人工智能语音平台公司Retell AI今日宣布推出名为Retell Assure的语音AI质量保证解决方案,该系统可监控通话、发现问题并减少人工抽查需求。
该公司将自己定位为第三代语音AI平台,旨在通过处理入站客户支持和出站销售电话来取代传统呼叫中心运营。尽管于2024年2月才推出,Retell已经实现盈利,并正经历快速增长。该公司在2024年8月完成了460万美元的种子轮融资,由Alt Capital和Y Combinator领投。
Retell联合创始人兼首席营销官Evie Wang在接受采访时表示,随着企业大规模部署AI,许多公司仍然依赖人工审核员来审计AI性能。这种方法使他们无法随着通话量的增长而轻松扩展。
Wang说:"他们的痛点之一是仍然使用人工来监控AI语音智能体的性能。他们使用Excel表格,让一组20名人工客服听取AI通话并添加列来查看是否存在问题。"
人工监督可以捕捉细微差别,但无法覆盖100%的来电,也无法可靠地发现大量AI主导对话中的运营困难。因此,企业不仅难以识别故障,还难以从数千次交互中提取可操作的见解。
Retell Assure使用多个模型根据可自定义的标准分析每个通话,包括延迟、中断、幻觉甚至客户情绪。系统自动标记故障,分配分数并指出性能问题背后的具体原因。
这提供了一个精选的通话列表,人工可以选择收听以了解交互的上下文并确定如何纠正AI行为。除了评分和指出通话"失败"的原因外,系统还提供如何解决根本问题的建议。
据Wang介绍,大多数AI故障不是模型限制的结果,而是配置不当或知识指导不完整。Retell将质检系统作为持续训练循环提供:及早识别故障、纠正它们并系统性地降低错误率。
Wang说:"把语音AI智能体想象成人类;如果人类没有足够的知识就会犯错。解决问题的最佳方法是找到方法了解这一点并教会它。"
除了单个通话审查外,信息技术团队和工程师还可以通过仪表板监控整体性能,该仪表板跟踪平均通话时长、解决率和故障模式等趋势。报告突出显示常见客户问题和反复出现的问题,同时提供改进系统提示、消息传递和智能体行为的建议。
Wang说:"语音AI智能体非常强大,但确实存在一些问题。我们看到的大多数问题都与配置和知识有关。"
Retell已经与大型企业和中端市场客户合作。一个公开案例研究重点介绍了Switch Energy公司,这是一家加拿大电动汽车充电公司,使用语音AI进行客户服务。
Switch在每月超过8000个通话中将总体成本降低了50%。此外,Retell的平台引入了一个可以在大约五秒钟内接听电话的系统,而之前的等待时间需要数分钟。
Retell通过基于使用量的定价模式提供其语音AI自动化功能,新的质检平台作为附加组件提供。该公司预计该功能集将于2026年1月1日广泛推出。
Q&A
Q1:Retell Assure是什么?它能解决什么问题?
A:Retell Assure是Retell AI公司推出的语音AI质量保证解决方案,可以自动监控通话、发现问题并减少人工抽查需求。它主要解决企业在大规模部署AI时仍需依赖人工审核员审计AI性能的问题,帮助企业摆脱无法随通话量增长而扩展的困境。
Q2:Retell Assure如何分析通话质量?
A:Retell Assure使用多个模型根据可自定义的标准分析每个通话,包括延迟、中断、幻觉和客户情绪等。系统会自动标记故障、分配分数并指出性能问题的具体原因,同时提供解决根本问题的建议。它还提供仪表板让团队监控平均通话时长、解决率和故障模式等整体性能趋势。
Q3:使用Retell AI的语音智能体效果如何?
A:根据案例研究,加拿大电动汽车充电公司Switch Energy使用Retell的语音AI后,在每月超过8000个通话中将总体成本降低了50%。同时,系统可以在大约五秒钟内接听电话,相比之前需要数分钟的等待时间有了显著改善。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。