Josh Feast，Cogito的首席执行官兼联合创始人 – 访谈系列
Josh Feast，Cogito的首席执行官兼联合创始人 - 访谈系列
Josh Feast是Cogito的首席执行官和联合创始人，Cogito是一家将情感和对话人工智能结合在一起的企业，提供实时指导和辅导给客服中心代理商，使主管能够在任何地方实时监控团队的对话，并持续监测客户和员工的体验。
Cogito的故事始于1999年，公司成立之前。你能分享一些麻省理工学院人类动力学实验室的早期工作情况吗？
从1999年到2006年，Sandy Pentland博士开展了一项基础科学研究，证明了社交信号在人类沟通中的存在和力量，以及机器检测和解读这些信号的能力。
2007年，Cogito从麻省理工学院媒体实验室分拆出来。你能分享一下这个起源的故事吗？
在我在麻省理工学院的日子之前，我意识到在情绪激动的情况下，技术需要通过对话背景的了解来帮助用户。在新西兰儿童，青少年和家庭服务部（现在称为社会发展部儿童，青少年和家庭服务部）工作期间，我注意到许多社工因为工作的高情绪性质而丧失工作热情，并且我相信支持他们的管理系统将会从这样的技术中受益匪浅。我将当时的观察带到了麻省理工学院，后来从Pentland博士的麻省理工学院媒体实验室的研究中创建了Cogito，这个研究似乎直接解决了这个问题。Cogito获得了国防高级研究计划局（DARPA）的资金支持，以研究和开发人工智能平台和行为模型，自动检测人类心理状态。这项技术在帮助退伍军人通过退伍军人事务部（VA）部署期间的冲突中获得成功。
Cogito在帮助医疗保健提供者检测退伍军人患有创伤后应激障碍（PTSD）和其他心理健康障碍的早期迹象方面首次验证了情感人工智能技术。你能详细讨论一下这个过程以及所见到的结果类型吗？
将这项技术应用于医疗保健提供者的目的是检测退伍军人患有抑郁症并预防自杀。我们开发的平台使医生能够通过声音信号追踪退伍军人的整体心理健康状况，并确定无家可归等事件以及其他不良心理健康迹象的警示信号。我们很快意识到我们有了一些特别的东西，而且这项技术的应用范围远远超出了支持退伍军人和高复杂度、高情绪对话的医疗系统。我们仍然以人类体验为核心，成为了今天你所了解的Cogito，为各行业的大规模企业客服中心代理商提供实时指导和辅导。
你能讨论一下Cogito如何使用人工智能分析行为提示，并在对话过程中提供即时反馈吗？
Cogito使用情感和对话人工智能的强大组合，从所有对话中揭示新的见解，提取说了什么以及客户如何接受信息。这些人工智能模型实时测量客户体验，在所有通话中实时产生影响，而不仅仅是对未来互动的改进。
Cogito在毫秒级别内提取和分析超过200个声学和语音信号，为客服中心代理商提供提示，告诉他们如何调整自己的行为，并根据讨论的话题和期望的结果提供最佳建议。
Cogito通过实时分析通话中的语音，实时改善行为，从而在客户和客服中心代理商之间建立更好的人际关系，无论他们在哪里工作。
这种反馈如何指导代理商与客户建立更好的关系？
Cogito的实时反馈让客服中心代理商能够更一致地展现情商，从而在每次通话中表现出更多的同理心。提高同理心可以带来更好的对话结果，例如减少通话处理时间，提高首次解决率，提高客户满意度和增加客户终身价值。
每个客服中心代表都有不同的优势和劣势。他们在通话中收到的实时提示有助于提升他们的客户服务水平，无论是提供更多同理心，说话更慢还是声音更欢快。这种即时个性化的反馈让代理商能够根据特定客户的体验和人工智能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商体验。
实时反馈不仅有利于客户体验，也有利于员工体验。我们的工具帮助代表获得更积极的工作体验，这已被证明可以提高客户体验的水平。
2019年，Cogito发布了一篇名为“语音情绪识别中的性别去偏”（Gender de-biasing in speech emotion recognition）的论文。在涉及情绪的语音中，性别偏见对情绪有什么影响？
我们的论文关注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来在机器学习的整体和语音情感识别的特定领域中减轻负面偏差。关键见解包括：
女性的语音往往比男性的语音音调更高，导致谐波间隔更大。
这种差异可能会影响语音情感识别模型。这可能导致女性语音的准确度较低，相较于男性语音。
可以应用去偏差的机器学习技术来减少这种准确度失衡。在论文中，Cogito引入了一种新颖的去偏差技术，相对于基准表现良好。
Cogito如何运作以减轻不想要的性别或其他类型的偏差效果？
Cogito使用自然语言处理（NLP）模型，结合了人类感知的人工智能系统、深度学习机器模型和其他复杂规则，帮助计算机理解、分析和模拟人类语言。我们不断地通过新数据对我们的NLP进行改进和发展，以减轻偏差。
Cogito拥有一个全面的机器学习模型开发协议，旨在明确减轻偏差并确保基于机器学习（ML）的产品特性的道德性。该协议涵盖了培训样本数据的采样、减轻人类标注中的偏差以及使用ML去偏差技术等方面。
Cogito使用一个包含大量音频数据的“公平性”数据集，其中发言者自报不同的人口统计类别。所有模型都根据公平性数据集以及各种人口统计类别进行评估。我们还使用ML运维技术客观监测生产中的模型，并与人工标注进行系统化的模型审核。
关于AI不仅仅取代人类，而是增强人类行为，您有什么个人观点？
在人与人之间的互动中，人类可以做一些事情并提供一些细微之处，这是像AI这样的技术无法独立模拟的。例如，客户希望在联系客户支持时获得同情。如果客户只与由AI驱动的自动化系统进行交互，他们的问题可能会得到解决，但他们可能会因为互动而感到沮丧或恼火。如果我们用AI替换所有联系中心代理人，那么我们就在消除构建关系、实现和维持长期忠诚客户所必需的人类因素。
在进行服务互动时，人们希望与能够换位思考、有类似经历的人交流。同样，人们重视他人照顾他们并解决他们问题的感觉。独立的AI要想真正被感知为不同于自助工具，还需要很长时间。
您还有什么关于Cogito想分享的内容吗？
在Cogito，我们正在开发新技术，引领着下一代联系中心的发展。今年早些时候，我们发布了员工体验（EX）评分，以追踪代理人的体验。类似于我们的客户体验（CX）评分，EX评分结合了人类感知的情感AI和对话AI，可以实时洞察单个情况或多个呼叫的趋势。在高度不满意、疲劳和流失率的情况下，EX评分有助于解决如何防止疲劳和提升代理人体验的问题，从而推动更好的客户体验和长期业务可持续性。
感谢您的精彩访谈，希望想了解更多的读者可以访问Cogito。
