Майк Кліфтон, Ко-Головний Виконавчий Директор Alorica – Серія Інтерв’ю

Майк Кліфтон є Ко-Головним Виконавчим Директором Alorica, глобальним лідером у сфері цифрових клієнтських досвідів (CX). На цій посаді Майк керує стратегією цифрової трансформації компанії, включаючи її нагороджені продукти штучного інтелекту, для забезпечення оптимального CX у різних каналах (голос, чат, веб тощо) та галузях від імені брендів Fortune 500. З сильним досвідом і знаннями у сфері цифрових інновацій, штучного інтелекту та корпоративної технології, Майк має доведену історію успішного зростання шляхом інтеграції масштабованих технологічних рішень для задоволення змінючихся ринкових вимог.

Alorica є глобальним лідером у сфері клієнтського досвіду та аутсорсингу бізнес-процесів, надаючи технологічні, людсько-орієнтовані рішення для галузей, таких як банківська справа, охорона здоров’я, роздрібна торгівля та телекомунікації. З понад 100 000 співробітників у понад 17 країнах, компанія керує мільярдами взаємодій щорічно у понад 75 мовах, надаючи послуги, такі як контакт-центри, аналіз, рішення штучного інтелекту, модерація контенту та операції бек-офісу – все це спрямовано на забезпечення вимірюваних результатів для клієнтів.

Галузь рухається до доповнення над автоматизацією – як стратегія Alorica відображає цю гібридну модель?

Стратегія Alorica відображає гібридну модель доповнення над автоматизацією, зосереджуючись на підвищенні ефективності роботи агентів за допомогою інструментів штучного інтелекту, а не заміні їх. Цей підхід забезпечує, що люди залишаються в центрі взаємодій з клієнтами, підтримувані передовими технологіями для підвищення ефективності та результативності.

Наприклад, Alorica запустила кілька передових рішень, таких як evoAI, Knowledge IQ, Цифрові довіра та безпека та CX2GO®. Ці інструменти призначені для посилення ефективності агентів за допомогою надання реального часу, контекстно-залежних взаємодій, які покращують управління знаннями та забезпечують цифрову довіру та безпеку.

Інтегруючи інструменти штучного інтелекту, які пропонують емоційно інтелектуальні та контекстно-залежні взаємодії у декількох мовах з підтримкою суб-секундних часів відповіді, Alorica дозволяє агентам надавати персоналізовану та ефективну підтримку клієнтам. Ця реальна реакція призводить до покращення результатів клієнтів.

Загалом, стратегія Alorica підкреслює важливість агентів, одночасно використовуючи штучний інтелект для підвищення їх можливостей, відображаючи зміщення галузі до доповнення над автоматизацією.

Чи можете ви поділитися конкретними прикладами, де штучний інтелект посилює ефективність агентів, а не заміняє її?

Є багато прикладів посилення, які ми застосували при наданні наших послуг. Одним із них є можливість агентів взаємодіяти з базою знань, яка слухає реальний час і перекладає його в автоматичний двигун, який запитує допомогу; це потужний, превентивний інструмент, який ми застосували у багатьох рішеннях. Іншим прикладом є використання розмовного штучного інтелекту для підвищення нашої здатності тренувати агентів на найбільш складних клієнтських сценаріях. Виконуючи моделювання реального часу взаємодій, ми знижуємо стрес, а моделі продовжують навчання – оновлюючи агентів щодо сентименту та емпатії, коли вони набувають більше досвіду.

Як ви відстежуєте вплив продуктивності цих інструментів штучного інтелекту – наприклад, у першому контакті з клієнтом, часі обробки чи ефективності агентів?

Відстеження інструментів штучного інтелекту у доповненні падає на метрики, призначені для агентів, якби жодних інструментів не існувало. Різниця полягає в можливості взяти на себе більше дзвінків при вищому рівні задоволення клієнтів та впевненості у передбаченні кращих стратегій робочої сили, коли у вас є солідні дані від моделей.

Ви запустили кілька передових рішень цього року – evoAI, Knowledge IQ, Цифрові довіра та безпека та CX2GO®. Яке з них, на вашу думку, матиме най негайний “супер-ефект” для агентів, і чому?

Наш внутрішній використанням evoAI дозволяє агентам використовувати імітаційні дзвінки для тренування з вищим рівнем ситуаційної свідомості, надаючи найбільший вплив. Це слідує за Knowledge IQ, який посилює здатність агента знайти правильну відповідь. Ці два стали гейм-чейнджерами для наших співробітників, повністю змінюючи, як швидко та точно наші агенти можуть задовольнити потреби клієнтів.

З точки зору машинного навчання, як ваші моделі тренуються для підтримання точності та адаптивності, коли потреби клієнтів, мова та ринкові умови змінюються?

Для підтримання точності та адаптивності у разі зміни потреб клієнтів, мови та ринкових умов наші моделі машинного навчання проходять безперервне навчання та доопрацювання.

Ось деякі ключові стратегії, які ми застосовуємо:

• Безперервне навчання: Наші моделі розроблені для навчання з новими даними безперервно. Це включає регулярне оновлення навчальних наборів даних з останніх взаємодій, відгуку та ринкових тенденцій. Інтегруючи останні відомості, наші моделі можуть адаптуватися до змінних уподобань клієнтів та нових ринкових умов.
• Розрізноманітні джерела даних: Ми використовуємо широкий спектр джерел даних для навчання наших моделей, включаючи взаємодії клієнтів, соціальні медіа, ринкові звіти та іншу інформацію. Ця різноманітність забезпечує, що наші моделі піддаються різним сценаріям та лінгвістичним нюансам, підвищуючи їхню здатність зрозуміти та відповісти точно.
• Петлі відгуку: Ми реалізуємо потужні петлі відгуку, де взаємодії клієнтів та входи агентів використовуються для доопрацювання моделей. Цей реальний час відгуку допомагає визначити та виправити неточності, щоб моделі залишилися актуальними та ефективними.
• Багатомовні можливості: Наші моделі тренуються на багатомовних наборах даних для обробки взаємодій у декількох мовах. Це важливо для надання точних, локалізованих та контекстно-залежних відповідей глобальним клієнтам.
• Регулярні аудити та оцінки: Ми проводимо регулярні аудити та оцінки наших моделей для оцінки їхньої продуктивності. Це включає тестування моделей проти бенчмаркових наборів даних та реальних сценаріїв для забезпечення того, що вони відповідають стандартам точності та адаптивності.
• Людина в циклі: Ми підтримуємо архітектуру “людина в циклі”, де агенти співпрацюють зі штучним інтелектом для управління складними запитами. Ця гібридна модель забезпечує, що технологія вчиться з людського досвіду та покращує свою продуктивність з часом.
• Використання менших моделей мови: Тренування вертикально орієнтованих менших моделей (через гібридний або ансамблевий підхід) поряд з комерційно доступними великими мовними моделями дозволяє досягти ефективності у обчисленні, пошуку та часі відповіді, а також скорочує цикли тестування на упередженість та справедливість.

Ці стратегії дозволяють нашим моделям машинного навчання залишатися точними, адаптивними та здатними забезпечувати високоякісний клієнтський досвід у динамічних середовищах.

evoAI пропонує емоційно інтелектуальні, контекстно-залежні взаємодії у понад 120 мовах з підтримкою суб-секундних часів відповіді. Як ця реальна реакція перекладується у підтримку агентів та результати клієнтів?

evoAI пропонує кращу підтримку агентів та покращення результатів клієнтів кількома способами:

• Продуктивність: контекстно-залежні взаємодії допомагають знайти та впорядкувати велику кількість інформації швидко для запитів агентів.
• Персоналізація: пропонує багатомовну адаптивність, надаючи свободу вибирати вхідну та вихідну мови в реальному часі для будь-якої підказки. Наприклад, клієнт, який запитує англійською мовою відповідь французькою мовою, щоб батьки могли зрозуміти.
• Ефективність: зменшує час відповіді та часто усуває необхідність людської відповіді.
• Емоційна інтелігентність: дозволяє агентам регулювати варіанти для дзвінків на основі ситуаційної свідомості (тону, настрою та вибору слів), що дозволяє швидше деескалувати.

З появою агентських штучних інтелектів, як ви керуєте ризиками, такими як галюцинації, упередженість чи втрата контролю, одночасно забезпечуючи, щоб агенти залишилися приймають рішення?

У Alorica ми вважаємо, що правильна архітектура за технологією робить всю різницю. Тому керування ризиками агентських штучних інтелектів вимагає багаторівневої системи управління, яку ми інтегрували у кожному рівні наших операцій зі штучним інтелектом.

Ось, як ми адресуємо кожен критичний ризик:

• Мінімізація галюцинацій: Ми застосовуємо трирівневу систему верифікації для мінімізації галюцинацій. По-перше, наші моделі використовують генерацію, підкріплену витяганням (RAG), яка ґрунтується на перевірених базах знань та джерелах даних у реальному часі, зменшуючи ймовірність сфабрикованої інформації на 85%. По-друге, ми реалізуємо оцінювання впевненості на всіх згенерованих штучним інтелектом пропозиціях, де відповіді нижче порогу впевненості 80% викликають автоматичний огляд людини. По-третє, наші моделі обмежені діями у визначених просторах параметрів, специфічних для кожного бізнес-правила та фактичного домену клієнта – штучний інтелект не може генерувати інформацію про продукти, політики чи процедури, які не явно задокументовані у навчальних даних.
• Виявлення та запобігання упередженості: Наша стратегія керування упередженістю діє протягом усього життєвого циклу штучного інтелекту. Під час тренування моделей ми використовуємо техніки дебіасингу та алгоритми навчання, які активно протидіють історичним упередженостям у навчальних даних. Ми підтримуємо метрики демографічної парності по захищеним категоріям та проводимо щомісячні аудити за допомогою інструментів, таких як індикатори справедливості та оцінки диспаратного впливу. Наші моделі проходять тестування з синтетичними даними, розробленими для розкриття упередженості по різних демографічних групах, мовам та культурним контекстам. Коли виявляється упередженість, ми застосовуємо цілеве доопрацювання на збалансованих наборах даних та регулюємо ваги моделей для забезпечення рівноправних результатів. Найважливіше, що ми підтримуємо звіти про прозорість, які відстежують метрики упередженості з часом, дозволяючи клієнтам бачити, як наші моделі виконуються по різних популяціях.
• Збереження людського контролю: Людські агенти залишаються кінцевими приймаючими рішення через нашу архітектуру “Штучний інтелект як радник”. Система штучного інтелекту пропонує рекомендації з функціями пояснюваності – агенти можуть бачити, чому штучний інтелект запропонував певну дію, які фактори він врахував та які альтернативи існують. Ми реалізуємо жорсткі зупинки, де штучний інтелект не може автономно виконувати певні дії: фінансові транзакції, зміни контрактів, юридичні зобов’язання чи медичні поради завжди вимагають людської авторизації. Наші протоколи ескалації автоматично маршрутизують складні чи високоризикові сценарії до старших агентів або керівників, коли штучний інтелект виявляє ситуації поза межами своєї компетенції.
• Безперервний моніторинг та вимкнення: Кожна взаємодія зі штучним інтелектом реєструється та моніториться через нашу Обсерваторію продуктивності моделей, яка відстежує відхилення від очікуваних поведінок у реальному часі. Ми підтримуємо миттєві можливості відкату та “вимкнення” на різних рівнях – окремі компоненти моделей, цілі моделі чи системні функції штучного інтелекту можуть бути вимкнені протягом секунд, якщо виявляється аномальна поведінка. Наші алгоритми виявлення дрейфу безперервно порівнюють виходи моделей з рішеннями людських експертів, виділяючи розбіжності для негайного огляду.
• Валідація людини в циклі: Ми розробили петлі відгуку, де агенти оцінюють пропозиції штучного інтелекту після кожної взаємодії, створюючи безперервну систему навчання, яка адаптується до людського досвіду. Наші топ-агенти беруть участь у щотижневих сесіях калібрування, де вони переглядають крайні випадки та допомагають доопрацювати межі рішень штучного інтелекту. Це створює модель колаборативного інтелекту, де людський суд продовжує формувати та обмежувати поведінку штучного інтелекту.
• Відповідальність та аудитні сліди: Кожне рішення, підказане штучним інтелектом, зберігає повний аудитний слід, показуючи пропозицію штучного інтелекту, рівень впевненості, джерела даних, використані та кінцеве рішення людини. Це забезпечує відповідальність та дозволяє нам продовжувати покращувати наші моделі на основі результатів. Регулярні аудити третьої сторони підтверджують наші практики керування ризиками згідно з галузевими стандартами та нормативними вимогами.

Реалізуючи ці комплексні заходи безпеки, ми забезпечуємо, що наші агентські системи штучного інтелекту посилюють людські можливості, одночасно зберігаючи людську агентність, етичні стандарти та операційний контроль.

Як ви підходите до доопрацювання моделей та безперервного навчання, щоб забезпечити, що ваші системи штучного інтелекту залишаються узгодженими з вимогами дотримання законодавства та нюансами клієнтського настрою?

У Alorica підхід до доопрацювання моделей та безперервного навчання через Alorica IQ побудований на потужній основі MLOps, яка балансує нормативну відповідність з оптимізацією клієнтського досвіду.

Ми реалізували багаторівневу архітектуру доопрацювання, яка діє на різних тактах. Наші моделі, критичні для дотримання законодавства, проходять щоденні виявлення дрейфу та щотижневі аудити продуктивності, з автоматичними спусковими механізмами для негайного доопрацювання, коли відбуваються зміни законодавства. Для моделей клієнтського настрою ми використовуємо реальні петлі відгуку, які захоплюють корекції агентів та оцінки задоволеності клієнтів, вводячи їх у наш трубопровід навчання кожні 72 години.

Наш шар інтелекту дотримання законодавства діє як система охорони, автоматично валідуючи виходи моделей щодо законодавчих рамок, специфічних для кожної географії – від GDPR в Європі до CCPA в Каліфорнії. Цей шар безперервно оновлюється через нашу партнерство з юридичними технологічними постачальниками та законодавчими джерелами даних, забезпечуючи, що наші системи штучного інтелекту залишаються відповідними без ручного втручання.

Для нюансів настрою ми розробили “культурні контекстні вкладення” у рамках Alorica IQ, компанії-інкубатора інновацій. Це тонко налаштовані регіональні моделі, які розуміють не тільки мову, але й культурні комунікаційні патерни. Наприклад, наші моделі розпізнають, що рівні прямості значно відрізняються між німецькими та японськими клієнтськими взаємодіями, і регулюють свій аналіз настрою відповідно.

Ми підтримуємо реєстри версій моделей з повними можливостями відкату, дозволяючи миттєво повернутися до попередніх версій, якщо нове тренування вводить несподівані поведінки. Наш каркас тестування А/Б працює безперервно, порівнюючи нові версії моделей з базовими лініями виробництва протягом тисяч взаємодій, перш ніж розгорнути їх повністю.

Найважливіше, що ми встановили Протокол інтеграції людського відгуку, де наші топ-агенти регулярно переглядають крайні випадки та надають коригувальний відгук, створюючи доброзичливий цикл, де людський досвід безперервно покращує наші можливості штучного інтелекту. Цей підхід зменшив порушення законодавства на 94%, одночасно покращуючи точність виявлення настрою до 92% по всіх підтримуваних мовах.

З огляду на швидке міжнародне розширення – особливо на ринки, таких як Індія, Єгипет та EMEA – як ви адаптуєте свій підхід “людина-штучний інтелект” до різноманітних лінгвістичних та культурних потреб?

Ми вважаємо, що локалізація – це не тільки мова, а й культура.

Наші платформи штучного інтелекту, такі як evoAI та ReVoLT, налаштовані для захоплення тону, нюансів та контексту по понад сотні мов та діалектів, тому взаємодії відчуваються знайомими та автентичними. Але ми не зупиняємося на технологіях. Ми наймаємо таланти з кожного регіону, тренуємо команди навколо культурних очікувань та адаптуємо наш дизайн послуг, щоб відображати місцеві норми. Ця гібридна модель забезпечує, що кожна взаємодія відчувається так, як ніби вона була створена саме для цього ринку.

В Індії, де ми підтримуємо 75 офіційних мов плюс численні діалекти, ми розгорнули нашу Архітектуру Лінгвістичної Сітки, яка не тільки перекладає, але й підтримує контекст по сценаріям код-світчінгу – де клієнти природно змішують мови, такі як гінді, англійську та регіональні мови в одному розмові. Наші моделі тренуються на реальних розмовних патернах з міст другого та третього рівнів, а не тільки метрополій, забезпечуючи захоплення повного спектру комунікаційних стилів.

Для наших операцій в Єгипті, які обслуговують ширший регіони Близького Сходу та Північної Африки, ми розробили моделі, специфічні для арабських діалектів, які розрізняють єгипетську арабську, арабську затоки та левантійську арабську, з спеціалізованим обробленням формальної (Фуша) та неформальної (Аммія) регістрів. Наш штучний інтелект розуміє, коли клієнт перемикається з формальної на неформальну арабську як емоційний сигнал, викликаючи відповідне тренування агентів у реальному часі.

На ринках EMEA ми реалізували те, що називається “Перший-Регуляторний Дизайн Штучного Інтелекту”. Кожна країна розгортає попередньо сконфігуровані модулі дотримання законодавства – від суворих вимог Німеччини щодо локалізації даних до французьких законів про захист мови, які вимагають французьких інтерфейсів. Наші моделі тренуються не тільки на мові, але й на місцевому бізнес-етикеті; наприклад, наше німецьке розгортання підкреслює точність та детальну документацію, тоді як наша італійська модель дозволяє більшу гнучкість у розмові.

Технічна основа – це наш Каркас Федеративного Навчання у рамках Alorica IQ, де місцеві моделі вчаться з регіональних даних без виходу даних за межі країни, забезпечуючи суверенітет даних, одночасно користуючись покращеннями глобальних моделей. Ми підтримуємо регіональні кластери GPU для забезпечення часу відгуку менше 100 мс для реального часу агентської підтримки.

Наша Команда Культурної Інтелекту, яка складається з лінгвістичних експертів та поведінкових вчених з кожного регіону, безперервно валідує виходи нашого штучного інтелекту. Вони допомогли нам ідентифікувати понад 3 000 культурно-специфічних сценаріїв, які вимагають особливого оброблення – від релігійних свят, які впливають на доступність послуг, до місцевих переваг платежів, які впливають на потоки взаємодій.

Цей підхід приніс вражаючі результати: наші індійські операції демонструють на 40% вищі показники задоволеності клієнтів при використанні культурно-адаптованого штучного інтелекту порівняно з загальними моделями, а наші розгортання в EMEA досягли показника першого контакту з вирішенням на рівні 98% для мовно-специфічних запитів.

Як здатність evoAI розпізнавати та адаптуватися до регіональних діалектів та емоційних сигналів допомагає впровадженню на нових ринках?

Впровадження прискорюється, коли люди відчувають, що технологія “розуміє” їх. evoAI виходить за межі слово-за-словом перекладу, розуміючи сленг, акцент та навіть емоційний тон у реальному часі.

Софістіковані діалектні та емоційні можливості розпізнавання evoAI стали нашим основним конкурентним优势 при проникненні на нові ринки, безпосередньо звертаючись до пробілу довіри, який часто гальмує впровадження штучного інтелекту на ринках, що розвиваються.

З технічної точки зору evoAI використовує нашу Пропрієтарну Модель Акустико-Лінгвістичної Фузії, яка одночасно обробляє фонетичні патерни, просодичні особливості та семантичний контент. Цей три-рівневий підхід дозволяє нам виявляти тонкі емоційні стани, виражені по-різному в різних культурах. Наприклад, на японському ринку ми могли б виявити “хонне” проти “татеме” (правдиві почуття проти публічної фасади) через мікро-варіації в тоні та темпі мови, тоді як на Близькому Сході ми могли б розпізнати динаміку честі та ганьби через конкретні фразові конструкції та акцент.

Наше виявлення діалектів виходить за межі простого виявлення акценту. evoAI підтримує динамічні карти діалектів, які розуміють соціально-економічні індикатори, вбудовані у мовні патерни. В Індії, наприклад, система розпізнає не тільки те, що хтось говорить тамільською чи телугу, але й ідентифікує освітній рівень та походження (міське чи сільське), дозволяючи агентам налаштувати свій стиль спілкування відповідно. Це гранульоване розуміння показало збільшення показників довіри клієнтів на 67% у пілотних програмах.

Шар емоційної інтелігентності використовує наш Граф Контекстних Емоцій, який картографує емоційні траєкторії протягом усього розмови, а не тільки моментальний настрій. Це дозволяє evoAI передбачати емоційну ескалацію за 30 секунд до її початку з точністю 89%, надаючи агентам критичний час для втручання з техніками деескалації, специфічними для культурних уподобань клієнта щодо вирішення конфліктів.

Для впровадження на нових ринках у нашому інформаційному лабораторному відділі є стратегія “Прогресивної Локалізації” через Alorica IQ. Ми починаємо з базової моделі, тренованої на медійному контенті, соціальних медіа та публічних дискусіях цільового ринку. У перший місяць розгортання evoAI адаптується до місцевих клієнтських патернів через наш Пайплайн Активного Навчання, який пріоритезує навчання з взаємодій з найбільшою емоційною варіативністю. До 90 днів наші моделі повинні досягти 95% точності у виявленні діалектів та 88% у виявленні емоційного стану.

Бізнес-імпакт буде суттєвим. Наші дослідження показують, що розгортання в Єгипті, з можливістю evoAI розпізнавати та реагувати на каїрський чи александрійський діалекти, разом з відповідними культурними ввічливостями, скоротить типову 6-місячну лінію проникнення ринку до лише 8 тижнів. Вартість придбання клієнтів могла б зменшитися на 45%, оскільки рекомендації клієнтів збільшаться через природні, культурно-чутливі взаємодії.

Емоційна адаптаційна здатність evoAI відкриє зовсім нові категорії послуг. Наприклад, ми гіпотезуємо, що послуга підтримки психічного здоров’я, підкріплена evoAI, могла б допомогти виявити ранні маркери депресії та тривоги на основі природніх виразових патернів, дозволяючи своєчасне втручання та ескалацію до наших команд охорони здоров’я та добробуту – забезпечуючи, що добробут агентів завжди пріоритетний.

Ця технологічна перевага перекладується безпосередньо на впровадження на ринку: регіони, які використовують повні діалектні та емоційні можливості evoAI, демонструють у 3,2 раза швидші темпи впровадження порівняно зі стандартними розгортуваннями штучного інтелекту, а показники задоволеності агентів покращуються на 78%, оскільки вони відчувають більшу впевненість у xửленні культурно складних взаємодій.

Оглядаючи період після 2025 року, яку наступну межу ви бачите для людсько-орієнтованого штучного інтелекту в CX?

Наступна межа – це злиття розмовного штучного інтелекту, агентського штучного інтелекту та нейронних мереж для оркестрування вищого рівня результатів, які раніше не розглядалися. Це переробить, як ми ведемо бізнес. Оркестрування вже не людське-машина; це машина-машина або машина-тисячі машин одночасно.

Уявіть, що ви плануєте бізнес-поїздку: відвідування веб-сайту для вибору авіакомпанії, потім бронювання готелю, організації транспорту, планування вечері та планування повернення. Це простий приклад запиту одного разу та дозволу інтегрованим ботам – підкріпленим нейронною мережею – обробити всі доступні варіанти та побудувати багатоваріантну відповідь для вашого вибору. У цій моделі оркестрування нейронне, агентський штучний інтелект підкріплює боти, а розмова – це відповідь.

Дякуємо за чудовий інтерв’ю. Читачам, які бажають дізнатися більше, рекомендуємо відвідати Alorica.