Cogito 首席执行官兼联合创始人 Josh Feast – 采访系列

Josh Feast 是 Cogito 的首席执行官兼联合创始人，Cogito 是一家将情感和对话 AI 结合到一个创新平台中的企业，该平台为联系中心代理提供实时指导和辅导，给主管提供从任何地方工作的团队的实时对话的可见性，并不断监测客户和员工的体验。

Cogito 的故事始于 1999 年，即公司成立之前。您能否分享一些关于那时在 MIT 人类动力学实验室的早期见解和正在进行的工作?

从 1999 年到 2006 年，Sandy Pentland 博士开发了基本的基本科学，证明了社会信号在人类交流中的存在和力量，以及机器检测和解释它们的能力。

2007 年，Cogito 从 MIT 媒体实验室分拆出来。您能否分享这个起源故事?

在我在 MIT 的日子里，我认识到需要一种受对话背景信息的技术来帮助其用户在情绪激动的情况下。虽然我在新西兰儿童、青年和家庭服务部（现为社会发展部的儿童、青年和家庭单位）工作时，我注意到许多社会工作者由于他们的工作性质高度情绪化而感到筋疲力尽，并且支持他们的管理系统将从这样的技术中受益。我从那时带来了我的观察，并将它们带到了 MIT，Cogito 后来从 Pentland 的 MIT 媒体实验室研究中创建，该研究似乎直接解决了这个问题。Cogito 从国防高级研究计划局（DARPA）获得资金，研究和开发人工智能平台和行为模型，以自动检测人类的心理状态。该技术已被证明在帮助从战斗中返回的军事退伍军人方面是成功的，通过退伍军人事务部（VA）的部署。

Cogito 使用的 Emotion AI 技术最初是在协助医疗保健提供者检测军人返回战斗后早期 PTSD 和其他心理健康障碍的迹象时得到验证的。您能否讨论一些关于这一点的细节以及所看到的结果类型?

部署此技术的目标是检测军事退伍军人返回战斗后抑郁症并预防自杀。我们开发的平台使医生能够通过语音信号跟踪退伍军人的整体心理健康，并确定诸如无家可归等贫困心理健康的警告信号。我们很快意识到我们有了特别的东西，并且该技术的应用可以在支持军事退伍军人和医疗系统的领域之外发挥作用，在这些领域，复杂的情绪激动的对话量很大。由于我们的根基仍然集中在人类体验上，我们成为了今天的 Cogito，支持大型企业联系中心代理的实时指导和辅导，跨多个行业，包括医疗保健。

您能否讨论 Cogito 如何使用 AI 分析行为线索并在对话过程中提供即时反馈?

Cogito 使用强大的情感和对话 AI 组合，揭示对话的新见解，提取所说内容和客户接收信息的方式。这些 AI 模型实时测量客户体验（CX），对所有呼叫产生影响，而不是仅仅对未来互动进行后呼叫分析。

Cogito 提取和分析超过 200 个语音信号，以毫秒为单位，为联系中心代理提供调整其行为的提示，并根据讨论的主题和期望结果提供最佳建议。

Cogito 进行实时、呼叫内语音分析，以实时增强行为，创造更好的人际联系，无论联系中心代理在哪里工作。

这种反馈如何指导代理与客户建立更好的关系?

联系中心代理从 Cogito 的提示中获得的实时反馈使代理能够表现出更一致的情商，从而在每个呼叫中提供同情。同情心的提高带来了更好的对话结果，例如减少呼叫处理时间、提高首次呼叫解决率、提高客户满意度和提高客户终身价值。

每个联系中心代表都有不同的优势和劣势。他们在呼叫过程中收到的实时提示有助于增强他们的客户服务，无论是提供更多的同情、说话速度更慢还是听起来更积极。这种量身定制的反馈使代理能够根据客户的具体体验和 AI 模型捕捉到的语音信号与客户建立关系。反过来，这提高了客户体验和代理体验。

实时反馈不仅有利于客户体验（CX），还有利于员工体验（EX）。我们的工具帮助代表拥有更积极的工作体验，这被证明可以推动更高的 CX 水平。

2019 年，Cogito 发布了一篇题为“语音情感识别中的性别去偏”的论文。您能否讨论一些关于语音情感识别中性别偏见的影响的关键见解?

我们的论文重点介绍了建模方法和优化技术以及采样偏差。因此，必须进行更多的研究，以减轻机器学习和语音情感识别中的负面偏差。主要见解包括：

女性的语音往往比男性的语音音调更高，这导致谐波更为分散。

语音情感识别模型可能会受到这种差异的影响。这可能导致女性语音的准确性低于男性语音。

可以应用去偏差机器学习技术来减少这种准确性不平衡。在论文中，Cogito 引入了一种新颖的去偏差技术，它相对于基线表现得更好。

Cogito 如何运作以减轻不想要的性别或其他类型的偏差?

Cogito 使用自然语言处理（NLP）模型，该模型结合了人工智能系统、深度学习机器模型和其他复杂规则，以帮助计算机理解、分析和模拟人类语言。我们正在不断地使用新数据改进和发展我们的 NLP，以减轻偏差。

Cogito 有一个全面性的机器学习模型开发协议，旨在明确减轻偏差和确保机器学习（ML）-based 产品特性的道德性。该协议涵盖了诸如训练数据采样、人工标注偏差缓解和使用 ML 去偏差技术等领域。

Cogito 使用一个“公平性”数据集，包含大量音频数据，讲话者自我报告不同的人口统计类别。所有模型都针对公平性数据集和各种人口统计类别进行评估。我们还使用 ML Ops 技术来客观地监测生产环境中的模型，并使用人工标注来系统地进行模型审计。

您对 AI 不应该仅仅取代人类，而应该增强人类行为的个人观点是什么?

有很多人类可以做的事情和细微差别，人类可以在人际交往中提供，而像 AI 这样的技术无法单独模拟。例如，当客户联系客户支持时，他们希望收到同情。如果客户仅与由 AI 驱动的自动系统交互，他们的问题可能会得到解决，但他们可能会感到沮丧或对交互感到恼怒。如果我们用 AI 替换所有联系中心代理，我们将消除建立关系和实现和维持忠诚客户所必需的人类元素。

在服务交互中，人类重视与能够站在他们的角度、与他们经历过类似的事情的人交谈。同样，人类重视有人为他们解决问题并拥有解决方案的感觉。直到独立的 AI 被认为是真正的工具之前，还需要很长时间。

您是否还有其他关于 Cogito 的信息想要分享?

在 Cogito，我们正在开发下一代联系中心的新技术。今年早些时候，我们发布了员工体验（EX）评分，以跟踪代理的体验。与我们的客户体验（CX）评分类似，EX 评分结合了人工智能情感和对话 AI，实时提取单个实例或多个呼叫的趋势。面对高水平的不满、倦怠和离职率，EX 评分有助于解决如何预防倦怠和改善代理体验的问题，这反过来又推动了更好的客户体验和长期的业务可持续性。

感谢这次精彩的采访，希望了解更多的读者可以访问 Cogito。