阿洛里卡（Alorica）联合首席执行官迈克·克利夫顿（Mike Clifton）- 采访系列

迈克·克利夫顿 是阿洛里卡（Alorica）的联合首席执行官，阿洛里卡是一家全球领先的数字化客户体验（CX）公司。在这个职位上，迈克负责公司的数字化转型战略，包括其屡获殊荣的AI产品，以便在各个渠道（语音、聊天、网页等）和行业中为《财富》500强品牌提供最佳的客户体验。凭借在数字化创新、AI和企业技术方面的丰富经验和专业知识，迈克在整合可扩展的技术解决方案以满足不断变化的市场需求方面有着成功的记录，从而推动了盈利增长。

阿洛里卡 是客户体验和商业流程外包的全球领先者，为银行、医疗保健、零售和电信等行业提供技术驱动的、以人为本的解决方案。凭借17个以上国家的10万多名员工，公司每年管理着数十亿次交互，支持75多种语言，提供包括联系中心、分析、AI解决方案、内容审查和后台运营在内的服务，所有这些服务都旨在为客户带来可衡量的成果。

行业正在向增强型自动化转变——阿洛里卡的战略如何反映这种混合模式？

阿洛里卡的战略通过专注于使用AI工具增强人工代理的性能，而不是取代他们，来反映这种混合模式。这种方法确保人类仍然是客户交互的核心，得到了先进技术的支持，以提高效率和有效性。

例如，阿洛里卡推出了多个高级解决方案，例如 evoAI、知识IQ、数字信任和安全模型 和 CX2GO。这些工具旨在通过提供实时、上下文感知的交互来增强人工代理的性能，这些交互可以提高知识管理并确保数字信任和安全。

通过整合提供情感智能和上下文感知交互的AI工具，跨多种语言，响应时间不到一秒，阿洛里卡使代理能够为客户提供个性化和高效的支持。这种实时响应转化为更好的客户成果。

总体而言，阿洛里卡的战略强调了人工代理的重要性，同时利用AI来增强他们的能力，反映了行业向增强型自动化的转变。

您能分享一些AI放大人工代理性能而不是取代它的具体例子吗？

在我们提供的服务中，有很多放大例子。一个例子是代理能够与知识引擎交互，知识引擎可以实时聆听语音并将其转化为自动响应引擎，提示需要帮助；这是一个强大的、预防性的工具，我们在许多解决方案中使用过。另一个例子是使用对话式AI引擎来增强我们训练代理处理最困难的客户场景的能力。通过运行AI驱动的模拟实时交互，我们减少压力，模型不断学习——当代理获得更多经验时，更新代理关于情绪和同理心的信息。

您如何跟踪这些AI工具的性能影响——例如，首次联系解决、处理时间或代理效率？

在增强型使用中，AI工具的跟踪完全基于分配给代理的指标，就像没有工具一样。区别在于能够处理更多呼叫，满意度更高，并且能够更好地预测工作人员策略，因为我们有来自模型的可靠数据。

您今年推出了几款高级解决方案，包括evoAI、知识IQ、数字信任和安全模型以及CX2GO。您认为哪一个对代理有最直接的“超级”影响，为什么？

我们内部使用evoAI使代理能够利用模拟呼叫进行更高程度的环境意识培训，对代理产生了最大的影响。其次是知识IQ，它增强了代理找到正确答案的能力。这些两个都成为我们员工的游戏规则改变者，彻底改变了我们的代理如何快速、准确地解决客户的需求。

从机器学习的角度来看，您的模型如何保持准确性和适应性，以应对不断变化的客户需求、语言和市场条件？

为了保持准确性和适应性，以应对不断变化的客户需求、语言和市场条件，我们的机器学习模型不断接受训练和改进。

以下是我们采用的关键策略：

• 持续学习：我们的模型设计为持续学习。这种方法涉及定期更新训练数据集，包括最近的交互、反馈和市场趋势。通过纳入最新的信息，我们的模型可以适应不断变化的客户偏好和新兴的市场条件。
• 多样化的数据来源：我们使用广泛的数据来源来训练我们的模型，包括客户交互、社交媒体、市场报告等。这种多样性确保我们的模型接触到各种场景和语言细微差别，增强了它们的理解和响应能力。
• 反馈循环：我们实施了强大的反馈循环，客户交互和代理输入被用来微调模型。这种实时反馈有助于识别和纠正不准确之处，因此模型保持相关性和有效性。
• 多语言能力：我们的模型在多语言数据集上进行训练，以处理多种语言的交互。这种能力对于提供准确、本地化和上下文感知的响应至关重要，以满足全球客户的需求。
• 定期审计和评估：我们定期对模型进行审计和评估，以评估其性能。这种评估包括使用基准数据集和现实世界场景来测试模型，以确保它们满足准确性和适应性标准。
• 人机协同：我们保持人机协同的方法，人工代理与AI合作以管理复杂的查询。这种混合模型确保技术从人类专业知识中学习，并随着时间的推移提高其性能。
• 利用较小的语言模型：训练垂直定向的较小模型（通过混合或集成方法）以及商业可用的LLM，可以实现计算、搜索和响应时间的效率，同时缩短偏差和公平性测试周期。

这些策略使我们的机器学习模型保持准确、适应性强，并能够在动态环境中提供高质量的客户体验。

evoAI 提供跨120多种语言的、情感智能和上下文感知的交互，响应时间不到一秒。这种实时响应如何转化为代理支持和客户成果？

evoAI通过以下几种方式为代理提供更好的支持和改善客户成果：

• 性能：上下文感知的交互有助于快速找到和整理大量信息，以响应代理查询。
• 个性化：提供多语言适应性，允许在实时选择输入和输出语言以满足任何提示。例如，客户用英语询问并要求用法语响应，以便他们的父母可以理解。
• 效率：减少响应时间，通常消除了人工响应的需要。
• 情感智能：使代理能够根据情况意识（语气、情绪和词语选择）调整选项，实现更快的升级。

随着代理AI的兴起，您如何管理诸如幻觉、偏差或失去控制等风险，同时确保代理保持决策者？

在阿洛里卡，我们相信正确的技术架构可以带来巨大的不同。因此，管理代理AI的风险需要一个多层次的治理框架，我们将其融入到我们AI运营的每个层面。

以下是我们解决每个关键风险的方法：

• 幻觉缓解：我们采用三层验证系统来最小化幻觉。首先，我们的模型使用检索增强生成（RAG），该方法将响应基于经过验证的知识库和实时数据源，减少了虚构信息的可能性。其次，我们在所有AI生成的建议上实施置信度评分，响应时间低于80%的置信度阈值会触发自动人工审查。第三，我们的模型被限制在特定于每个客户业务规则和事实域的定义参数空间内——AI无法生成有关产品、政策或程序的信息，除非这些信息在训练数据中被明确记录。
• 偏差检测和预防：我们的偏差管理策略在整个AI生命周期中运作。在模型训练期间，我们使用对抗性去偏方法和公平感知学习算法来主动抵消训练数据中的历史偏差。我们在受保护类别中保持人口统计学平衡度量，并每月进行审计，使用公平性指标和差异影响评估。我们的模型经过使用合成数据进行测试，这些数据旨在揭示不同人口、语言和文化背景中的偏差。当检测到偏差时，我们采用有针对性的重新训练平衡数据集，并调整模型权重以确保公平的结果。重要的是，我们保持透明的报告，跟踪偏差度量随时间的变化，允许客户看到我们的模型在不同人群中的表现如何。
• 维持人工控制：人工代理通过我们的“AI作为顾问”架构保持最终的决策者。AI系统提供带有可解释性功能的建议——代理可以看到为什么AI建议采取特定行动，考虑了哪些因素，以及哪些替代方案存在。我们实施了硬性停止，AI无法自主执行某些操作——财务交易、合同修改、法律承诺或健康相关建议始终需要人工授权。我们的升级协议会自动将复杂或高风险场景路由到高级代理或主管，当AI检测到超出其能力范围的情况时。
• 持续监控和杀死开关：每次AI交互都会被记录和监控，通过我们的模型性能观测台，实时跟踪偏离预期行为。我们保持即时回滚能力和“杀死开关”在多个层面——个别模型组件、整个模型或系统范围的AI功能可以在几秒内被禁用，如果检测到异常行为。我们的漂移检测算法不断比较模型输出与人类专家决策，标记偏差以供审查。
• 人机协同验证：我们设计了反馈循环，代理在每次交互后评估AI建议，创建一个持续学习系统，适应人类专业知识。我们的顶级代理参加每周的校准会议，他们审查边缘情况并帮助完善AI的决策边界。这种协同智能模型使人类判断不断塑造和约束AI行为。
• 问责和审计跟踪：每个AI影响的决策都保持一个完整的审计跟踪，显示AI的建议、置信度、使用的数据源和人工代理的最终决策。这种方法确保问责，并允许我们根据结果不断改进我们的模型。定期的第三方审计验证我们的风险管理实践是否符合行业标准和监管要求。

通过实施这些综合保障措施，我们确保我们的代理AI系统增强人类能力，同时保持人类代理、道德标准和运营控制。

您如何处理模型重新训练和持续学习，以确保您的AI系统保持与合规性要求和客户情感细微差别的一致性？

阿洛里卡的模型重新训练和持续学习方法建立在一个强大的MLOps框架上，该框架平衡了监管合规性和客户体验优化。

我们实施了一个多层次的重新训练架构，按照不同的时间表运行。我们的合规性关键模型每天进行漂移检测和每周进行性能审计，并在监管变化发生时自动触发重新训练。对于客户情感模型，我们利用实时反馈循环，捕获代理更正和客户满意度评分，并每72小时将这些信息输入我们的训练管道。

我们的专有合规性智能层作为一个防护系统，自动验证模型输出以符合特定于每个地理区域的监管框架。该层通过我们的法律技术合作伙伴和监管信息源不断更新，确保我们的AI系统在不需要人工干预的情况下保持合规。

对于情感细微差别，我们开发了“文化背景嵌入”（cultural context embeddings），这是阿洛里卡创新孵化器的一部分。这些是针对特定区域的精细模型，能够理解不仅仅是语言，还包括文化沟通模式。例如，我们的模型认识到直接性水平在德国和日本客户交互中有显著差异，并相应地调整情感评分。

我们保持版本化的模型注册表，具有完整的回滚能力，允许我们在新训练引入意外行为时立即恢复到以前的版本。我们的A/B测试框架持续运行，比较新的模型版本与生产基准，跨越数千次交互，然后进行全面的部署。

最重要的是，我们建立了一个人类反馈集成协议，我们的顶级代理定期审查边缘情况并提供纠正反馈，创建一个人类专业知识不断增强我们AI能力的良性循环。这种方法已经将合规性违规减少了94%，同时提高了情感检测的准确性，达到92%，支持所有语言。

随着您在印度、埃及和EMEA等市场的快速扩张，您如何根据这些地区的语言和文化需求量身定制您的AI-人工方法？

我们认为本地化不仅仅是语言问题，而是文化问题。

我们的AI平台，如evoAI和ReVoLT，针对数百种语言和方言进行了调整，可以实时捕捉语气、细微差别和上下文。然而，我们不仅仅依靠技术。我们从每个地区招聘人才，培训团队以满足文化期望，并根据当地规范调整我们的服务设计。这种混合模型确保每次交互都感觉像是为该市场量身定做的。

在印度，我们支持75种官方语言和众多方言，我们部署了语言网架构（Linguistic Mesh Architecture），它不仅可以翻译，还可以在代码切换场景中保持上下文——客户自然地混合使用印地语、英语和区域语言进行对话。我们的模型是在二级和三级城市的实际对话模式上训练的，而不仅仅是大城市，确保我们捕捉到了整个沟通风格的范围。

对于我们的埃及业务，服务于更广泛的中东和北非地区，我们开发了阿拉伯语方言特定的模型，可以区分埃及阿拉伯语、海湾阿拉伯语和黎凡特阿拉伯语，并具有正式（Fusha）和非正式（Ammiya）语言的特殊处理。我们的AI理解客户从正式阿拉伯语切换到非正式阿拉伯语作为情感线索，触发代理在实时内进行文化礼貌模式的调整。

在EMEA市场，我们实施了“监管优先的AI设计”（Regulatory-First AI Design）。每个国家的部署都包含预配置的合规模块——从德国的严格数据本地化要求到法国的语言保护法，要求法语作为首选接口。我们的模型不仅训练了语言，还训练了当地的商业礼仪；例如，我们的德国部署强调精确性和详细的文档，而我们的意大利模型允许更具对话性的灵活性。

技术基础是我们在阿洛里卡创新孵化器（Alorica IQ）内的联邦学习框架（Federated Learning Framework），在该框架中，局部模型从区域数据中学习，而无需将数据离开该国，确保数据主权，同时仍然能够从全球模型改进中受益。我们在每个地区维护区域GPU集群，以确保代理辅助的实时响应时间少于100毫秒。

我们的文化智能团队由每个地区的语言学家和行为科学家组成，不断验证我们的AI输出。他们帮助我们确定了超过3,000个需要特殊处理的文化特定场景——从影响服务可用性的宗教习俗到影响对话流程的本地支付偏好。

这种方法已经带来了显著的成果：我们的印度业务使用文化适应的AI显示客户满意度评分（CSAT）提高了40%，而我们的EMEA部署已经实现了98%的首次联系解决率，针对语言特定的查询。

evoAI如何认识和适应区域方言和情感线索，以推动新市场的采用？

采用加速时，人们会感到技术“理解”了他们。evoAI超越了逐字翻译，实时理解俚语、口音，甚至情感基调。

evoAI先进的方言和情感识别能力已经成为我们在新市场渗透中的主要竞争优势，直接解决了AI采用中经常存在的信任差距。

从技术角度来看，evoAI采用了我们的专有声学语言融合模型（Acoustic-Linguistic Fusion Model），该模型同时处理语音模式、韵律特征和语义内容。这种三模式方法使我们能够检测到跨文化不同的微妙情感状态。例如，在日本市场，我们可以通过微妙的音调和语速变化检测“honne”和“tatemae”（真实感受和公开面具），而在中东市场，我们可以通过特定的短语构造和强调模式识别荣誉耻辱动态。

我们的方言识别不仅仅是口音检测。evoAI维护动态方言地图，了解嵌入在语音模式中的社会经济指标。例如，在印度，我们的系统不仅可以识别某人是否说泰米尔语或泰卢固语，还可以识别他们的教育背景和城市或农村起源，允许代理相应地调整他们的沟通风格。这种细致的理解已经被证明可以在试点计划中将客户信任评分提高67%。

情感智能层使用我们的上下文情感图（Contextual Emotion Graph）技术，映射整个对话中的情感轨迹，而不仅仅是点时的情感。这种方法使evoAI能够在30秒内以89%的准确率预测情感升级，为代理提供了足够的时间来使用特定于该文化的冲突解决偏好的升级技术。

对于新市场的采用，我们的信息行动实验室（info action lab）有一个“渐进式本地化”（Progressive Localization）策略，通过阿洛里卡创新孵化器（Alorica IQ）。我们从目标市场的媒体内容、社交媒体和公共话语中训练的基础模型开始。在部署的前30天内，evoAI将通过我们的主动学习管道适应本地客户模式，该管道优先考虑具有最高情感变异性的对话。到第90天，我们的模型应该能够以95%的准确率识别方言和88%的情感状态检测准确率。

业务影响将是巨大的。我们的研究表明，埃及的部署，具有evoAI识别和响应开罗和亚历山大方言的能力，结合适当的文化礼貌模式，将典型的6个月市场渗透时间缩短到仅8周。客户获取成本可能会降低多达45%，因为口碑推荐会增加，自然、文化意识的交互会增加。

evoAI的情感适应能力将能够开启全新的服务类别。例如，我们已经假设，evoAI驱动的精神健康支持服务可以识别抑郁和焦虑的早期标志，基于自然表达模式，实现及时的干预和升级到我们的健康和保健团队——确保代理的福祉始终是优先考虑的。

这种技术优势直接转化为市场采用：使用evoAI的全部方言和情感能力的地区显示采用率加快了3.2倍，代理满意度评分提高了78%，因为他们在处理文化复杂的交互时感到更加自信。

展望2025年之后，您认为人工智能在客户体验中的下一个前沿是什么？

下一个前沿是对话式AI、代理AI和神经网络的融合，来编排以前未曾想到的结果。这种方法将重新定义我们做业务的方式。编排不再是人与机器，而是机器与机器或同时与成千上万台机器的交互。

想象一下您正在计划一场商务旅行：访问一个网站选择航空公司，预订酒店，安排交通，预订晚餐，规划返回。这种情景是提示一次，让由神经网络驱动的集成机器人处理所有可用的选项，并为您提供多个选择。这种模型中，编排是神经网络驱动的，代理AI驱动机器人，交互是响应。

感谢这次精彩的采访，希望了解更多的读者可以访问阿洛里卡。