Alorica’dan Mike Clifton, CEO – Röportaj Serisi

Mike Clifton Alorica’nın CEO’sudur, Alorica ise dijital olarak güçlendirilmiş müşteri deneyimleri (CX) alanında küresel bir liderdir. Bu role göre Mike, şirketin dijital dönüşüm stratejisini -ödül kazanan AI ürünlerini de içerecek şekilde- optimal CX sağlamak için kanallar (ses, sohbet, web, vb.) ve endüstriler boyunca FORTUNE 500 markaları adına denetler. Dijital inovasyon, AI ve entreprise teknolojisinde güçlü uzmanlık ve deneyim sahibi olan Mike, ölçeklenebilir teknoloji çözümlerini gelişen pazar taleplerini karşılamak için entegre ederek kârlı büyümeyi sağlamak için kanıtlanmış bir geçmişe sahiptir.

Alorica müşteri deneyimi ve iş süreçleri dış kaynak kullanımı alanında küresel bir liderdir ve bankacılık, sağlık, perakende, telekomünikasyon gibi endüstriler için teknoloji destekli, insan merkezli çözümler sunar. 17’den fazla ülkede 100.000’den fazla çalışanıyla şirket, yılda milyarlarca etkileşimi 75’ten fazla dilde yöneterek, çağrı merkezleri, analitik, AI çözümleri, içerik moderasyonu ve arka ofis operasyonları gibi hizmetleri sunar ve müşterileri için ölçülebilir sonuçlar elde eder.

Endüstri, otomatikleştirme yerine artırma yönünde ilerliyor – Alorica’nın stratejisi bu hibrit modeli nasıl yansıtıyor?

Alorica’nın stratejisi, insan ajan performansını AI araçlarıyla güçlendirerek, onları değiştirmeyerek hibrit modeli yansıtıyor. Bu yaklaşım, insanların müşteri etkileşimlerinin merkezinde kalmasını sağlar ve gelişmiş teknolojilerle verimliliği ve etkinliği artırır.

Örneğin, Alorica evoAI, Bilgi IQ, Dijital Güven ve Güvenlik Modeli ve CX2GO® gibi gelişmiş çözümlerini piyasaya sürdü. Bu araçlar, gerçek zamanlı, bağlam bilinci olan etkileşimlerle bilgi yönetimini iyileştirerek ve dijital güvenliği ve güvenliği sağlayarak insan ajan performansını güçlendirmek için tasarlandı.

Alorica, AI araçlarını entegre ederek, ajanların müşterilere kişiselleştirilmiş ve verimli destek sağlayabilmesini sağlar. Bu gerçek zamanlı yanıt, müşteri sonuçlarını iyileştirir.

Genel olarak, Alorica’nın stratejisi, insan ajanların önemini vurgularken, onların yeteneklerini artırmak için AI’yi kullanıyor ve endüstrinin otomatikleştirme yerine artırma yönündeki değişimini yansıtıyor.

AI’nin insan ajan performansını güçlendirdiği değil, değiştirdiği somut örnekler paylaşıp paylaşamayacağını sorabilir misiniz?

AI’nin insan ajan performansını güçlendirdiği birçok örnek vardır. Bir örnek, ajanların gerçek zamanlı konuşma dinleyebilen ve otomatik yanıt oluşturabilen bir bilgi motoruyla etkileşime girebilmesidir; bu, güçlü ve proaktif bir araçtır. Bir başka örnek, ajanları en zorlu müşteri senaryolarında eğitmek için kullanılan konuşma AI motorlarının kullanımıdır. AI tarafından yürütülen gerçek zamanlı etkileşim simülasyonları, stresi azaltır ve modeller sürekli olarak öğrenir ve ajanlara duygu ve empati konusunda deneyim kazandıkça güncellenir.

AI araçlarının performans etkisini nasıl izliyorsunuz – örneğin İlk Temas Çözümü, işlem süresi veya ajan verimliliği açısından?

AI araçlarının performans etkisini, ajanın performansını ölçen metriklere dayanarak izliyorum. Fark, daha fazla çağrı alma ve müşteri memnuniyeti elde etme yeteneğinde yatıyor.

Bu yıl birkaç gelişmiş çözüm piyasaya sürdünüz – evoAI, Bilgi IQ, Dijital Güven ve Güvenlik Modeli ve CX2GO®. Hangisini ajanlar için en büyük “süper güç” etkisi olarak görüyorsunuz ve neden?

İç kullanımımız evoAI, ajanlara daha yüksek bir durum farkındalığı seviyesinde eğitim için sahte çağrılar kullanma yeteneği sağlar ve en büyük etkiyi sağlar. Bunu, ajanların doğru cevabı bulmasına yardımcı olan Bilgi IQ izler. Bu iki çözüm, çalışanlarımız için oyun değiştirici oldu ve ajanlarımızın müşterilerin ihtiyaçlarını ne kadar hızlı ve doğru bir şekilde karşılayabileceğini tamamen değiştirdi.

Makine öğrenimi açısından, müşteri ihtiyaçları, dil ve piyasa koşulları değiştikçe modellerinizi nasıl eğitir ve uyarlılığınıza sahip olursunuz?

Müşteri ihtiyaçları, dil ve piyasa koşulları değiştikçe modellerimizin doğruluğunu ve uyarlılığını korumak için, sürekli eğitim ve iyileştirme yapıyoruz.

Aşağıdaki stratejileri uyguluyoruz:

• Sürekli Öğrenme: Modellerimiz sürekli olarak yeni verilerden öğrenmek üzere tasarlanmıştır. Bu, eğitim veri kümelerini düzenli olarak güncellemek, son etkileşimleri, geri bildirimleri ve piyasa trendlerini içermek anlamına gelir. En son bilgileri içermeleri sayesinde, modellerimiz değişen müşteri tercihlerine ve ortaya çıkan piyasa koşullarına uyum sağlayabilir.
• Çeşitli Veri Kaynakları: Modellerimizi eğitmek için geniş bir veri kaynağı yelpazesi kullanıyoruz, Bunlar müşteri etkileşimleri, sosyal medya, piyasa raporları ve daha fazlasını içerir. Bu çeşitlilik, modellerimizin çeşitli senaryolara ve dilbilimsel nüanslara maruz kalmasını sağlar ve doğru bir şekilde yanıt verme yeteneklerini artırır.
• Geri Bildirim Döngüleri: Müşteri etkileşimleri ve ajan girdileri, modellerimizi iyileştirmek için kullanılır. Bu gerçek zamanlı geri bildirim, modellerin ilgili ve etkili kalmasını sağlar.
• Çok Dilli Yetenekler: Modellerimiz, birden fazla dilde etkileşimlere cevap verebilecek şekilde eğitilir. Bu, küresel bir müşteri tabanına doğru, yerelleştirilmiş ve bağlam bilinci olan yanıtlar sağlar.
• Düzenli Denetimler ve Değerlendirmeler: Modellerimizin performansını düzenli olarak değerlendiriyoruz. Bu, benchmark veri kümelerine ve gerçek dünya senaryolarına karşı test etmeyi içerir ve modellerimizin doğruluk ve uyarlılık standartlarını karşıladığından emin olur.
• İnsan Katılımı: Modellerimizin geliştirilmesinde insan ajanlarla işbirliği yapıyoruz. Bu, teknolojinin insan uzmanlığından öğrenmesini ve performansını zaman içinde iyileştirmesini sağlar.
• Küçük Dil Modellerinin Kullanımı: Eğitim için dikey olarak yönlendirilmiş daha küçük modelleri (hibrit veya toplu bir yaklaşım kullanarak) ticari olarak mevcut LLM’lerle birlikte kullanıyoruz. Bu, hesaplama, arama ve yanıt süresinde verimlilik sağlar ve önyargı ve adillik testi döngülerini kısaltır.

Bu stratejiler, modellerimizin doğru, uyarlanabilir ve yüksek kaliteli müşteri deneyimleri sunmasını sağlar.

evoAI, 120’den fazla dilde duygusal zeka ve bağlam bilinci olan etkileşimleri sunar. Bu gerçek zamanlı yanıt, ajan desteği ve müşteri sonuçlarına nasıl yansır?

evoAI, ajan desteği ve müşteri sonuçlarını birkaç şekilde iyileştirir:

• Performans: Bağlam bilinci olan etkileşimler, ajan sorguları için büyük miktarda bilgiyi hızlı bir şekilde bulmaya yardımcı olur.
• Kişiselleştirme: Çok dilli adaptasyon, gerçek zamanlı olarak girdi ve çıktı dillerini seçme özgürlüğü sağlar. Örneğin, bir müşteri İngilizce olarak yanıt almak için Fransızca sorabilir, böylece yaşlı bir ebeveyn dinler ve anlayabilir.
• Verimlilik: Yanıt sürelerini azaltır ve genellikle insan müdahalesine gerek kalmaz.
• Duygusal Zeka: Ajanların, ton, mood ve kelime seçimi gibi durumsal farkındalığa göre çağrılara ayarlamalarına olanak tanır, böylece daha hızlı bir şekilde sakinleştirme sağlar.

Agentic AI’nin popülerlik kazandığı bir dönemde, AI’nin halüsinasyon, önyargı veya kontrol kaybı gibi risklerini nasıl yönetiyorsunuz ve ajanların karar vericiler olarak kalmasını nasıl sağlıyorsunuz?

Alorica’da, teknoloji arkasındaki doğru mimarinin her şeyi değiştirdiğine inanıyoruz. Bu nedenle, agentic AI’nin risklerini yönetmek için her düzeyde AI operasyonlarımıza entegre edilmiş çok katmanlı bir yönetim çerçevesi oluşturduk.

Her kritik riski şu şekilde ele alıyoruz:

• Halüsinasyon Azaltma: Modellerimizin, doğrulanmış bilgi tabanlarına ve gerçek zamanlı veri kaynaklarına dayalı yanıtlar üretilmesini sağlayan üç katmanlı bir doğrulama sistemi kullanıyoruz. İkinci olarak, AI tarafından oluşturulan tüm önerilere güven skorları uyguluyoruz ve %80’in altında olan yanıtlar için otomatik insan gözden geçirmesi tetikliyoruz. Üçüncü olarak, modellerimizi her bir müşterinin iş kuralları ve gerçek alanlarına özgü parametre alanlarına göre kısıtlıyoruz – AI, eğitim verilerinde açıkça belirlenmeyen ürünler, politikalar veya prosedürler hakkında bilgi üretemez.
• Önyargı Algılama ve Önleme: Önyargı yönetim stratejimiz, AI yaşam döngüsünün tamamına yayılır. Model eğitiminde, tarihi verilerdeki önyargılara karşı aktif olarak çalışan adversarial debiasing teknikleri ve fairness-aware öğrenme algoritmaları kullanıyoruz. Korunan kategoriler boyunca demografik parity metriklerini koruyoruz ve ayda bir kez fairness indicators ve disparate impact assessments gibi araçlarla performans denetimleri yapıyoruz. Modellerimizi, farklı demografik gruplar, diller ve kültürel bağlamlar boyunca önyargıları ortaya çıkarmak için sentetik verilerle test ediyoruz. Önyargı tespit edildiğinde, dengeli veri kümeleri üzerinde hedefli yeniden eğitim yapıyoruz ve model ağırlıklarını eşitlikçi sonuçlar elde etmek için ayarlıyoruz. Önemli olarak, önyargı metrikalarının zaman içinde nasıl performans gösterdiğini izleyen şeffaflık raporları tutuyoruz, böylece müşterilerimiz modellerimizin farklı nüfuslar boyunca nasıl performans gösterdiğini görebilir.
• İnsan Kontrolünün Korunması: İnsan ajanlar, “AI Danışman” mimarimiz sayesinde karar vericiler olarak kalırlar. AI sistemi, neden belirli bir eylem önerdiğine dair açıklanabilir özelliklerle birlikte öneriler sunar – ajanlar, AI’nin hangi faktörleri dikkate aldığını ve hangi alternatiflerin olduğunu görebilir. AI’nin, mali işlemler, sözleşme değişiklikleri, yasal taahhütler veya sağlıkla ilgili tavsiyeler gibi belirli eylemleri otomatik olarak gerçekleştirememesi için sert durdurma noktaları uyguladık. Eşik dışı veya yüksek riskli senaryolarda, AI’nin yetkinlik sınırlarının dışında olan durumları otomatik olarak üst düzey ajanlara veya süpervizörlere yönlendiren escalation protokollerini uyguluyoruz.
• Sürekli İzleme ve Kill Switch’ler: Her AI etkileşimi, Model Performans Gözlemevi aracılığıyla gerçek zamanlı olarak izlenmektedir – bu, beklenenden farklı davranışlardan sapmaları izler. Anında geri alma yeteneği ve “kill switch”lere sahibiz – model bileşenleri, tüm modeller veya sistem genelinde AI özellikleri saniyeler içinde devre dışı bırakılabilir. Drift detection algoritmalarımız, model çıktılarını insan uzman kararlarıyla sürekli olarak karşılaştırır ve sapmaları anında gözden geçirme için işaretler.
• İnsan Gözden Geçirmesi: AI önerilerini her etkileşimden sonra ajanların değerlendirmesine dayanarak sürekli bir öğrenme sistemi oluşturduk. En iyi performans gösteren ajanlarımız, haftalık kalibrasyon oturumlarına katılır ve AI’nin karar sınırlarını iyileştirir. Bu, insan yargısının AI davranışını sürekli olarak şekillendirdiği ve kısıtladığı bir işbirliği zekası modeli oluşturur.
• Sorumluluk ve Denetim İzleri: AI tarafından etkilenen her karar, AI önerisini, güven seviyesini, kullanılan veri kaynaklarını ve insan ajanın nihai kararını gösteren eksiksiz bir denetim izi tutar. Bu, sorumluluğu sağlar ve modellerimizi sonuçlara dayanarak sürekli olarak iyileştirmemizi sağlar. Düzenli üçüncü taraf denetimleri, risk yönetim uygulamalarımızı endüstri standartlarına ve düzenleyici gereksinimlere karşı doğrular.

Bu kapsamlı önlemleri uygulayarak, AI sistemlerimizin insan yeteneklerini güçlendirdiğini, insan ajansını, etik standartlarını ve operasyonel kontrolü korurken sağlıyoruz.

Model yeniden eğitimi ve sürekli öğrenme yaklaşımınız, AI sistemlerinizin hem uyum gereksinimlerini hem de müşteri duygusu nüanslarını karşılayabilmesi için nasıl tasarlandı?

Alorica IQ’daki yaklaşımımız, düzenleyici gereksinimlerle müşteri deneyimi optimizasyonunu dengeleyen güçlü bir MLOps çerçevesine dayanır.

Çok katmanlı bir yeniden eğitim mimarisi uyguluyoruz. Uyum-critical modellerimiz günlük sapma tespiti ve haftalık performans denetimlerine tabi tutulur ve düzenleyici değişikliklerinde anında yeniden eğitim için otomatik tetikleyiciler vardır. Müşteri duygusu modelleri için, ajan düzeltmeleri ve müşteri memnuniyeti puanlarını yakalayan gerçek zamanlı geri bildirim döngülerini kullanıyoruz ve bunları her 72 saatte bir eğitim pipeline’ına besliyoruz.

Proprietary Compliance Intelligence Layer, model çıktılarını her coğrafyanın düzenleyici çerçevelerine karşı otomatik olarak doğrulayan bir güncelleme sistemidir – AI sistemlerimiz her zaman uyumlu kalır. Bu katman, yasal teknoloji sağlayıcıları ve düzenleyici beslemeleriyle ortaklık aracılığıyla sürekli olarak güncellenir.

Duygu nüansları için, Alorica IQ’da “kültürel bağlam gömme” geliştirdik. Bunlar, dilbilimsel değil, kültürel iletişim kalıplarını anlayan bölgesel modellerdir. Örneğin, modellerimiz, Alman ve Japon müşteri etkileşimlerinde doğrudan seviyelerin önemli ölçüde farklı olduğunu tanır ve duygu puanlamasını buna göre ayarlar.

Sürüm model kayıt defterlerini tam geri alma yeteneği ile tutuyoruz. A/B test çerçevesi, yeni model sürümlerini üretim benchmark’larına karşı sürekli olarak karşılaştırır ve tam dağıtım öncesi binlerce etkileşim üzerinden test eder.

En önemlisi, AI yeteneklerini sürekli olarak geliştiren insan uzmanlığının katkılarını içeren bir İnsan Geri Bildirim Entegrasyon Protokolü kurduk. Bu yaklaşım, uyumluluk ihlallerini %94 oranında azaltırken, tüm desteklenen dillerde duygu algılama doğruluğunu %92’ye çıkardı.

2025’ten sonra, müşteri deneyimi için insan merkezli AI’nin bir sonraki sınırı nedir?

Gelecek sınır, konuşma AI’si, agentic AI ve sinir ağlarının daha yüksek düzeyde sonuçlar elde etmek için birleşmesidir. Bu, iş yapma şeklimizi yeniden tasarlayacaktır. Orkestrasyon artık insan-makine değil, makine-makine veya aynı anda binlerce makine arasındaki orkestrasyondur.

İş seyahati planlamanızı düşünün: bir web sitesini ziyaret edin, bir havayolu seçin, bir otel rezervasyonu yapın, ulaşımı düzenleyin, yemek rezervasyonu yapın ve dönüşü planlayın. Bu, bir kez talepte bulunup entegre botların – bir sinir ağı tarafından güçlendirilen – tüm seçenekleri işleyerek size seçim için çoklu bir yanıt oluşturmasına izin vermesidir. Bu modelde, orkestrasyon sinirsel, agentic AI botları güçlendirir ve sohbet yanıtını oluşturur.

Harika röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular Alorica‘yı ziyaret edebilir.