Ashish Nagar，Level AI 的 CEO 和创始人 – 采访系列

Ashish Nagar 是 Level AI 的 CEO 和创始人，他利用在亚马逊 Alexa 团队的经验，运用人工智能来转变联系中心的运营。凭借在技术和创业方面的坚实背景，Ashish 在推动公司使命方面发挥了重要作用，公司的使命是通过先进的 AI 解决方案来提高客户服务互动的效率和有效性。在他的领导下，Level AI 已成为 AI 驱动的联系中心空间中的关键玩家，以其尖端产品和人工智能的卓越实施而闻名。

是什么启发你离开亚马逊并创立 Level AI？你能分享一下你试图通过你的技术解决的客户服务中的具体痛点吗?

我的背景是构建位于技术和商业交叉点的产品。虽然我拥有应用物理学的本科学位，但我的工作始终专注于产品角色和建立、启动和构建新业务。我的技术和商业热情让我转向了人工智能。

我从 2014 年开始从事人工智能工作，当时我们正在构建一个名为 Rel C 的下一代移动搜索公司，类似于今天的 Perplexity AI。那段经历激发了我进入人工智能软件的旅程，最后那家公司被亚马逊收购。在亚马逊，我是 Alexa 团队的产品负责人，持续寻求解决更复杂的人工智能问题的机会。

在我 2018 年的最后一年，我在亚马逊工作了一个项目，我们称之为“星际迷航电脑”，灵感来自著名的科幻系列。目标是开发一台可以理解和响应任何问题的电脑。这个项目被称为 Alexa Prize，旨在使任何人都可以与 Alexa 进行 20 分钟的对话，讨论任何社交话题。我带领一个由大约 10 名科学家组成的团队，我们将其作为全球人工智能挑战推出。我与来自麻省理工学院、卡内基梅隆大学、斯坦福大学和牛津大学等机构的顶尖专家密切合作。很明显，当时没有人能够完全解决这个问题。

即使到那时，我也能感觉到一波创新浪潮即将来临，这将使其成为可能。快进到 2024 年，像 ChatGPT 这样的技术现在正在做我们设想的大部分事情。自然语言处理领域出现了快速进步，像亚马逊、谷歌、OpenAI 和微软这样的公司正在构建大型模型和底层基础设施。但是，他们并没有一定要解决端到端的工作流程。我们认识到了这一差距，并希望解决它。

我们的第一个产品不是客户服务解决方案，而是一个面向前线工人的语音助手，例如技术人员和零售店员工。我们获得了 200 万美元的种子资金，并向潜在客户展示了该产品。他们一致要求我们将该技术适用于联系中心，在那里他们已经拥有语音和数据流，但缺乏现代的生成式人工智能架构。这使我们意识到现有的公司在这个领域停滞不前，苦于经典的创新者困境——是否要改造他们的旧系统或构建一些新东西。我们从空白状态开始，构建了第一个本地大型语言模型（LLM）客户体验智能和服务自动化平台。

我对人类语言复杂性和解决这些问题的计算机工程挑战的深入兴趣，在我们的方法中发挥了重要作用。人工智能理解人类语言的能力对于联系中心行业至关重要。例如，使用 Siri 通常会揭示人工智能难以理解人类语言中的意图和上下文，即使是简单的查询也可能会让人工智能难以解释它在问什么。

人工智能难以理解意图、维持长时间对话中的上下文以及拥有世界的相关知识。即使 ChatGPT 也在这些领域存在局限性。例如，它可能不知道最新的新闻或理解对话中的主题转换。这些挑战与客户服务直接相关，因为对话通常涉及多个主题，并需要人工智能理解特定领域的知识。我们在我们的平台中解决了这些挑战，该平台旨在处理客户服务环境中人类语言的复杂性。

Level AI 的 NLU 技术超越了基本的关键词匹配。您能解释一下您的 AI 如何理解更深层次的客户意图，以及这如何为客户服务带来好处吗？Level AI 如何确保其 AI 系统的准确性和可靠性，特别是在理解细微的客户互动方面?

我们有六或七个不同的 AI 流水线，针对特定的任务，具体取决于工作的性质。例如，一个工作流可能涉及识别呼叫驱动因素和了解客户对产品或服务的疑问，我们称之为“客户的声音”。另一个可能是自动评分质量评分卡，以评估代理的表现。每个工作流或服务都有自己的 AI 流水线，但底层技术保持不变。

为了进行类比，我们使用的技术基于类似于 ChatGPT 和其他生成式人工智能工具背后的技术。然而，我们使用的是客户服务特定的 LLM，我们在家训练这些模型以适应这些专门的工作流程。这使我们能够在仅仅几天的客户上线时间内实现超过 85% 的准确率，从而实现更快的时间价值、最少的专业服务以及无与伦比的准确性、安全性和信任度。

我们的模型在客户服务方面具有深厚、特定的专业知识。旧范式涉及通过选择关键词或短语（如“取消我的账户”或“我不高兴”）来分析对话。但我们的解决方案并不依赖于捕获所有可能的短语变体。相反，它应用人工智能来理解问题背后的意图，使其变得更快、更高效。

例如，如果有人说“我想取消我的账户”，他们可能以无数种方式表达，如“我和你们完了”或“我要转到别的地方去了”。我们的 AI 了解问题的意图并将其与上下文联系起来，这就是为什么我们的软件更快、更准确的原因。

一个有用的类比是，旧的 AI 就像一本规则书——你会建立这些僵硬的规则书，带有 if-then-else 语句，这些语句是僵化的，需要不断维护。新的 AI 则像一个动态的大脑或学习系统。只要有几个指针，它就可以动态地学习上下文和意图，并在飞行中不断改进。规则书具有有限的范围，很容易在不符合预定义规则的情况下破坏，而动态学习系统则会不断扩展、增长，并具有更广泛的影响。

来自客户的角度来看，一个很好的例子是大型电子商务品牌。他们有成千上万的产品，跟上不断更新的产品几乎是不可能的。然而，我们的 AI 可以理解上下文，例如你是否在谈论一张特定的沙发，而不需要不断更新评分卡或评分表以适应每个新产品。

将 Level AI 的技术与现有的客户服务系统集成的主要挑战是什么？您如何解决这些挑战?

Level AI 是一个客户体验智能和服务自动化平台。因此，我们与行业中的大多数 CX 软件集成，无论是 CRM、CCaaS、调查还是工具解决方案。这使我们成为中心枢纽，从所有这些来源收集数据，并作为顶部的智能层。

然而，挑战在于其中一些系统基于非云端、内部部署技术，甚至是缺乏 API 或干净数据集成的云端技术。我们与客户密切合作以解决这个问题，尽管我们 80% 的集成现在是基于云端或 API 本地的，使我们能够快速集成。

Level AI 如何为客户服务代理提供实时智能和可行的见解？您能分享一些示例，说明这如何改善客户互动吗?

我们为客户提供三种类型的实时智能和可行的见解：

1. 自动化手动工作流程：服务代表通常有有限的时间（6 到 9 分钟）和多个手动任务。Level AI 自动执行诸如对话期间和之后的笔记记录、为每个客户生成自定义摘要等繁琐任务。这使我们的客户在处理时间方面节省了 10% 至 25%，从而带来了更高的效率。
2. CX Copilot for 服务代表：服务代表面临高流失率和入职挑战。想象一下被丢入一个联系中心，而不知道公司的政策。Level AI 就像坐在代表旁边的专家 AI，倾听对话，并提供实时指导。这包括处理异议、提供知识和提供智能转录。这种功能帮助我们的客户将服务代表的入职和培训时间缩短了 30% 至 50%。
3. 经理 Copilot：该独特功能为经理提供了对其团队绩效的实时可见性。Level AI 提供对对话的每秒洞察，允许经理进行干预、检测情绪和意图，并在实时支持代表。这提高了代理的生产力 10% 至 15%，并提高了代理的满意度，这对于降低成本至关重要。例如，如果客户开始对代表大喊大叫，系统会标记它，经理可以接管电话或向代表提供低声指导。这种实时干预在没有这项技术的情况下是不可能的。

您能详细说明 Level AI 的情绪分析是如何工作的，以及它如何帮助代理更有效地响应客户吗?

我们的情绪分析检测七种不同的情绪，从极度沮丧到狂喜，使我们能够衡量出各种情绪，这些情绪有助于我们的整体情绪评分。这种分析考虑了对话中的口头语言和语调。然而，我们的实验表明，口头语言在情绪分析中比语调更重要。你可以用平淡的语调说出刻薄的话，也可以用奇怪的语调说出很好的话。

我们提供一个从 1 到 10 的情绪评分，1 表示非常负面的情绪，10 表示非常正面的情绪。我们分析了 100% 的客户对话，为客户互动提供了深入的洞察力。

上下文理解也至关重要。例如，如果一个电话以非常负面的情绪开始，但以积极的方式结束，即使电话的 80% 是负面的，整个互动仍被视为积极的。这是因为客户一开始很沮丧，代理解决了问题，客户离开时很满意。另一方面，如果电话开始时很积极但以负面的方式结束，那就是一个不同的故事，尽管电话的 80% 可能是积极的。

这种分析帮助代表和经理识别需要培训的领域，关注与积极情绪相关的行动，例如问候客户、承认他们的担忧并表示同情——这些元素对于成功的互动至关重要。

Level AI 如何解决数据隐私和安全问题，特别是考虑到客户互动的敏感性质?

从第一天开始，我们就优先考虑安全性和隐私性。我们以企业级安全性和隐私性为核心原则构建了我们的系统。我们不将任何生成式人工智能能力外包给第三方供应商。所有内容都是在家开发的，这使我们能够在不与环境外共享数据的情况下为客户训练客户特定的人工智能模型。我们还提供广泛的定制，允许客户拥有自己的人工智能模型，而无需在我们的数据管道的不同部分之间共享数据。

为了解决当前行业的担忧，我们的数据不用于外部模型的训练。我们不允许我们的模型受到其他来源的 AI 生成数据的影响。这一方法可以防止一些 AI 模型面临的问题，即由于接受其他来源的 AI 生成数据的训练而导致准确性下降。在 Level AI，我们的一切都是第一方的，我们不在外部共享或拉取数据。

在最近的 3940 万美元 C 轮融资之后，您计划如何利用这笔资金扩大 Level AI 的平台并接触到新的客户群体?

C 轮投资将推动我们在关键领域的战略增长和创新计划，包括产品开发、工程增强和严格的研发工作。我们旨在在整个组织的各个层级招募顶尖人才，使我们能够继续开创行业领先的技术，以超越客户的期望并满足不断变化的市场需求。

您如何看待人工智能在未来十年中转变客户服务的角色?

虽然通常的关注点在于自动化方面——预测未来机器人将处理所有客户服务——但我们的观点更为细致。自动化的程度因垂直行业而异。例如，在银行或金融领域，自动化可能较低，而在其他领域，可能较高。平均而言，我们认为跨所有垂直行业实现超过 40% 的自动化具有挑战性。这是因为服务代表不仅仅是回答问题——他们还扮演故障排除、销售顾问等角色，这些角色无法被人工智能完全复制。

工作流自动化也有很大的潜力，这是 Level AI 的重点。包括后台任务，如质量保证、工单分配和屏幕监控。在这里，使用生成式人工智能可以超过 80% 的自动化。智能和数据洞察至关重要。我们在使用生成式人工智能来获取非结构化数据的洞察方面是独一无二的。这种方法可以大大提高洞察力的质量，减少 90% 的专业服务需求，并将时间价值加速 90%。

另一个重要考虑因素是您的组织的面孔应该是一个机器人还是一个人。超越他们执行的基本功能，人类与客户的联系至关重要。我们的方法是从人员的工作量中去除多余的任务，使他们能够专注于有意义的互动。

我们相信，人类最适合直接的沟通，并且应该继续扮演这一角色。然而，他们不适合诸如笔记记录、转录互动或屏幕录制等任务。通过为他们处理这些任务，我们解放了他们的时间，使他们能够更有效地与客户互动。

感谢这次精彩的采访，希望了解更多的读者可以访问 Level AI。