Mike Clifton, Alorica’nın Eş CEO’su – Röportaj Serisi

Mike Clifton Alorica’nın Eş CEO’sudur, Alorica dijital olarak güçlendirilmiş müşteri deneyimleri (CX) alanında küresel bir liderdir. Bu role göre, Mike şirketin dijital dönüşüm stratejisini denetler – ödül kazanan AI ürünlerini de içerir – ve FORTUNE 500 markaları adına kanallar (ses, sohbet, web, vb.) ve endüstriler boyunca optimal CX sunmak için. Dijital inovasyon, AI ve kurumsal teknoloji konularında 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 süreci dış kaynak kullanımı alanında küresel bir liderdir ve bankacılık, sağlık, perakende, telekomünikasyon gibi endüstriler için teknoloji destekli, insan merkezli çözümler sağlar. 17’den fazla ülkede 100.000’den fazla çalışanıyla, şirket her yıl 75’ten fazla dilde milyarlarca etkileşimi yönetir ve müşteri temas merkezleri, analiz, AI çözümleri, içerik moderasyonu ve arka ofis operasyonları gibi hizmetler sunar – tüm bunlar müşteriler için ölçülebilir sonuçlar elde etmeye odaklanır.

Endüstri otomasyon yerine artırmaya doğru ilerlemekte – Alorica’nın stratejisi bu melez modeli nasıl yansıtıyor?

Alorica’nın stratejisi, insan ajan performansını AI araçlarıyla güçlendirerek, onları değiştirmeyerek melez 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 çözümler başlattı. Bu araçlar, gerçek zamanlı, bağlam bilgisi içeren etkileşimler sunarak, bilgi yönetimini iyileştirerek ve dijital güvenliği sağlıyor.

AI araçlarını entegre ederek, Alorica ajanlarına müşterilere kişiselleştirilmiş ve verimli destek sunma olanağı sağlar. Bu gerçek zamanlı yanıt, müşteri sonuçlarında iyileşmeye yol açar.

Genel olarak, Alorica’nın stratejisi, insan ajanlarının önemini vurgularken, AI’yi yeteneklerini artırmak için kullanıyor ve endüstrinin otomasyondan artırmaya doğru kayışını yansıtıyor.

AI’nin insan ajan performansını nasıl güçlendirdiğini ve değiştirmediğini gösteren somut örnekler paylaşabilir misiniz?

Güçlendirmeye örnek olarak, ajanların gerçek zamanlı konuşmayı dinleyen ve yardım için.prompt eden bir bilgi motoruyla etkileşime girmesini sağlayabiliriz; bu, zorlu senaryolarda ajanları eğitmek için kullanılan güçlü bir araçtır. Bir başka örnek, ajanların en zorlu müşteri senaryolarında eğitim almasına yardımcı olmak için kullanılan konuşma AI motorlarının kullanılmasıdır. AI sürümlü simülasyonları çalıştırarak, stresi azaltır ve modeller deneyimler kazandıkça güncellenir.

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

AI araçlarının performansının izlenmesi, ajanların performansını değerlendirirken kullanılan aynı metriklere dayanır, ancak AI araçlarının kullanılmasıyla birlikte, ajanlar daha fazla çağrı alabilir ve müşteri memnuniyeti artar.

Bu yıl birkaç gelişmiş çözüm başlattınız – evoAI, Bilgi IQ, Dijital Güven ve Güvenlik Modeli ve CX2GO. Hangisinin ajanlar için en büyük “süper güç” etkisine sahip olduğunu düşünüyorsunuz ve neden?

İç kullanımımızdaki evoAI, ajanların durum farkındalığıyla eğitim almasına olanak tanır ve en büyük etkiye sahiptir. Bunu, ajanların doğru yanıtları bulmasına yardımcı olan Bilgi IQ takip eder. Bu iki araç, çalışanlarımız için oyun değiştirici oldu ve müşteri ihtiyaçlarını karşılamalarını daha hızlı ve doğru bir şekilde sağladı.

Makine öğrenimi açısından, müşteri ihtiyaçları, dil ve piyasa koşullarının evrimi karşısında nasıl modelinizi eğitir ve uyarlamasını sağlarsınız?

Müşteri ihtiyaçları, dil ve piyasa koşullarının değişimi karşısında modelimizin doğruluğunu ve uyarlanabilirliğini sağlamak için, sürekli eğitim ve iyileştirme stratejileri uyguluyoruz.

Aşağıdaki ana stratejileri uyguluyoruz:

• Sürekli Öğrenme: Modellerimiz sürekli olarak yeni verilerden öğrenir. Bu, modelin eğitim verilerini düzenli olarak güncellemeyi ve müşteri tercihleri ile piyasa trendlerine uyum sağlamayı içerir.
• Çeşitli Veri Kaynakları: Modellerimizi eğitmek için çeşitli veri kaynakları kullanıyoruz – müşteri etkileşimleri, sosyal medya, piyasa raporları ve daha fazlası. Bu çeşitlilik, modellerimizin çeşitli senaryolara ve dilbilimsel nüanslara maruz kalmasını sağlar.
• Geribildirim Döngüleri: Müşteri etkileşimleri ve ajan girişlerini kullanarak modellerimizi ayarlıyoruz. Bu geribildirim, modelin ilgili ve etkili kalmasını sağlar.
• Çok Dilli Yetenekler: Modellerimiz birden fazla dilde eğitim görür, böylece küresel müşteri tabanına doğru ve yerel odpowiediler sunabilir.
• Düzenli Denetim ve Değerlendirmeler: Modellerimizin performansını düzenli olarak değerlendiriyoruz. Bu, modelin performansını test etmek ve gerektiğinde güncellemek için benchmark veri kümeleri ve gerçek dünya senaryolarını içerir.
• İnsan Katılımı: İnsanların AI ile işbirliği yapmasını sağlayan bir yaklaşım uyguluyoruz. Bu, teknolojinin insan uzmanlığından öğrenmesini ve performansını geliştirmesini sağlar.
• Küçük Dil Modellerinin Kullanımı: Eğitim için dikey olarak küçük modelleri (melez veya toplu bir yaklaşım kullanarak) ticari LLM’lerle birlikte kullanıyoruz. Bu, hesaplama, arama ve yanıt süresinde verimlilik sağlar ve önyargı ve adalet test döngülerini kısaltır.

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

evoAI 120’den fazla dilde duygusal zeka ve bağlam bilgisi içeren etkileşimleri tanır ve uyarlar – bu gerçek zamanlı yanıt, ajan desteği ve müşteri sonuçlarına nasıl yansır?

evoAI, ajan desteği ve müşteri sonuçlarını birkaç şekilde geliştirir:

• Performans: Bağlam bilgisi içeren etkileşimler, ajanların büyük miktarda bilgiyi hızlı bir şekilde bulmasına yardımcı olur.
• Kişiselleştirme: Çok dilli adaptasyon, müşterilerin dilini seçmesine olanak tanır. Örneğin, bir müşteri İngilizce sorar ve Fransızca yanıt almak isterse.
• Verimlilik: Yanıt sürelerini azaltır ve insan müdahalesini souvent gereksiz kılar.
• Duygusal Zeka: Ajanların müşterilerin duygularını anlamasına yardımcı olur, böylece daha hızlı ve etkili bir şekilde müdahale edebilirler.

Agentic AI’nin kazanmasıyla birlikte, nasıl hallucinasyon, önyargı veya kontrol kaybı risklerini yönetir ve ajanların karar vericiler olarak kalmasını sağlar?

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

Her kritik riski aşağıdaki şekilde ele alıyoruz:

• Hayal Mitigasyonu: Üç katmanlı bir doğrulama sistemi kullanarak hallucinasyonları en aza indiriyoruz. İlk olarak, modellerimiz doğrulanmış bilgi tabanlarına ve gerçek zamanlı verilere dayalı yanıtlar üretir, böylece uydurma bilgilerin olasılığını azaltır. İkinci olarak, AI tarafından üretilen tüm önerilere güven skorları atarız ve %80’in altında olan yanıtlar için otomatik insan gözden geçirmesi tetiklenir. Üçüncü olarak, modellerimizi her bir müşterinin iş kuralları ve olgu alanlarına özgü parametre alanlarına bağlı tutarız – AI, eğitim verilerine açıkça belirlenmeyen ürünler, politikalar veya prosedürler hakkında bilgi üretemez.
• Önyargı Tespiti ve Önlenmesi: Önyargı yönetim stratejimiz, AI yaşam döngüsünün her aşamasında çalışır. Model eğitiminde, historical önyargılara karşıt adversarial debiasing teknikleri ve fairness-aware öğrenme algoritmaları kullanıyoruz. Demografik parity metriklerini korur ve aylık denetimlerle model performansını değerlendiririz. Modellerimizi test etmek için sentetik veriler kullanarak önyargıları ortaya çıkarır ve model ağırlıklarını eşitlikçi sonuçlar sağlamak için ayarlarız. Önyargı tespitinde şeffaf raporlar tutar ve model performansını farklı popülasyonlar boyunca izleriz.
• İnsan Kontrolünün Korunması: İnsan ajanlar, “AI Danışman” mimarimiz sayesinde karar vericiler olarak kalır. AI sistemi, neden-sonuç ilişkileri ve alternatifler hakkında açıklamalar sunar. AI’nin belirli eylemleri bağımsız olarak gerçekleştirmesini engelleyen hard durdurma noktaları oluştururuz – finansal işlemler, sözleşme değişiklikleri, yasal taahhütler veya sağlıkla ilgili tavsiyeler her zaman insan onayı gerektirir. AI’nin sınırlarının dışında kalan durumları otomatik olarak üst düzey ajanlara veya süpervizörlere yönlendiren eskalasyon protokollerini uygularız.
• Sürekli İzleme ve Durdurma Anahtarı: Her AI etkileşimi kaydedilir ve Model Performans Gözlemevi aracılığıyla gerçek zamanlı olarak izlenir. Anormal davranışları tespit ettiğimizde model bileşenlerini, tüm modelleri veya sistem genelinde AI özelliklerini saniyeler içinde devre dışı bırakma yeteneğine sahibiz. Drift algılama algoritmaları, model çıktılarını insan uzman kararlarıyla sürekli karşılaştırır ve sapmaları derhal gözden geçirilmek üzere işaretler.
• İnsan Katılımlı Doğrulama: Ajanların AI önerilerini her etkileşimden sonra değerlendirmelerine olanak tanıyan geribildirim döngüleri tasarladık. En iyi performans gösteren ajanlarımız, haftalık kalibrasyon oturumlarına katılır ve AI karar sınırlarını iyileştirir. Bu, insan yargısının sürekli olarak AI davranışını şekillendirdiği ve kısıtladığı bir işbirliği zeka 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 izini korur. Bu, sorumluluğu sağlar ve modelimizin sonuçlara dayalı olarak sürekli olarak iyileştirilmesine olanak tanır. Düzenli üçüncü taraf denetimleri, risk yönetim uygulamalarımızı endüstri standartlarına ve düzenleyici gereksinimlere karşı doğrular.

Bu kapsamlı önlemleri uygulayarak, AI sistemlerimizin insan yeteneklerini güçlendirdiğini, etik standartlara ve operasyonel kontrole uyduğunu garantileyebiliriz.

Modelinizi yeniden eğitmek ve sürekli öğrenmek için nasıl bir yaklaşım benimsiyorsunuz – böylece AI sistemleriniz hem uyum gereksinimlerine hem de müşteri sentimentinin nüanslarına uygun kalır?

Alorica IQ’da modelimizi yeniden eğitmek ve sürekli öğrenmek için güçlü bir MLOps çerçevesi oluşturduk. Bu, düzenleyici gereksinimlerle müşteri deneyimi optimizasyonunu dengeler.

Çok katmanlı bir yeniden eğitim mimarisi uyguluyoruz. Uyum açısından kritik modellerimiz günlük sapma tespiti ve haftalık performans denetimlerine tabi tutulur ve düzenleyici değişikliklerinde otomatik yeniden eğitim tetikleyicileri vardır. Müşteri sentimenti modelleri için, ajan düzeltmeleri ve müşteri memnuniyet puanlarını yakalayan gerçek zamanlı geribildirim döngüleri kullanıyoruz ve bu verileri her 72 saatte bir eğitim pipeline’ımıza besliyoruz.

Özel Uyum Zeka Katmanı’mız, model çıktılarını coğrafi bölgeye özgü düzenleyici çerçevelerle otomatik olarak doğrular – Avrupa’daki GDPR’den California’daki CCPA’ye. Bu katman, yasal teknoloji sağlayıcılarımız ve düzenleyici beslemelerimizle sürekli olarak güncellenir, böylece AI sistemlerimizin düzenleyici gereksinimlere uygun kalmasını sağlar.

Sentiment nüansları için, Alorica IQ’da “Kültürel Bağlam Gömme” geliştirdik. Bu, bölgelere özgü modellerdir ve dilin ötesinde iletişim kalıplarını anlar. Örneğin, modellerimiz, Alman ve Japon müşteri etkileşimlerinde doğrudan düzeylerin önemli ölçüde farklı olduğunu tanır ve sentiment puanlarını buna göre ayarlar.

Sürümleştirilmiş model kayıtlarını tam geri alma yeteneğiyle tutuyoruz, böylece beklenmedik davranışlar ortaya çıkarsa anında önceki sürümlere dönebiliriz. Sürekli A/B test çerçevesi, yeni model sürümlerini üretim ortamlarına karşı binlerce etkileşim boyunca karşılaştırır ve tam dağıtım öncesi performansını değerlendirir.

En önemlisi, AI yeteneklerini sürekli olarak geliştiren bir insan geribildirim entegrasyon protokolü kurduk. Bu yaklaşım, uyum ihlallerini %94 oranında azalttı ve tüm desteklenen dillerde sentiment algılama doğruluğunu %92’ye çıkardı.

Hızlı uluslararası genişleme – özellikle Hindistan, Mısır ve EMEA gibi pazarlarda – nasıl AI-insan yaklaşımınızı çeşitli dilsel ve kültürel gereksinimlere uyarlıyorsunuz?

Yerelleştirme sadece dil değil, kültürü yansıtmak demektir.

AI platformlarımız gibi evoAI ve ReVoLT, ton, nüans ve bağlamı 100’den fazla dil ve lehçe boyunca yakalamak için ayarlanır, böylece etkileşimler yerel ve otantik hissedilir. Ancak teknolojiye bağlı kalmayız. Her bölgeden yetenekleri işe alır, ekipleri yerel beklentiler etrafında eğitir ve hizmet tasarımını yerel normlara uyarlarız. Bu melez model, her etkileşimin o pazara özel olarak inşa edildiği hissini sağlar.

Hindistan’da, 75 resmi dile ve birçok lehçeye destek sunarken, Linguistic Mesh Mimarimiz, sadece aksan değil, sosyoekonomik göstergeleri de konuşma kalıplarında yakalar. Bu, ajanların iletişimlerini yerel müşterilere uygun şekilde ayarlamalarına olanak tanır.

MENA bölgesini hizmet veren Mısır operasyonlarımızda, Arapça lehçe özgü modeller geliştirdik – Mısırlı Arapça, Körfez Arapçası ve Levant Arapçası arasında ayrım yapar ve formal (Fusha) ile informal (Ammiya) arasında özel işleme sağlar. AI, müşterilerin dilini değiştirmesini tanır ve ajanları gerçek zamanlı olarak koçluk için yönlendirir.

EMEA pazarlarında, “Düzenleme Önceliği AI Tasarımı” uyguluyoruz. Her ülke dağıtımı, o ülkenin spesifik düzenleyici gereksinimlerine önceden yapılandırılmış uyum modüllerini içerir. Modellerimiz, dilin ötesinde yerel iş etiğini öğrenir – örneğin, Alman dağıtımı, detaylı belgelendirme vurgusu yapar, İtalyan modeli ise daha sohbet odaklı bir yaklaşım sağlar.

Teknik altyapımız, Alorica IQ’daki Federated Learning Framework’tir. Burada, yerel modeller ülke içinde kalırken, küresel model geliştirmelerinden yararlanabilir. Bölgesel GPU kümeleri, gerçek zamanlı ajan yardımı için alt-100ms gecikme sağlar.

Kültürel Zeka Ekibimiz, her bölgeden dil uzmanları ve davranış bilimcilerinden oluşur ve AI çıktılarını sürekli olarak doğrular. 3.000’den fazla kültüre özgü senaryoyu tanımlamaya yardımcı oldular – dini gözlemlerin hizmet kullanılabilirliğini etkileyen durumlar veya yerel ödeme tercihlerine göre konuşma akışlarını etkileyen faktörler.

Bu yaklaşım, etkileyici sonuçlar verdi: Hindistan operasyonlarımız, kültürel olarak uyarlanmış AI kullanırken %40 daha yüksek CSAT puanları gösterdi ve EMEA dağıtımlarımız, dil spesifik sorgular için %98’lik ilk temas çözümü oranlarına ulaştı.

2025’ten sonra, müşteri deneyimi (CX) için insan merkezli AI’nin bir sonraki sınırını nasıl görüyorsunuz?

Bir sonraki sınır, konuşma AI’si, agentic AI ve nöral ağların bir araya gelerek, daha önce düşünülmemiş düzeyde sonuçlar elde etmesidir. Bu, iş yapma şeklimizi yeniden tasarlayacaktır. Orkestrasyon artık insan-makine değil, makine-makine veya aynı anda binlerce makine arasındaki etkileşim olacaktır.

Bir iş seyahati planlarken, bir havayolu seçmek, otel rezervasyonu yapmak, ulaşım ayarlamak, yemek planlamak ve dönüşü planlamak gibi bir web sitesini ziyaret ettiğinizi hayal edin. Bu, basit bir örnek, ancak AI’nin bir kez tetiklenmesiyle tüm seçenekleri işleyerek size seçenekler sunmasını sağlar. Bu modelde orkestrasyon nöral, agentic AI botları güçlendirir ve konuşma yanıt olur.

Harika bir röportaj için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okuyucular Alorica sitesini ziyaret edebilir.