแต่งอย่างกว้างขวาง ซึ่งช่วยให้ลูกค้าสามารถมีโมเดล AI ของตนเองโดยไม่ต้องแบ่งปันข้อมูลระหว่างส่วนต่างๆ ของพายพ-line ของเรา

เพื่อแก้ไขปัญหาที่เกิดขึ้นในอุตสาหกรรมปัจจุบัน ข้อมูลของเราจะไม่ถูกนำไปใช้ในการฝึกอบรมโมเดล AI ภายนอก เราไม่อนุญาตให้โมเดลของเราถูกอิทธิพลจากข้อมูลที่สร้างโดย AI จากแหล่งอื่น ๆ วิธีการนี้ป้องกันปัญหาที่โมเดล AI บางรุ่นเผชิญ ซึ่งการฝึกอบรมด้วยข้อมูลที่สร้างโดย AI ทำให้ความแม่นยำลดลง ที่ Level AI ทุกอย่างเป็นของบ้านและเราไม่แบ่งปันหรือดึงข้อมูลจากภายนอก

ด้วยการระดมทุน Series C มูลค่า 39.4 ล้านดอลลาร์ คุณวางแผนจะขยายแพลตฟอร์มของ Level AI และเข้าถึงกลุ่มลูกค้าใหม่ๆ อย่างไร?

การลงทุน Series C จะขับเคลื่อนการเติบโตเชิงกลยุทธ์และการสร้างสรรค์นวัตกรรมของเราในพื้นที่สำคัญๆ รวมถึงการพัฒนาผลิตภัณฑ์ การปรับปรุงวิศวกรรม และการวิจัยและพัฒนาอย่างเข้มข้น เราได้วางแผนเพื่อสรรหาความสามารถระดับแนวหน้าทั่วทั้งองค์กร ซึ่งจะช่วยให้เรา继续เป็นผู้นำด้านเทคโนโลยีที่ล้ำสมัยซึ่งเกินความคาดหวังของลูกค้าและตอบสนองความต้องการที่เปลี่ยนแปลงอย่างรวดเร็วของตลาด

คุณมองเห็นอนาคตของ AI ในการเปลี่ยนแปลงการบริการลูกค้าในอีกสิบปีข้างหน้าอย่างไร?

ในขณะที่มุ่งเน้นไปที่การอัตโนมัติ – คาดการณ์ว่าในอนาคตหุ่นยนต์จะจัดการการบริการลูกค้าทั้งหมด – มุมมองของเรามีความซับซ้อนมากขึ้น ระดับการอัตโนมัติแตกต่างกันไปในแต่ละอุตสาหกรรม ตัวอย่างเช่น ในการธนาคารหรือการเงิน การอัตโนมัติอาจต่ำกว่า ในขณะที่ในอุตสาหกรรมอื่นๆ อาจสูงกว่า โดยเฉลี่ยแล้ว เราเชื่อว่าการบรรลุการอัตโนมัติมากกว่า 40% ทั่วทั้งอุตสาหกรรมต่างๆ เป็นเรื่องที่ท้าทาย เนื่องจากตัวแทนการบริการทำมากกว่าแค่ตอบคำถาม – พวกเขาทำหน้าที่เป็นผู้แก้ปัญหา ผู้ให้คำแนะนำการขาย และอื่นๆ ซึ่งเป็นบทบาทที่ไม่สามารถถูกแทนที่โดย AI ได้อย่างสมบูรณ์

มีศักยภาพที่สำคัญในการอัตโนมัติกระบวนการทำงาน ซึ่ง Level AI มุ่งเน้นไปที่สิ่งนี้ รวมถึงงานหลังบ้าน เช่น การรับรองคุณภาพ การจัดลำดับความสำคัญของตั๋ว และการตรวจสอบหน้าจอ ในส่วนนี้ การอัตโนมัติสามารถเกิน 80% โดยใช้ AI ที่สร้างขึ้น ข้อมูลเชิงลึกและข้อมูลเชิงลึกมีความสำคัญ เราเป็นหนึ่งในไม่กี่คนที่ใช้ AI ที่สร้างขึ้นเพื่อให้ได้ข้อมูลเชิงลึกจากข้อมูลที่ไม่มีโครงสร้าง วิธีการนี้สามารถปรับปรุงคุณภาพของข้อมูลเชิงลึกได้อย่างมาก ลดความต้องการบริการมืออาชีพลง 90% และเร่งเวลาในการให้ค่าใช้จ่ายได้ 90%

สิ่งสำคัญอีกประการหนึ่งคือการพิจารณาว่าหน้าตาขององค์กรของคุณควรเป็นหุ่นยนต์หรือคน การเชื่อมต่อระหว่างมนุษย์กับลูกค้าของคุณมีความสำคัญ เรามุ่งเน้นไปที่การเอางานที่ไม่จำเป็นออกจากงานของคน เพื่อให้พวกเขาสามารถมุ่งเน้นไปที่การโต้ตอบที่มีความหมาย

เราเชื่อว่ามนุษย์เหมาะสมที่สุดสำหรับการสื่อสารโดยตรงและควร continue to be in that role. However, they’re not ideal for tasks like note-taking, transcribing interactions, or screen recording. By handling these tasks for them, we free up their time to engage with customers more effectively. Thank you for the great interview, readers who wish to learn more should visit Level AI.