Balss mākslīgais intelekts vēl nav sasniedzis savu "ChatGPT brīdi", uzskata nozares vadītāji
Uzņēmumu PolyAI un Otter vadītāji uzskata, ka balss MI, neraugoties uz pilnas duplekss modeļu parādīšanos, vēl nav sasniedzis savu "ChatGPT brīdi". Galvenie izaicinājumi ir ātra spriešana, precīza runas atpazīšana un pārredzamība.
Investori ieguldījuši miljardus dolāru jaunuzņēmumos, kas izstrādā balss mākslīgā intelekta (MI) risinājumus: no modeļu veidotājiem un klientu apkalpošanas platformām līdz sapulču piezīmju rīkiem un diktēšanas lietotnēm. Taču divi nozares uzņēmumu vadītāji uzskata, ka tehnoloģija vēl nav sasniegusi pagrieziena punktu, kādu ar ChatGPT piedzīvoja teksta MI.
HumanX konferencē pagājušajā mēnesī uzņēmuma PolyAI, kas piedāvā balss MI platformu uzņēmumu klientu apkalpošanai, tehnoloģiju direktors Šons Vens (Shawn Wen) norādīja, ka nozare ir sasniegusi pilnas duplekss modeļu izstrādi. Šādi modeļi spēj runāt un vienlaikus klausīties sarunbiedru. Viņaprāt, nākamais uzdevums ir panākt ļoti ātru spriešanu, lai modeļi ātri atrastu atbildes un saruna šķistu dabiska.
Uzticēšanās klientu apkalpošanā
Vens uzsvēra, ka klientu apkalpošanas MI aģentiem nevajadzētu skanēt robotizēti, un tiem jādod zvanītājiem pārliecība, ka problēmu iespējams atrisināt. Pēc viņa domām, ja balss ir pietiekami laba un klients ir gatavs sarunai pirmās divas vai trīs reizes, uzticēšanās pakāpeniski veidojas un cilvēks sāk saprast, ka var iztikt bez saziņas ar cilvēku.
Sapulču piezīmju rīka Otter mārketinga direktors Alekss Gejs (Alex Gay) minēja, ka runātāju identificēšana, nolūka uztveršana un saistīšana ar organizācijas zināšanām ir būtisks solis automatizācijas virzienā. Uzņēmums strādā arī pie digitālajiem dubultniekiem, kas varētu pārstāvēt cilvēkus sapulcēs. Šādai tehnoloģijai svarīgi, lai balss spētu nodot tādas pašas emocijas kā cilvēks, citādi tas ir tikai jautājumu un atbilžu čatbots, norādīja Gejs.
Atpazīšanas precizitāte un pārredzamība
Vens uzskata, ka automātiskās runas atpazīšanas (ASR) modeļi bieži izlaiž svarīgus atslēgvārdus, tāpēc netiek uztverts viss konteksts. Gejs piekrita un teica, ka Otter turpina uzlabot transkripciju, jo kļūdaini rezultāti sabojā visas turpmākās darbības un graut uzticēšanos platformai. Viņš arī minēja valodu kā jomu, kurā modeļiem jāuzlabojas.
Par pārredzamību abi vadītāji vienisprātis, ka klientiem jāpaziņo, ka saruna tiek ierakstīta vai ka viņi runā ar MI. Otter vēlas to darīt arī sapulcēs, kurās nav robota, piemēram, informējot dalībniekus čatā par ierakstīšanu.
