Ashish Nagar, CEO & Pendiri Level AI – Wawancara Seri
Ashish Nagar adalah CEO dan pendiri Level AI, membawa pengalamannya di Amazon di tim Alexa untuk menggunakan kecerdasan buatan untuk mengubah operasi pusat kontak. Dengan latar belakang yang kuat dalam teknologi dan kewirausahaan, Ashish telah berperan penting dalam mendorong misi perusahaan untuk meningkatkan efisiensi dan efektivitas interaksi layanan pelanggan melalui solusi kecerdasan buatan canggih. Di bawah kepemimpinannya, Level AI telah menjadi pemain kunci dalam ruang pusat kontak yang didorong kecerdasan buatan, dikenal karena produk-produk canggihnya dan implementasi kecerdasan buatan yang superior.
Apa yang menginspirasi Anda untuk meninggalkan Amazon dan memulai Level AI? Dapatkah Anda berbagi titik-titik rasa sakit khusus dalam layanan pelanggan yang ingin Anda tangani dengan teknologi Anda?
Latar belakang saya adalah membangun produk di persimpangan teknologi dan bisnis. Meskipun saya memiliki gelar sarjana dalam Fisika Terapan, pekerjaan saya secara konsisten difokuskan pada peran produk dan memulai, meluncurkan, dan membangun bisnis baru. Gairah saya terhadap teknologi dan bisnis membawa saya ke kecerdasan buatan.
Saya mulai bekerja di bidang kecerdasan buatan pada tahun 2014, ketika kami sedang membangun perusahaan pencarian seluler generasi berikutnya bernama Rel C, yang mirip dengan apa yang Perplexity AI lakukan saat ini. Pengalaman itu memicu perjalanan saya ke perangkat lunak kecerdasan buatan, dan akhirnya, perusahaan itu diakuisisi oleh Amazon. Di Amazon, saya adalah pemimpin produk di tim Alexa, terus mencari peluang untuk menangani masalah kecerdasan buatan yang lebih kompleks.
Pada tahun terakhir saya di Amazon, pada tahun 2018, saya bekerja pada proyek yang kami sebut “Star Trek computer,” terinspirasi oleh waralaba fiksi ilmiah terkenal itu. Tujuannya adalah mengembangkan komputer yang bisa memahami dan merespons pertanyaan apa pun yang Anda ajukan padanya. Proyek ini dikenal sebagai Alexa Prize, bertujuan untuk memungkinkan siapa pun untuk melakukan percakapan selama 20 menit dengan Alexa tentang topik sosial apa pun. Saya memimpin tim sekitar 10 ilmuwan, dan kami meluncurkannya sebagai tantangan kecerdasan buatan global. Saya bekerja sama dengan para pemikir terkemuka dari lembaga seperti MIT, CMU, Stanford, dan Oxford. Satu hal menjadi jelas: pada saat itu, belum ada yang bisa sepenuhnya menyelesaikan masalah tersebut.
Bahkan saat itu, saya bisa merasakan gelombang inovasi yang akan membuat hal ini mungkin. Pada tahun 2024, teknologi seperti ChatGPT sekarang melakukan banyak dari apa yang kami bayangkan. Ada kemajuan pesat dalam pemrosesan bahasa alami dengan perusahaan-perusahaan seperti Amazon, Google, OpenAI, dan Microsoft membangun model-model besar dan infrastruktur yang mendasarinya. Tetapi mereka tidak selalu menangani alur kerja end-to-end. Kami mengenali kesenjangan ini dan ingin mengatasinya.
Produk pertama kami bukanlah solusi layanan pelanggan; itu adalah asisten suara untuk pekerja garis depan, seperti teknisi dan karyawan toko ritel. Kami mengumpulkan $2 juta dalam pendanaan awal dan menunjukkan produk tersebut kepada pelanggan potensial. Mereka dengan sangat mendesak meminta kami menyesuaikan teknologi untuk pusat kontak, di mana mereka sudah memiliki aliran suara dan data tetapi kurang arsitektur kecerdasan buatan generatif modern. Ini membuat kami menyadari bahwa perusahaan-perusahaan yang ada di ruang ini terjebak di masa lalu, bergumul dengan dilema inovator klasik tentang apakah harus mengubah sistem warisan mereka atau membangun sesuatu yang baru. Kami mulai dari awal dan membangun platform layanan otomatisasi dan kecerdasan pengalaman pelanggan pertama yang asli berbasis model bahasa besar (LLM).
Minat saya yang mendalam dalam kompleksitas bahasa manusia dan seberapa sulitnya untuk memecahkan masalah ini dari sudut pandang rekayasa komputer, memainkan peran penting dalam pendekatan kami. Kemampuan kecerdasan buatan untuk memahami ucapan manusia sangat penting, terutama untuk industri pusat kontak. Misalnya, menggunakan Siri sering kali mengungkapkan seberapa sulitnya bagi kecerdasan buatan untuk memahami maksud dan konteks dalam bahasa manusia. Bahkan pertanyaan sederhana dapat membuat kecerdasan buatan bingung untuk menginterpretasikan apa yang Anda tanyakan.
Kecerdasan buatan mengalami kesulitan dalam memahami maksud, mempertahankan konteks selama percakapan panjang, dan memiliki pengetahuan yang relevan tentang dunia. Bahkan ChatGPT memiliki keterbatasan dalam hal ini. Misalnya, mungkin tidak tahu berita terbaru atau memahami pergeseran topik dalam percakapan. Tantangan-tantangan ini relevan langsung dengan layanan pelanggan, di mana percakapan sering melibatkan beberapa topik dan memerlukan kecerdasan buatan untuk memahami pengetahuan tertentu yang terkait dengan domain tersebut.
Kami mengatasi tantangan-tantangan ini dalam platform kami, yang dirancang untuk menangani kompleksitas bahasa manusia dalam lingkungan layanan pelanggan.
Teknologi NLU Level AI melampaui pencocokan kata kunci dasar. Bisakah Anda menjelaskan bagaimana kecerdasan buatan Anda memahami maksud pelanggan yang lebih dalam dan manfaat yang dibawa ini untuk layanan pelanggan? Bagaimana Level AI memastikan akurasi dan keandalan sistem AI-nya, terutama dalam memahami interaksi pelanggan yang halus?
Kami memiliki enam atau tujuh saluran AI yang berbeda yang disesuaikan dengan tugas tertentu, tergantung pada pekerjaan yang sedang berlangsung. Misalnya, satu alur kerja mungkin melibatkan mengidentifikasi pendorong panggilan dan memahami masalah yang dialami pelanggan dengan produk atau layanan, yang kami sebut sebagai “suara pelanggan.” Yang lain mungkin adalah penilaian otomatis dari scorecard kualitas untuk mengevaluasi kinerja agen. Setiap alur kerja atau layanan memiliki saluran AI sendiri, tetapi teknologi yang mendasarinya tetap sama.
Untuk membuat analogi, teknologi yang kami gunakan didasarkan pada LLM yang mirip dengan teknologi di balik ChatGPT dan alat kecerdasan buatan generatif lainnya. Namun, kami menggunakan LLM khusus layanan pelanggan yang kami latih di dalam rumah untuk alur kerja khusus ini. Ini memungkinkan kami mencapai lebih dari 85% akurasi dalam beberapa hari setelah penambahan pelanggan baru, menghasilkan waktu pemulihan yang lebih cepat, layanan profesional minimal, dan akurasi, keamanan, dan kepercayaan yang tak tertandingi.
Model-model kami memiliki keahlian khusus yang dalam dalam layanan pelanggan. Paradigma lama melibatkan menganalisis percakapan dengan mengambil kata kunci atau frasa seperti “batalkan akun saya” atau “saya tidak senang.” Tetapi solusi kami tidak bergantung pada menangkap semua variasi frasa yang mungkin. Sebaliknya, kami menerapkan kecerdasan buatan untuk memahami maksud di balik pertanyaan, membuatnya jauh lebih cepat dan efisien.
Misalnya, jika seseorang mengatakan, “Saya ingin membatalkan akun saya,” ada banyak cara yang mungkin mereka ungkapkan itu, seperti “Saya sudah selesai dengan kalian” atau “Saya beralih ke orang lain.” Kecerdasan buatan kami memahami maksud pertanyaan dan mengaitkannya kembali ke konteks, itulah sebabnya perangkat lunak kami lebih cepat dan lebih akurat.
Sebuah analogi yang membantu adalah kecerdasan buatan lama sama seperti buku aturan – Anda akan membangun buku aturan yang kaku, dengan pernyataan if-then-else, yang tidak fleksibel dan selalu membutuhkan pemeliharaan. Kecerdasan buatan baru, di sisi lain, mirip dengan otak dinamis atau sistem pembelajaran. Dengan hanya beberapa poin acuan, ia secara dinamis belajar konteks dan maksud, terus meningkat secara langsung. Buku aturan memiliki cakupan yang terbatas dan mudah rusak ketika sesuatu tidak sesuai dengan aturan yang telah ditentukan sebelumnya, sementara sistem pembelajaran dinamis terus berkembang, tumbuh, dan memiliki dampak yang jauh lebih luas.
Contoh bagus dari sudut pandang pelanggan adalah merek e-commerce besar. Mereka memiliki ribuan produk, dan tidak mungkin untuk selalu mengikuti pembaruan konstan. Namun, kecerdasan buatan kami dapat memahami konteks, seperti apakah Anda sedang membicarakan sofa tertentu, tanpa perlu terus-menerus memperbarui scorecard atau rubrik dengan setiap produk baru.
Apa tantangan utama dalam mengintegrasikan teknologi Level AI dengan sistem layanan pelanggan yang sudah ada, dan bagaimana Anda mengatasinya?
Level AI adalah platform kecerdasan pengalaman pelanggan dan otomatisasi layanan. Sebagai platform ini, kami berintegrasi dengan sebagian besar perangkat lunak CX di industri, baik itu CRM, CCaaS, survei, atau solusi peralatan lainnya. Ini membuat kami menjadi pusat utama, mengumpulkan data dari semua sumber ini dan berfungsi sebagai lapisan kecerdasan di atasnya.
Namun, tantangannya adalah bahwa beberapa sistem ini didasarkan pada teknologi non-cloud, on-premise, atau bahkan teknologi cloud yang tidak memiliki API atau integrasi data yang bersih. Kami bekerja sama dengan pelanggan kami untuk mengatasi ini, meskipun 80% integrasi kami sekarang berbasis cloud atau API-native, memungkinkan kami berintegrasi dengan cepat.
Bagaimana Level AI menyediakan kecerdasan real-time dan wawasan yang dapat dijalankan untuk agen layanan pelanggan? Bisakah Anda berbagi beberapa contoh bagaimana ini telah meningkatkan interaksi pelanggan?
Ada tiga jenis kecerdasan real-time dan wawasan yang dapat dijalankan yang kami sediakan kepada pelanggan kami:
1. Otomatisasi Alur Kerja Manual: Para agen layanan sering memiliki waktu terbatas (6 hingga 9 menit) dan beberapa tugas manual. Level AI mengotomatisasi tugas-tugas membosankan seperti mencatat selama dan setelah percakapan, menghasilkan ringkasan yang disesuaikan untuk setiap pelanggan. Ini telah menghemat waktu penanganan panggilan pelanggan kami sebesar 10 hingga 25%, mengarah pada lebih efisiensi.
2. CX Copilot untuk Agen Layanan: Agen layanan menghadapi tingkat pergantian yang tinggi dan tantangan pelatihan. Bayangkan diturunkan ke pusat kontak tanpa mengetahui kebijakan perusahaan. Level AI bertindak sebagai kecerdasan buatan ahli yang duduk di samping agen, mendengarkan percakapan, dan menawarkan bimbingan real-time. Ini termasuk menangani keberatan, memberikan pengetahuan, dan menawarkan transkripsi cerdas. Kemampuan ini telah membantu pelanggan kami untuk memasukkan dan melatih agen layanan 30 hingga 50% lebih cepat.
3. Manager Copilot: Fitur unik ini memberikan manajer visibilitas real-time tentang bagaimana tim mereka berperforma. Level AI memberikan wawasan detik demi detik ke dalam percakapan, memungkinkan manajer untuk campur tangan, mendeteksi sentimen dan maksud, dan mendukung agen secara real-time. Hal ini telah meningkatkan produktivitas agen sebesar 10 hingga 15% dan meningkatkan kepuasan agen, yang penting untuk mengurangi biaya. Misalnya, jika seorang pelanggan mulai mengutuk agen, sistem akan menandainya, dan manajer dapat mengambil alih panggilan atau memberikan panduan secara diam-diam kepada agen. Intervensi real-time seperti itu tidak mungkin dilakukan tanpa teknologi ini.
Dapatkah Anda menjelaskan bagaimana analisis sentimen Level AI bekerja dan bagaimana ini membantu agen merespons pelanggan dengan lebih efektif?
Analisis sentimen kami mendeteksi tujuh emosi berbeda, mulai dari frustrasi ekstrim hingga kegembiraan, memungkinkan kami untuk mengukur tingkat emosi yang bervariasi yang berkontribusi pada skor sentimen keseluruhan kami. Analisis ini mempertimbangkan baik kata-kata yang diucapkan maupun nada percakapan. Namun, kami menemukan melalui percobaan kami bahwa kata-kata yang diucapkan memiliki peran yang jauh lebih signifikan daripada nada. Anda bisa mengatakan hal-hal paling buruk dengan nada datar atau hal-hal yang sangat baik dengan nada aneh.
Kami menyediakan skor sentimen dalam skala 1 hingga 10, dengan 1 menunjukkan sentimen yang sangat negatif dan 10 menunjukkan sentimen yang sangat positif. Kami menganalisis 100% percakapan pelanggan kami, menawarkan wawasan yang mendalam tentang interaksi pelanggan.
Pemahaman kontekstual juga kritis. Misalnya, jika panggilan dimulai dengan sentimen yang sangat negatif tetapi berakhir dengan positif, bahkan jika 80% panggilan tersebut negatif, interaksi secara keseluruhan dianggap positif. Hal ini karena pelanggan mulai marah, agen menyelesaikan masalah, dan pelanggan pergi puas. Di sisi lain, jika panggilan dimulai dengan positif tetapi berakhir negatif, itu cerita yang berbeda, meskipun 80% panggilan mungkin positif.
Analisis ini membantu tanto agen maupun manajer untuk mengidentifikasi area pelatihan, fokus pada tindakan yang berkorelasi dengan sentimen positif, seperti menyapa pelanggan, mengakui kekhawatiran mereka, dan menunjukkan empati – elemen yang sangat penting untuk interaksi yang sukses.
Bagaimana Level AI mengatasi kekhawatiran privasi dan keamanan data, terutama mengingat sifat sensitif interaksi pelanggan?
Sejak awal, kami telah memprioritaskan keamanan dan privasi. Kami membangun sistem kami dengan keamanan dan privasi tingkat perusahaan sebagai prinsip inti. Kami tidak mengalihkan kemampuan kecerdasan buatan generatif kami ke vendor pihak ketiga. Semuanya dikembangkan di dalam rumah, memungkinkan kami melatih model AI khusus pelanggan tanpa berbagi data di luar lingkungan kami. Kami juga menawarkan kustomisasi yang luas, memungkinkan pelanggan memiliki model AI mereka sendiri tanpa berbagi data di seluruh bagian berbeda dari jalur data kami.
Untuk mengatasi kekhawatiran privasi dan keamanan data tertentu industri saat ini, data kami tidak digunakan oleh model eksternal untuk pelatihan. Kami tidak membiarkan model kami dipengaruhi oleh data yang dihasilkan kecerdasan buatan dari sumber lain. Pendekatan ini mencegah masalah yang dihadapi beberapa model kecerdasan buatan, di mana dilatih dengan data yang dihasilkan kecerdasan buatan menyebabkan mereka kehilangan akurasi. Di Level AI, semuanya adalah first-party, dan kami tidak membagikan atau menarik data secara eksternal.
Dengan pendanaan Seri C terbaru sebesar $39,4 juta, apa rencana Anda untuk memperluas platform Level AI dan mencapai segmen pelanggan baru?
Investasi Seri C akan memperkuat pertumbuhan strategis dan inisiatif inovasi kami di area penting, termasuk pengembangan produk, peningkatan teknik, dan upaya penelitian dan pengembangan yang ketat. Kami bertujuan merekrut bakat kelas atas di semua tingkatan organisasi, memungkinkan kami untuk terus memimpin teknologi terkemuka dalam industri yang melampaui harapan klien dan memenuhi tuntutan pasar yang dinamis.
Bagaimana Anda melihat peran kecerdasan buatan dalam mentransformasi layanan pelanggan dalam dekade mendatang?
Meskipun fokus umum seringkali pada aspek otomatisasi – memprediksi masa depan di mana bot menangani semua layanan pelanggan