ไมค์ คลิฟตัน Co-CEO ของ Alorica – ซีรีส์สัมภาษณ์

ไมค์ คลิฟตัน เป็น Co-CEO ของ Alorica ซึ่งเป็นผู้นำระดับโลกในด้านประสบการณ์ลูกค้าดิจิทัล (CX) ในบทบาทนี้ ไมค์ ดูแลกลยุทธ์การเปลี่ยนแปลงดิจิทัลของบริษัท รวมถึงผลิตภัณฑ์ AI ที่ได้รับรางวัล เพื่อมอบประสบการณ์ลูกค้าที่ดีที่สุดข้ามช่องทาง (เสียง ชैट เว็บ ฯลฯ) และอุตสาหกรรมต่างๆ ในนามของแบรนด์ FORTUNE 500 ด้วยความเชี่ยวชาญและประสบการณ์ที่เข้มแข็งในด้านนวัตกรรมดิจิทัล AI และเทคโนโลยีระดับองค์กร ไมค์มีประวัติที่พิสูจน์แล้วในการขับเคลื่อนการเติบโตที่มีผลกำไรโดยการรวมเทคโนโลยีที่สามารถปรับขนาดได้เพื่อตอบสนองความต้องการของตลาดที่เปลี่ยนแปลง

Alorica เป็นผู้นำระดับโลกในด้านประสบการณ์ลูกค้าและธุรกิจการออกที่มีเทคโนโลยีเป็นพื้นฐาน โดยให้บริการแก่อุตสาหกรรมต่างๆ เช่น ธนาคาร การดูแลสุขภาพ ค้าปลีก และโทรคมนาคม ด้วยพนักงานมากกว่า 100,000 คนในกว่า 17 ประเทศ บริษัทจัดการการโต้ตอบหลายพันล้านครั้งต่อปีในมากกว่า 75 ภาษา โดยให้บริการต่างๆ เช่น ศูนย์บริการลูกค้า การวิเคราะห์ AI การแก้ไขเนื้อหา และการดำเนินงานหลังบ้าน ทั้งหมดนี้มุ่งเน้นไปที่การขับเคลื่อนผลลัพธ์ที่วัดได้สำหรับลูกค้า

อุตสาหกรรมกำลังเคลื่อนไปสู่การเพิ่มประสิทธิภาพมากกว่าการอัตโนมัติ – กลยุทธ์ของ Alorica สะท้อนถึงโมเดลไฮบริดนี้อย่างไร?

กลยุทธ์ของ Alorica สะท้อนถึงโมเดลไฮบริดของการเพิ่มประสิทธิภาพมากกว่าการอัตโนมัติ โดยการเน้นการปรับปรุงประสิทธิภาพของตัวแทนลูกค้าด้วยเครื่องมือ AI มากกว่าการแทนที่พวกเขา วิธีการนี้รับประกันว่ามนุษย์ยังคงอยู่ที่核心ของการโต้ตอบกับลูกค้า โดยได้รับการสนับสนุนจากเทคโนโลยีที่ทันสมัยเพื่อปรับปรุงประสิทธิภาพและประสิทธิผล

ตัวอย่างเช่น Alorica ได้เปิดตัวโซลูชันขั้นสูงหลายอย่าง เช่น evoAI, Knowledge IQ, Digital Trust & Safety Model และ CX2GO® เหล่านี้ถูกออกแบบมาเพื่อเพิ่มประสิทธิภาพของตัวแทนลูกค้าโดยการให้การโต้ตอบแบบเรียลไทม์ที่มีบริบทและความตระหนักรู้

โดยการรวมเครื่องมือ AI ที่ให้การโต้ตอบที่มีความตระหนักรู้ทางอารมณ์และบริบทในหลายภาษา พร้อมกับเวลาตอบสนองที่น้อยกว่าหนึ่งวินาที Alorica ช่วยให้ตัวแทนสามารถให้การสนับสนุนที่เป็นส่วนตัวและมีประสิทธิภาพแก่ลูกค้าได้ การตอบสนองแบบเรียลไทม์นี้ส่งผลให้ผลลัพธ์ของลูกค้าดีขึ้น

โดยรวมแล้ว กลยุทธ์ของ Alorica เน้นย้ำถึงความสำคัญของตัวแทนลูกค้าในขณะเดียวกันก็ใช้ AI เพื่อเพิ่มความสามารถของพวกเขา สะท้อนถึงการเปลี่ยนแปลงของอุตสาหกรรมไปสู่การเพิ่มประสิทธิภาพมากกว่าการอัตโนมัติ

คุณสามารถแบ่งปันตัวอย่างเฉพาะที่ AI เพิ่มประสิทธิภาพของตัวแทนลูกค้าแทนที่จะแทนที่พวกเขาได้หรือไม่?

มีตัวอย่างมากมายที่เราใช้เพื่อเพิ่มประสิทธิภาพการให้บริการ หนึ่งในนั้นคือความสามารถของตัวแทนในการโต้ตอบกับเครื่องมือฐานความรู้ที่ฟังเสียงพูดแบบเรียลไทม์และแปลเป็นเครื่องมือตอบกลับอัตโนมัติที่ขอความช่วยเหลือ นี่เป็นเครื่องมือที่ทรงพลังและเป็นไปก่อนที่เราจะใช้ในหลายโซลูชัน อีกตัวอย่างหนึ่งคือการใช้เครื่องมือ AI ในการเพิ่มความสามารถในการฝึกอบรมตัวแทนในสถานการณ์ลูกค้าที่ยากที่สุด

คุณติดตามผลกระทบต่อประสิทธิภาพของเครื่องมือ AI เหล่านี้อย่างไร ตัวอย่างเช่น ในการแก้ไขปัญหาครั้งแรกหรือเวลาที่ใช้ในการจัดการหรือประสิทธิภาพของตัวแทน?

การ跟踪ประสิทธิภาพของเครื่องมือ AI ในการใช้งานแบบเพิ่มประสิทธิภาพนั้นอยู่ในเมตริกที่กำหนดให้กับตัวแทนเหมือนกับว่าไม่มีเครื่องมือเหล่านั้น ความแตกต่างคือความสามารถในการรับมือกับการโทรมากขึ้นพร้อมกับผลลัพธ์ที่ดีขึ้น และความมั่นใจในการคาดการณ์กลยุทธ์กำลังคนได้ดีขึ้นเมื่อมีข้อมูลที่ดีจากโมเดล

คุณได้เปิดตัวโซลูชันขั้นสูงหลายอย่างในปีนี้ เช่น evoAI, Knowledge IQ, Digital Trust & Safety Model และ CX2GO® ซึ่งหนึ่งในนั้นที่คุณเห็นว่ามีผลกระทบ “ซูเปอร์” ที่ทันทีทันใดต่อตัวแทน และทำไม?

การใช้ evoAI ในองค์กรของเราช่วยให้ตัวแทนสามารถใช้การโทรทดสอบเพื่อฝึกอบรมด้วยระดับที่สูงขึ้นของความตระหนักรู้ในสถานการณ์ ซึ่งมีผลกระทบมากที่สุด ต่อจากนั้นคือ Knowledge IQ ซึ่งช่วยให้ตัวแทนสามารถหาคำตอบที่ถูกต้องได้ สองสิ่งนี้เป็นตัวเปลี่ยนเกมสำหรับพนักงานของเรา โดยเปลี่ยนแปลงวิธีที่ตัวแทนของเราตอบสนองต่อความต้องการของลูกค้าได้อย่างรวดเร็วและแม่นยำ

จากมุมมองของการเรียนรู้ของเครื่องจักร คุณฝึกโมเดลให้แม่นยำและปรับเปลี่ยนตามความต้องการของลูกค้า ภาษา และสภาพแวดล้อมตลาดที่เปลี่ยนแปลงอย่างไร?

เพื่อรักษาความแม่นยำและความสามารถในการปรับเปลี่ยนของโมเดลการเรียนรู้ของเครื่องจักรในขณะเผชิญกับความต้องการของลูกค้าที่เปลี่ยนแปลง ภาษา และสภาพแวดล้อมตลาด เราใช้กลยุทธ์ต่อไปนี้

• การเรียนรู้อย่างต่อเนื่อง โมเดลของเราถูกออกแบบมาเพื่อเรียนรู้จากข้อมูลใหม่อย่างต่อเนื่อง ซึ่งเกี่ยวข้องกับการอัปเดตชุดข้อมูลการฝึกอบรมด้วยการโต้ตอบ ลำดับเวลา และแนวโน้มตลาดล่าสุด ด้วยการรวมข้อมูลล่าสุด โมเดลของเราสามารถปรับเปลี่ยนตามความชอบของลูกค้าที่เปลี่ยนแปลงและสถานการณ์ตลาดที่เกิดขึ้นใหม่
• แหล่งข้อมูลที่หลากหลาย เราใช้แหล่งข้อมูลที่หลากหลายเพื่อฝึกโมเดลของเรา รวมถึงการโต้ตอบของลูกค้า สื่อสังคมออนไลน์ รายงานตลาด และอื่นๆ ความหลากหลายนี้รับประกันว่าโมเดลของเราจะได้รับการเปิดเผยต่อสถานการณ์ต่างๆ และความแตกต่างทางภาษา ซึ่งเพิ่มความสามารถในการเข้าใจและตอบสนองอย่างแม่นยำ
• วงจรการให้ข้อมูลย้อนกลับ เราใช้วงจรการให้ข้อมูลย้อนกลับที่แข็งแกร่ง โดยที่การโต้ตอบของลูกค้าและข้อมูลจากตัวแทนถูกใช้เพื่อปรับโมเดลให้เหมาะสม การให้ข้อมูลย้อนกลับนี้ช่วยระบุและแก้ไขความไม่แม่นยำ เพื่อให้โมเดลยังคงมีความเกี่ยวข้องและประสิทธิผล
• ความสามารถหลายภาษา โมเดลของเราถูกฝึกในหลายภาษาเพื่อรับมือกับการโต้ตอบในหลายภาษา ซึ่งจำเป็นสำหรับการให้คำตอบที่แม่นยำและเหมาะสมตามบริบทแก่ลูกค้าทั่วโลก
• การตรวจสอบและประเมินอย่างสม่ำเสมอ เราได้ดำเนินการตรวจสอบและประเมินโมเดลของเราอย่างสม่ำเสมอเพื่อประเมินประสิทธิภาพ ซึ่งรวมถึงการทดสอบโมเดลกับชุดข้อมูลมาตรฐานและสถานการณ์จริงเพื่อให้แน่ใจว่าโมเดลของเราพบมาตรฐานความแม่นยำและความสามารถในการปรับเปลี่ยน
• การมีส่วนร่วมของมนุษย์ เราใช้วิธีการ “มนุษย์อยู่ในวงจร” โดยที่ตัวแทนมนุษย์ทำงานร่วมกับ AI เพื่อจัดการสถานการณ์ที่ซับซ้อน วิธีนี้รับประกันว่าเทคโนโลยีเรียนรู้จากความเชี่ยวชาญของมนุษย์และปรับปรุงประสิทธิภาพของมันเมื่อเวลาผ่านไป
• การใช้โมเดลภาษาที่เล็กกว่า การฝึกโมเดลภาษาที่เล็กกว่า (ผ่านวิธีการไฮบริดหรือアンサンブル) ควบคู่ไปกับโมเดลภาษาขนาดใหญ่ที่มีอยู่แล้ว ช่วยให้เรามีประสิทธิภาพในการคำนวณ การค้นหา และเวลาตอบสนอง ในขณะเดียวกันก็ลดการตรวจสอบความเท่าเทียมและความยุติธรรม

กลยุทธ์เหล่านี้ช่วยให้โมเดลการเรียนรู้ของเครื่องจักรของเรามีความแม่นยำและสามารถปรับเปลี่ยนได้ เพื่อมอบประสบการณ์ลูกค้าที่ดีในสถานการณ์ที่เปลี่ยนแปลง

evoAI มีความสามารถในการรับรู้และปรับเปลี่ยนการโต้ตอบที่มีบริบทและอารมณ์ข้ามภาษา 120 ภาษา ด้วยเวลาตอบสนองที่น้อยกว่าหนึ่งวินาที ความสามารถในการตอบสนองแบบเรียลไทม์นี้ส่งผลต่อการสนับสนุนของตัวแทนและผลลัพธ์ของลูกค้าอย่างไร?

evoAI ช่วยให้ตัวแทนและผลลัพธ์ของลูกค้าดีขึ้นในหลายวิธี:

• ประสิทธิภาพ การโต้ตอบที่มีบริบทช่วยให้ตัวแทนสามารถค้นหาข้อมูลได้อย่างรวดเร็ว
• การปรับเปลี่ยน มีความสามารถในการปรับเปลี่ยนภาษาและตอบสนองตามความต้องการของลูกค้า
• ประสิทธิผล ลดเวลาตอบสนองและลดความจำเป็นในการตอบสนองของมนุษย์
• ความฉลาดทางอารมณ์ ช่วยให้ตัวแทนสามารถปรับเปลี่ยนตัวเลือกตามสถานการณ์และอารมณ์ของลูกค้าได้

เมื่อ AI ที่มีพลังในการกระทำกำลังได้รับความนิยม คุณจัดการความเสี่ยง เช่น การหลอกลวง ความเอนเอียง หรือการสูญเสียการควบคุมได้อย่างไร ในขณะเดียวกันก็รักษาตัวแทนให้เป็นผู้ตัดสินใจ?

ที่ Alorica เราเชื่อว่าสถาปัตยกรรมที่ถูกต้องเบื้องหลังเทคโนโลยีมีความสำคัญ นั่นคือเหตุผลที่การจัดการความเสี่ยงของ AI ที่มีพลังในการกระทำต้องใช้โครงสร้างการกำกับดูแลหลายชั้นซึ่งเราได้สร้างไว้ในทุกๆ ระดับของการดำเนินงาน AI ของเรา

นี่คือวิธีที่เราจัดการกับความเสี่ยงแต่ละอย่าง:

• การป้องกันการหลอกลวง เราใช้ระบบการตรวจสอบสามชั้นเพื่อลดการหลอกลวง โมเดลของเราสามารถใช้การสร้างแบบจำลองที่มีการรับข้อมูล (RAG) ที่ยึดการตอบสนองไว้กับฐานความรู้ที่ตรวจสอบแล้วและแหล่งข้อมูลแบบเรียลไทม์ ซึ่งลดความน่าจะเป็นของข้อมูลที่สร้างขึ้นเองลง 85% ที่สอง เราใช้การให้คะแนนความมั่นใจกับการตอบสนองที่สร้างโดย AI ซึ่งการตอบสนองที่ต่ำกว่าเกณฑ์ความมั่นใจ 80% จะทำให้เกิดการตรวจสอบของมนุษย์โดยอัตโนมัติ สุดท้าย โมเดลของเราจะถูกจำกัดให้ทำงานภายในพื้นที่พารามิเตอร์ที่กำหนดไว้เฉพาะสำหรับกฎธุรกิจและโดเมนข้อมูลของลูกค้า – AI ไม่สามารถสร้างข้อมูลเกี่ยวกับผลิตภัณฑ์ นโยบาย หรือขั้นตอนการทำงานที่ไม่ได้ระบุไว้อย่างชัดเจนในข้อมูลการฝึกอบรม
• การตรวจจับและป้องกันความเอนเอียง กลยุทธ์การจัดการความเอนเอียงของเราทำงานตลอดวงจรชีวิตของ AI ในระหว่างการฝึกอบรม โมเดล เราใช้เทคนิคการทำให้ไม่มีอคติแบบก้าวหน้าและอัลกอริทึมการเรียนรู้ที่ตระหนักถึงความยุติธรรม ซึ่งทำงานอย่างแข็งขันเพื่อต่อต้านอคติทางประวัติศาสตร์ในข้อมูลการฝึกอบรม เรารักษาเมตริกความเท่าเทียมกันประชากรศาสตร์ข้ามหมวดหมู่ที่ได้รับการคุ้มครอง และทำการตรวจสอบรายเดือนโดยใช้เครื่องมือต่างๆ เช่น ตัวบ่งชี้ความยุติธรรมและประเมินผลกระทบต่างๆ เมื่อพบความเอนเอียง เราใช้การฝึกอบรมแบบกำหนดเป้าหมายบนชุดข้อมูลที่สมดุลและปรับโมเดลให้เหมาะสมเพื่อให้แน่ใจถึงผลลัพธ์ที่เท่าเทียม
• การรักษาการควบคุมของมนุษย์ ตัวแทนมนุษย์ยังคงเป็นผู้ตัดสินใจสูงสุดผ่านสถาปัตยกรรม “AI เป็นที่ปรึกษา” ของเรา ระบบ AI ให้คำแนะนำพร้อมคุณลักษณะที่อธิบายได้ – ตัวแทนสามารถเห็นว่าทำไม AI จึงแนะนำการกระทำใดการกระทำหนึ่ง และมีทางเลือกอื่นๆ อย่างไร เราได้ใช้การหยุดชั่วคราวที่ AI ไม่สามารถดำเนินการบางอย่างได้โดยอัตโนมัติ – การทำธุรกรรมทางการเงิน การเปลี่ยนแปลงสัญญา คำแนะนำด้านกฎหมายหรือสุขภาพต้องได้รับการอนุมัติจากมนุษย์เสมอ
• การตรวจสอบและปิดการทำงานแบบทันที การโต้ตอบ AI ทุกครั้งถูกบันทึกและตรวจสอบผ่านห้องปฏิบัติการประสิทธิภาพของโมเดล ซึ่งตรวจสอบการเบี่ยงเบนจากพฤติกรรมที่คาดหวังแบบเรียลไทม์ เรามีความสามารถในการกลับไปยังรุ่นก่อนหน้าและ “ปุ่มปิด” ที่หลายระดับ – ส่วนประกอบของโมเดล โมเดลทั้งหมด หรือคุณสมบัติ AI ทั้งหมดสามารถถูกปิดใช้งานภายในไม่กี่วินาทีหากพฤติกรรมผิดปกติถูกตรวจพบ
• การตรวจสอบแบบมีมนุษย์ เราได้ออกแบบวงจรการให้ข้อมูลย้อนกลับโดยที่ตัวแทนให้คะแนนคำแนะนำของ AI หลังการโต้ตอบแต่ละครั้ง สร้างระบบการเรียนรู้อย่างต่อเนื่องที่ปรับให้เหมาะสมกับความเชี่ยวชาญของมนุษย์ ตัวแทนชั้นนำของเรามีส่วนร่วมในการประชุมการปรับเทียบรายสัปดาห์ โดยที่พวกเขาทบทวนกรณีเชิงขอบเขตและช่วยปรับขอบเขตการตัดสินใจของ AI
• ความรับผิดชอบและการบันทึกการตรวจสอบ ทุกการตัดสินใจที่มีอิทธิพลจาก AI จะมีการบันทึกการตรวจสอบที่สมบูรณ์ ซึ่งแสดงถึงคำแนะนำของ AI ระดับความมั่นใจที่ใช้ และการตัดสินใจสุดท้ายของตัวแทนมนุษย์ สิ่งนี้รับประกันความรับผิดชอบและช่วยให้เราสามารถปรับปรุงโมเดลของเราได้ตามผลลัพธ์ การตรวจสอบโดยบุคคลที่สามเป็นประจำจะตรวจสอบแนวปฏิบัติในการจัดการความเสี่ยงของเราเทียบกับมาตรฐานอุตสาหกรรมและข้อกำหนดด้านกฎระเบียบ

ด้วยการนำกลยุทธ์เหล่านี้ไปใช้ เราให้แน่ใจว่าระบบ AI ที่มีพลังในการกระทำของเราจะเพิ่มประสิทธิภาพของมนุษย์ ในขณะเดียวกันก็รักษาความเป็นเจ้าของมนุษย์ มาตรฐานทางจริยธรรม และการควบคุมการดำเนินงาน

คุณเข้าถึงการฝึกอบรมแบบต่อเนื่องและการเรียนรู้อย่างต่อเนื่องเพื่อให้แน่ใจว่าระบบ AI ของคุณยังคงสอดคล้องกับความต้องการด้านการปฏิบัติตามกฎระเบียบและความแตกต่างของอารมณ์ของลูกค้าอย่างไร?

แนวทางของ Alorica ในการฝึกอบรมแบบต่อเนื่องและการเรียนรู้อย่างต่อเนื่องผ่าน Alorica IQ สร้างขึ้นบนโครงสร้าง MLOps ที่สมดุลระหว่างการปฏิบัติตามกฎระเบียบและการเพิ่มประสิทธิภาพประสบการณ์ลูกค้า

เราได้ใช้โครงสร้างการฝึกอบรมหลายชั้นที่ทำงานในจังหวะที่แตกต่างกัน โมเดลที่สำคัญด้านการปฏิบัติตามกฎระเบียบของเราจะได้รับการตรวจสอบการเบี่ยงเบนรายวันและตรวจสอบประสิทธิภาพรายสัปดาห์ พร้อมกับทริกเกอร์สำหรับการฝึกอบรมใหม่โดยอัตโนมัติเมื่อมีการเปลี่ยนแปลงกฎระเบียบ สำหรับโมเดลอารมณ์ของลูกค้า เราใช้วงจรการให้ข้อมูลย้อนกลับแบบเรียลไทม์ที่จับข้อแก้ไขของตัวแทนและคะแนนความพึงพอใจของลูกค้า ซึ่งจะถูกป้อนกลับเข้าสู่การฝึกอบรมทุกๆ 72 ชั่วโมง

ชั้นการป้องกันการปฏิบัติตามกฎระเบียบของเราทำหน้าที่เป็นระบบกันชน โดยตรวจสอบการออกผลลัพธ์ของโมเดลเทียบกับกรอบการทำงานด้านกฎระเบียบเฉพาะสำหรับแต่ละภูมิภาค – ตั้งแต่ GDPR ในยุโรปไปจนถึง CCPA ในแคลิฟอร์เนีย ชั้นนี้จะถูกอัปเดตอย่างต่อเนื่องผ่านการร่วมมือกับผู้ให้บริการเทคโนโลยีกฎหมายและฟีดกฎระเบียบ ซึ่งรับประกันว่าระบบ AI ของเราจะปฏิบัติตามกฎระเบียบโดยไม่ต้องมีการแทรกแซงโดยตรง

สำหรับความแตกต่างของอารมณ์ เราได้พัฒนา “การฝังตัวบริบททางวัฒนธรรม” ภายใน Alorica IQ ซึ่งเป็นโมเดลระดับภูมิภาคที่เข้าใจไม่เพียงแต่ภาษาเท่านั้น แต่ยังรวมถึงรูปแบบการสื่อสารทางวัฒนธรรมด้วย ตัวอย่างเช่น โมเดลของเราสามารถรับรู้ว่าระดับความตรงไปตรงมาแตกต่างกันอย่างมากระหว่างการโต้ตอบกับลูกค้าชาวเยอรมันและญี่ปุ่น และปรับอัตราการจัดอันดับอารมณ์ให้เหมาะสม

เรารักษาเรจิสทรีโมเดลแบบมีเวอร์ชันพร้อมความสามารถในการกลับไปยังรุ่นก่อนหน้า ซึ่งช่วยให้เราสามารถกลับไปยังรุ่นก่อนหน้าได้ทันทีหากการฝึกอบรมใหม่แนะนำพฤติกรรมที่ไม่คาดคิด การทดสอบ A/B ของเรานำไปใช้อย่างต่อเนื่อง โดยเปรียบเทียบเวอร์ชันโมเดลใหม่เทียบกับบรรทัดฐานการผลิตที่มีการโต้ตอบหลายพันครั้ง ก่อนที่จะนำไปใช้เต็มรูปแบบ

สิ่งที่สำคัญที่สุดคือเราได้สร้างโพรโทคอลการผสานข้อมูลย้อนกลับของมนุษย์ โดยที่ตัวแทนชั้นนำของเราทบทวนกรณีเชิงขอบเขตและให้ข้อเสนอแนะแก้ไข ซึ่งสร้างวงจรที่ดีโดยที่ความเชี่ยวชาญของมนุษย์ปรับปรุงความสามารถของ AI ของเราอย่างต่อเนื่อง วิธีการนี้ช่วยลดการละเมิดกฎระเบียบลง 94% ในขณะเดียวกันก็ปรับปรุงความแม่นยำในการตรวจจับอารมณ์ขึ้นถึง 92% ในทุกภาษาที่เราได้รับการสนับสนุน

เมื่อขยายตัวระหว่างประเทศอย่างรวดเร็ว โดยเฉพาะในตลาดเช่น อินเดีย อียิปต์ และ EMEA คุณปรับแนวทาง AI-มนุษย์ของคุณให้เหมาะสมกับความต้องการทางภาษาและวัฒนธรรมที่หลากหลายได้อย่างไร?

เรามองว่าการทำการตลาดท้องถิ่นไม่ใช่แค่เรื่องภาษา แต่เป็นการสะท้อนถึงวัฒนธรรม

แพลตฟอร์ม AI ของเราที่มี evoAI และ ReVoLT ได้รับการปรับให้เหมาะสมเพื่อรับบริบท โทน และนัยในหลายร้อยภาษาและภาษาถิ่น ทำให้การโต้ตอบรู้สึกคุ้นเคยและแท้จริง แต่เราก็ไม่หยุดอยู่แค่นั้น เราได้สรรหาพนักงานจากภูมิภาคต่างๆ ฝึกทีมให้เข้าใจความคาดหวังทางวัฒนธรรม และปรับดีไซน์บริการให้สะท้อนถึงบรรทัดฐานท้องถิ่น โมเดลไฮบริดนี้ทำให้แน่ใจว่าการโต้ตอบทุกครั้งรู้สึกเหมือนถูกสร้างขึ้นสำหรับตลาดนั้นๆ

ในอินเดีย ซึ่งเราให้การสนับสนุนภาษาที่ได้รับการยอมรับอย่างเป็นทางการ 75 ภาษา และภาษาถิ่นมากมาย เราได้นำโครงสร้างพื้นฐานเมชของภาษา (Linguistic Mesh Architecture) ที่ไม่เพียงแต่แปลภาษาเท่านั้น แต่ยังรักษาความหมายในสถานการณ์ที่เปลี่ยนภาษา (code-switching) – เมื่อลูกค้าใช้ภาษาฮินดี อังกฤษ และภาษาถิ่นในบทสนทนาเดียวกัน โมเดลของเราถูกฝึกจากรูปแบบการสนทนาจริงจากเมืองระดับที่ 2 และ 3 ไม่ใช่แค่ในพื้นที่เมืองใหญ่เท่านั้น ทำให้เราสามารถจับได้ทั้งรูปแบบการสื่อสาร

สำหรับการดำเนินงานในอียิปต์ที่ให้บริการในภูมิภาค MENA เราได้พัฒนาโมเดลภาษาอาหรับที่เฉพาะเจาะจงซึ่งสามารถแยกความแตกต่างระหว่างภาษาอาหรับอียิปต์ อาหรับอ่าว และอาหรับเลวานต์ รวมถึงการจัดการภาษาอาหรับแบบทางการ (ฟุซฮา) และภาษาอาหรับแบบไม่ทางการ (อัมมิยะ) โมเดลของเราสามารถเข้าใจเมื่อลูกค้าเปลี่ยนจากภาษาอาหรับแบบทางการไปเป็นภาษาอาหรับแบบไม่ทางการเป็นคำใบ้ทางอารมณ์ และกระตุ้นการฝึกอบรมตัวแทนให้เหมาะสมในแบบเรียลไทม์

ในตลาด EMEA เราได้ใช้ “การออกแบบ AI ที่ให้ความสำคัญกับการปฏิบัติตามกฎระเบียบ” โดยที่การปล่อยตัวในแต่ละประเทศจะมีโมดูลการปฏิบัติตามกฎระเบียบที่ตั้งค่าไว้ล่วงหน้า – ตั้งแต่ข้อกำหนดการเก็บข้อมูลในท้องถิ่นของเยอรมนีไปจนถึงกฎหมายคุ้มครองภาษาของฝรั่งเศสที่ต้องการอินเทอร์เฟซภาษาฝรั่งเศสเป็นอันดับแรก โมเดลของเราถูกฝึกไม่เพียงแต่ในภาษาเท่านั้น แต่ยังรวมถึงความเข้าใจในพฤติกรรมทางธุรกิจในท้องถิ่นด้วย ตัวอย่างเช่น การใช้งานในเยอรมนีของเราจะเน้นความแม่นยำและเอกสารที่มีรายละเอียด ในขณะที่โมเดลภาษาอิตาลีจะอนุญาตให้มีความยืดหยุ่นในการสนทนาได้มากขึ้น

โครงสร้างพื้นฐานคือโครงสร้างการเรียนรู้แบบสหพันธ์ (Federated Learning Framework) ภายใน Alorica IQ โดยที่โมเดลท้องถิ่นเรียนรู้จากข้อมูลในพื้นที่โดยไม่ต้องส่งออกข้อมูลนั้นออกนอกประเทศ รับประกันการเป็นเจ้าของข้อมูลในขณะเดียวกันก็ได้รับประโยชน์จากการปรับปรุงโมเดลระดับโลก เรามีคลัสเตอร์ GPU ในภูมิภาคเพื่อให้แน่ใจถึงความหน่วงต่ำกว่า 100 มิลลิวินาทีสำหรับการช่วยเหลือตัวแทนแบบเรียลไทม์

ทีมข่าวกรองทางวัฒนธรรมของเราซึ่งประกอบด้วยผู้เชี่ยวชาญด้านภาษาและนักวิทยาศาสตร์เชิงพฤติกรรมจากแต่ละภูมิภาค ตรวจสอบผลลัพธ์ของ AI ของเราอย่างต่อเนื่อง พวกเขาได้ช่วยเราในการระบุสถานการณ์ที่ต้องมีการจัดการพิเศษมากกว่า 3,000 รายการ – ตั้งแต่การรักษาพิธีศาสนาไปจนถึงความชอบในการชำระเงินที่ส่งผลต่อการไหลของการสนทนา

แนวทางนี้ให้ผลลัพธ์ที่น่าประทับใจ: การดำเนินงานของเราที่อินเดียมีคะแนนความพึงพอใจของลูกค้า (CSAT) สูงขึ้น 40% เมื่อใช้ AI ที่ปรับให้เหมาะกับวัฒนธรรมมากกว่าโมเดลทั่วไป และการปล่อยตัวใน EMEA ของเรามีอัตราการแก้ไขปัญหาครั้งแรก (First Contact Resolution) ถึง 98% สำหรับคำถามที่เฉพาะเจาะจงด้านภาษา

evoAI ของคุณสามารถรับรู้และปรับเปลี่ยนการโต้ตอบตามภาษาถิ่นและอารมณ์ได้อย่างไร และสิ่งนี้ช่วยให้การนำไปใช้ในตลาดใหม่เร็วขึ้นได้อย่างไร?

การนำไปใช้เร็วขึ้นเมื่อผู้คนรู้สึกว่าเทคโนโลยี “เข้าใจ” พวกเขา evoAI มีความสามารถที่เหนือกว่าในการรับรู้ภาษาถิ่น สLANG และอารมณ์

ความสามารถในการรับรู้ภาษาถิ่นและอารมณ์ของ evoAI ได้กลายเป็นตัวแตกต่างหลักในการเจาะตลาดใหม่ โดยตรงแก้ไขช่องว่างความไว้วางใจที่มักจะขัดขวางการนำ AI ไปใช้ในตลาดเกิดใหม่

จากมุมมองทางเทคนิค evoAI ใช้โมเดลการเชื่อมต่อระหว่างเสียงและภาษา (Acoustic-Linguistic Fusion Model) ซึ่งประมวลผลรูปแบบทางเสียง ลักษณะทางสัทศาสตร์ และเนื้อหาสาระพร้อมกัน วิธีการนี้สามมิตินี้ช่วยให้เราสามารถตรวจจับสถานะทางอารมณ์ที่ละเอียดอ่อนซึ่งแสดงออกมาแตกต่างกันไปในแต่ละวัฒนธรรม ตัวอย่างเช่น ในตลาดญี่ปุ่น เราสามารถตรวจจับ “ฮอนเนะ” (honne) และ “แทตามาเอะ” (tatemae) (ความรู้สึกที่แท้จริงและหน้าตา) ผ่านการเปลี่ยนแปลงเล็กๆ ในการออกเสียงและจังหวะการพูด ในขณะที่ในตลาดตะวันออกกลาง เราจะรับรู้ได้ว่าพลวัตของเกียรติยศและความอับอายผ่านการก่อสร้างประโยคและรูปแบบการเน้น

การรับรู้ภาษาถิ่นของเรายังไปไกลกว่าการตรวจจับเสียงพูด เราใช้แผนที่ภาษาถิ่นที่ไดนามิกซึ่งเข้าใจตัวชี้วัดทางเศรษฐกิจและสังคมที่ฝังอยู่ในรูปแบบการพูด ในอินเดีย ตัวอย่างเช่น ระบบจะรับรู้ไม่เพียงแต่ว่าใครพูดภาษาทมิฬหรือเตลูกู แต่ยังระบุถึงภูมิหลังทางการศึกษาและความแตกต่างระหว่างเมืองและชนบทด้วย ทำให้ตัวแทนสามารถปรับเปลี่ยนรูปแบบการสื่อสารให้เหมาะสม

ชั้นความฉลาดทางอารมณ์ใช้เทคโนโลยีกราฟอารมณ์ตามบริบท (Contextual Emotion Graph) ซึ่งสร้างแผนที่ของเส้นทางอารมณ์ทั่วทั้งการสนทนา ไม่ใช่แค่อารมณ์ในขณะนั้นเท่านั้น สิ่งนี้ช่วยให้ evoAI คาดการณ์การเพิ่มขึ้นของอารมณ์ได้ 30 วินาทีก่อนที่จะเกิดขึ้น โดยมีความแม่นยำถึง 89% ให้เวลาแก่ตัวแทนในการแทรกแซงด้วยเทคนิคการลดความตึงเครียดที่เหมาะสมกับความชอบในการแก้ไขข้อขัดแย้งของวัฒนธรรมนั้น

สำหรับการนำไปใช้ในตลาดใหม่ แผนการ “การทำการตลาดแบบก้าวหน้า” ของเราทาง Alorica IQ เริ่มต้นด้วยโมเดลฐานที่ฝึกจากเนื้อหาสื่อ สื่อสังคมออนไลน์ และการอภิปรายสาธารณะในตลาดเป้าหมาย ใน 30 วันแรกของการเปิดตัว evoAI จะปรับให้เข้ากับรูปแบบลูกค้าในท้องถิ่นผ่านการเรียนรู้แบบแอคทีฟ (Active Learning Pipeline) ซึ่งจะจัดลำดับความสำคัญของการเรียนรู้จากการสนทนาที่มีความแปรปรวนทางอารมณ์สูงสุด ภายใน 90 วัน โมเดลของเราควรจะบรรลุความแม่นยำ 95% ในการรับรู้ภาษาถิ่นและ 88% ในการตรวจจับอารมณ์

ผลกระทบทางธุรกิจจะส่งผลอย่างมีนัยสำคัญ การศึกษาของเราพบว่าการใช้งานในอียิปต์ที่มีความสามารถของ evoAI ในการรับรู้และตอบสนองต่อภาษาถิ่นไคโรและอเล็กซานเดรีย รวมถึงรูปแบบการให้ความเคารพทางวัฒนธรรมที่เหมาะสม จะช่วยลดระยะเวลาการเจาะตลาดจาก 6 เดือนเป็นเพียง 8 สัปดาห์ ค่าใช้จ่ายในการได้ลูกค้าใหม่อาจลดลงมากถึง 45% เนื่องจากคำแนะนำจากปากต่อปากเพิ่มขึ้นเนื่องจากการโต้ตอบที่เป็นธรรมชาติและเข้าใจวัฒนธรรม

ความสามารถในการปรับเปลี่ยนอารมณ์ของ evoAI จะเปิดบริการใหม่ทั้งหมด ตัวอย่างเช่น บริการสนับสนุนสุขภาพจิตที่ขับเคลื่อนด้วย evoAI อาจช่วยในการรับรู้ตัวชี้วัดเริ่มต้นของความซึมเศร้าและความวิตกกังวลตามรูปแบบการแสดงออกที่เป็นธรรมชาติ ทำให้สามารถแทรกแซงได้ทันเวลาและเพิ่มการดูแลสุขภาพและความเป็นอยู่ที่ดีให้กับตัวแทน

ความได้เปรียบทางเทคโนโลยีนี้ส่งผลโดยตรงต่อการนำไปใช้: ภูมิภาคที่ใช้ความสามารถในการรับรู้ภาษาถิ่นและอารมณ์ของ evoAI มีอัตราการนำไปใช้เร็วขึ้น 3.2 เท่า เมื่อเทียบกับการใช้ AI ทั่วไป และคะแนนความพึงพอใจของตัวแทนได้รับการปรับปรุง 78% เมื่อพวกเขารู้สึกมั่นใจในการจัดการการโต้ตอบที่ซับซ้อนจากมุมมองทางวัฒนธรรม

เมื่อมองไปไกลกว่าปี 2025 คุณเห็นอนาคตของ AI ที่มีศูนย์กลางมนุษย์ใน CX อย่างไร?

อนาคตคือการรวมของ AI การสนทนา AI ที่มีพลังในการกระทำ และเครือข่ายประสาทเพื่อประสานผลลัพธ์ที่ไม่เคยคิดมาก่อน สิ่งนี้จะเปลี่ยนแปลงวิธีการดำเนินธุรกิจของเรา

ลองนึกถึงการวางแผนการเดินทางเพื่อธุรกิจ: การเยี่ยมชมเว็บไซต์เพื่อเลือกสายการบิน จากนั้นจองโรงแรม จัดเตรียมการเดินทาง นัดหมายอาหารค่ำ และวางแผนการเดินทางกลับ นี่เป็นตัวอย่างง่ายๆ ของการกระตุ้นเพียงครั้งเดียวและปล่อยให้บอทที่ขับเคลื่อนด้วยเครือข่ายประสาทประมวลผลตัวเลือกที่มีอยู่ทั้งหมดและสร้างการตอบสนองที่มีหลายตัวเลือกให้คุณเลือก ในแบบจำลองนี้ การประสานงานเป็นแบบประสาท การกระทำของ AI ขับเคลื่อนบอท และการสนทนาเป็นการตอบสนอง

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Alorica เพื่อเรียนรู้เพิ่มเติม