Observe.ai revela LLM de contact center de 30 bilhões de parâmetros e um conjunto de produtos de IA generativos

A plataforma de inteligência de conversação Observe.ai apresentou hoje seu modelo de linguagem grande (LLM) para contact center, com capacidade de 30 bilhões de parâmetros, junto com um conjunto de IA generativo projetado para melhorar o desempenho do agente. A empresa afirma que, em contraste com modelos como o GPT, seu LLM proprietário é treinado em um vasto conjunto de dados de interações reais de contact centers.

Embora algumas ofertas semelhantes tenham sido anunciadas recentemente, Observe.ai enfatizou que o valor distintivo do seu modelo reside na calibração e no controle que ele fornece aos usuários. A plataforma permite que os usuários ajustem e personalizem o modelo para atender aos requisitos específicos do contact center.

A empresa disse que seu LLM passou por treinamento especializado em vários conjuntos de dados de contact center, equipando-o para lidar com diversas tarefas baseadas em IA (resumo de chamadas, controle de qualidade automatizado, coaching, etc.) personalizadas para equipes de contact center.

Com seus recursos de LLM, o conjunto de IA generativa do Observe.ai se esforça para aumentar o desempenho do agente em todas as interações com o cliente: chamadas telefônicas e bate-papos, dúvidas, reclamações e conversas diárias que as equipes do contact center gerenciam.

Observe.AI acredita que esses recursos capacitarão os agentes a fornecer melhores experiências ao cliente.

“Nosso LLM passou por treinamento extensivo em um conjunto de dados de domínio específico de interações de contact center. O processo de treinamento envolveu a utilização de um corpus substancial de pontos de dados extraídos de centenas de milhões de conversas que o Observe.ai processou nos últimos cinco anos”, disse Swapnil Jain, CEO do Observe.AI, ao VentureBeat.

Jain enfatizou a importância da qualidade e relevância no conjunto de dados de instruções, que incluía centenas de instruções selecionadas em diversas tarefas diretamente aplicáveis ​​a casos de uso de contact centers.

Esta abordagem meticulosa à curadoria de conjuntos de dados, disse ele, melhorou a capacidade do LLM de fornecer as respostas precisas e contextualmente apropriadas que a indústria exige.

De acordo com a empresa, seu contact center LLM superou o GPT-3.5 nos benchmarks iniciais, mostrando um aumento de 35% na precisão no resumo de conversas e uma melhoria de 33% na análise de sentimento. Jain disse que esses números deverão melhorar ainda mais por meio do treinamento contínuo.

Além disso, o LLM passou por treinamento exclusivamente sobre dados redigidos, garantindo a ausência de informações de identificação pessoal (PII). Observe.AI destaca o uso de técnicas de redação para priorizar a privacidade dos dados do cliente e, ao mesmo tempo, aproveitar os recursos da IA ​​generativa.

Eliminando alucinações para fornecer insights e contexto precisos

De acordo com Jain, a adoção generalizada da IA ​​generativa estimulou aproximadamente 70% das empresas de diversos setores a explorar os seus benefícios potenciais, especialmente em áreas como a experiência do cliente, retenção e crescimento de receitas. Os líderes de contact centers estão entre os adotantes entusiasmados e ansiosos por aproveitar essas tecnologias transformadoras.

No entanto, apesar da sua promessa, Jain acredita que os LLMs genéricos enfrentam desafios que impedem a sua eficácia nos contact centers.

Estes desafios incluem a falta de especificidade e controlo, a incapacidade de distinguir entre respostas corretas e incorretas e uma proficiência limitada na compreensão da conversa humana e dos contextos do mundo real. Consequentemente, ele disse que estes modelos genéricos, incluindo o GPT, muitas vezes produzem imprecisões e confabulações, também conhecidas como “alucinações”, tornando-os inadequados para ambientes empresariais.

“Os modelos genéricos são treinados em dados abertos da Internet. Portanto, esses modelos não aprendem as nuances da conversa humana falada (disfluências de pensamento, repetições, frases quebradas, etc.) e também enfrentam erros de transcrição devido aos modelos de fala para texto”, disse Jain. “Portanto, eles podem ser bons para tarefas gerais, como resumir uma conversa, mas perdem o contexto relevante para conversas dentro do contact center”.

Jain explicou que sua empresa enfrentou esses desafios incorporando cinco anos de dados pertinentes e bem processados ​​em seu modelo. Ela reuniu esses dados de centenas de milhões de interações com clientes para treinar o modelo em tarefas específicas do contact center.

“Temos uma compreensão precisa e diferenciada de como são as experiências ‘bem-sucedidas’ do cliente em contextos do mundo real. Nossos clientes podem refinar ainda mais e adaptar isso às necessidades exclusivas de seus negócios”, disse Jain. “Nossa abordagem fornece uma estrutura completa para os contact centers calibrarem a máquina e verificarem se os resultados reais estão alinhados com suas expectativas. Esta é a natureza de um modelo de IA de ‘caixa de vidro’ que oferece total transparência e gera confiança no sistema.”

O novo conjunto de IA generativa da empresa capacita os agentes durante todo o ciclo de vida de interação com o cliente, acrescentou.

O recurso Knowledge AI facilita respostas rápidas e precisas às dúvidas dos clientes, eliminando pesquisas manuais em diversas bases de conhecimento internas e perguntas frequentes; enquanto o recurso Resumo Automático permite que os agentes se concentrem no cliente, reduzindo as tarefas pós-chamada e garantindo a qualidade e a consistência das notas da chamada.

A ferramenta Auto Coaching fornece feedback personalizado e baseado em evidências aos agentes imediatamente após a conclusão de uma interação com o cliente. Isso facilita o aprimoramento de habilidades e visa aprimorar a experiência de aprendizagem dos agentes, complementando suas sessões regulares de coaching com supervisores.

Observe.ai afirma que a superação do GPT por seu modelo proprietário em consistência e relevância marca um avanço significativo.

“Nosso LLM treina apenas com dados completamente editados de quaisquer informações confidenciais e PII do cliente. Nossos benchmarks de redação para isso são exemplares para o setor: evitamos a redação excessiva de informações confidenciais em 150 milhões de instâncias em 100 milhões de chamadas com menos de 500 erros relatados”, explicou Jain. “Isso garante que informações confidenciais sejam protegidas e que a privacidade e a conformidade sejam mantidas, ao mesmo tempo que retém o máximo de informações para o treinamento LLM.”

Disse ainda que a empresa implementou um protocolo de dados robusto para armazenar todos os dados dos clientes, incluindo os dados gerados pelo LLM, em total conformidade com os requisitos regulamentares. Cada cliente/conta recebe uma partição de armazenamento dedicada, garantindo criptografia de dados e identificação única para cada cliente/conta.

Jain disse que estamos testemunhando um momento crucial em meio ao florescimento da IA ​​generativa. Ele enfatizou que a indústria de contact centers está repleta de tarefas repetitivas e acredita que a IA generativa capacitará o talento humano para realizar o seu trabalho com notável eficiência e velocidade, superando em dez vezes as suas capacidades atuais.

“Acredito que os disruptores de sucesso nesta indústria se concentrarão na criação de uma IA generativa que seja totalmente controlável; confiável com visibilidade completa dos resultados; e seguro”, disse Jain. “Estamos nos concentrando na construção de uma IA confiável, confiável e consistente que, em última análise, ajude o talento humano a fazer melhor seu trabalho. Nosso objetivo é criar uma IA que permita aos humanos se concentrarem mais na criatividade, no pensamento estratégico e na criação de experiências positivas para o cliente.”