الآن، أكثر من أي وقت مضى، أصبح الوقت مناسبًا لأنظمة مدعومة بالذكاء الاصطناعي تعمل بالصوت. فكر في مكالمة إلى خدمة العملاء. قريبًا سوف تختفي كل البرودة والrigidity – الأصوات الروبوتية الصلبة، والقوائم المقيدة بنمط “اضغط 1 للمبيعات”، والخبرات المزعجة التي جعلتنا جميعًا نضغط بسرعة على 0 في أمل التحدث مع وكيل بشري. (أو، مع الأخذ في الاعتبار الأوقات الطويلة من الانتظار التي قد تتعرض لها عند نقلها إلى وكيل بشري، قد ألقينا بالاستسلام على المكالمة تمامًا.)

لا أكثر. التقدم ليس فقط في نماذج اللغة الكبيرة القائمة على Transformer (LLMs) ولكن في التعرف التلقائي على الكلام (ASR) والكلام إلى النص (TTS) يعني أن وكلاء المحادثة القائمين على الصوت “الجديد” موجودون هنا – إذا كنت تعرف كيف تبنيهم.

اليوم نحصل على نظرة على التحديات التي تواجه أي شخص يأمل في بناء وكيل محادثة قائم على الصوت متقدم.

لماذا الصوت؟

قبل القفز إلى الموضوع، دعونا نلقي نظرة سريعة على الجاذبية العامة والملاءمة لوكلاء قائمين على الصوت (على عكس التفاعلات القائمة على النص). هناك العديد من الأسباب التي قد تجعل التفاعل الصوتي أكثر ملاءمة من التفاعل القائم على النص – ويمكن أن تشمل هذه الأسباب، بالترتيب التصاعدي للشدة:

• ال تفضيل أو العادة – التحدث يسبق التطور الكتابي تاريخيًا

• إدخال النص البطيء – يمكن للكثير التحدث بشكل أسرع مما يمكنهم كتابته

• حالات بدون استخدام اليدين – مثل القيادة أو ممارسة الرياضة أو غسل الأطباق

• الأمية – على الأقل في اللغة (اللغات) التي يفهمها الوكيل

• الإعاقة – مثل العمى أو عدم وجود سيطرة حركية غير صوتية

في عصر يبدو أنه يهيمن عليه المعاملات عبر الموقع الإلكتروني، يبقى الصوت قناة قوية للتجارة. على سبيل المثال، وجدت دراسة حديثة أجرتها JD Power حول رضا العملاء في صناعة الفنادق أن النزلاء الذين حجزوا غرفتهم عبر الهاتف كانوا أكثر رضا عن إقامتهم من أولئك الذين حجزوا عبر وكالة سفر إلكترونية (OTA) أو مباشرة عبر موقع الفندق.

لكن الاستجابات التفاعلية الصوتية، أو IVRs اختصارًا، لا تكفي. وجدت دراسة أجريت في عام 2023 بواسطة Zippia أن 88% من العملاء يفضلون المكالمات الصوتية مع وكيل حي بدلاً من التنقل في قائمة هاتفية آلية. وجدت الدراسة أيضًا أن الأشياء التي تزعج الناس أكثر حول قوائم الهاتف تشمل الاستماع إلى خيارات غير ذات صلة (69%)، وعدم القدرة على وصف المشكلة بالكامل (67%)، وخدمة غير كفؤة (33%)، وخيارات محيرة (15%).

وهناك استعداد لاستخدام المساعدين الصوتيين. وفقًا لدراسة أجريت بواسطة Accenture، يوجد حوالي 47% من المستهلكين الذين يشعرون بالراحة عند استخدام المساعدين الصوتيين للتفاعل مع الشركات، وحوالي 31% من المستهلكين قد استخدموا مساعدًا صوتيًا للتفاعل مع شركة.

أيا كان السبب، فهناك تفضيل وطلب لتفاعل منطوق – طالما أنه طبيعي ومريح.

ما الذي يجعل وكيلًا صوتيًا جيدًا؟

بمعنى تقريبي، يجب أن يستجيب وكيل صوتي جيد لل مستخدم بطريقة هي:

• ملائم: بناءً على فهم صحيح لما قال المستخدم / أراد. يُلاحظ أن استجابة الوكيل لن تكون فقط ردًا منطوقًا، بل قد تكون أيضًا شكلًا من أشكال الإجراء من خلال التكامل مع الخلفية (مثل حجز غرفة فندق عندما يقول المتصل “استمر في الحجز”).

• دقيق: بناءً على الحقائق (مثل عدم القول إن هناك غرفة متاحة في الفندق في 19 يناير إلا إذا كانت هناك)

• واضح: يجب أن تكون الاستجابة مفهومة

• في الوقت المناسب: مع التأخير الذي من المتوقع أن يكون موجودًا في التفاعل البشري

• آمن: بدون لغة غير لائقة أو غير مناسبة، أو كشف معلومات محمية، إلخ.

المشكلة

تحاول الأنظمة الآلية الحالية القائمة على الصوت تلبية المعايير المذكورة أعلاه على حساب كونها محدودة للغاية ومزعجة في الاستخدام. جزء من هذا ناتج عن التوقعات العالية التي يحددها سياق المحادثة الصوتية، والتي تزداد فقط مع تحسن جودة الصوت في أنظمة TTS لتكون غير قابلة للتمييز عن الأصوات البشرية. لكن هذه التوقعات تتحطمت في الأنظمة التي يتم نشرها على نطاق واسع في الوقت الحالي. لماذا?

بكلمة واحدة – Rigidity:

• كلام محدود – يُجبر المستخدم عادة على قول الأشياء بطريقة غير طبيعية: في جمل قصيرة، في ترتيب معين، بدون معلومات غير ضرورية، إلخ. هذا لا يوفر أي تحسن على نظام القائمة القديم المبني على الأرقام.

• مفهوم ضيق وغير شامل لما يُعتبر “قبولًا” للكلام – تحمل منخفضة لللهجة، وأحرف غير مقروءة، إلخ.

• لا يوجد إعادة توجيه: إذا شيء ما ي went wrong، قد يكون هناك القليل من الفرص ل “إصلاح” أو تصحيح المعلومات المعيبة، ولكن بدلاً من ذلك يجب البدء من جديد، أو الانتظار لنقل إلى وكيل بشري.

• التحول الصارم – لا khả năng لتعطيل أو التحدث مع الوكيل

من غير المرجح أن الناس يجدون هذه القيود مزعجة أو محبطة.

الحل:

الخبر السار هو أن الأنظمة الحديثة مدعومة بالذكاء الاصطناعي قوية وسريعة بما يكفي لتحسين هذه الأنواع من الخبرات بشكل كبير، بدلاً من مجرد الاقتراب من معايير خدمة العملاء القائمة على البشر. هذا ناتج عن مجموعة من العوامل:

• أجهزة أسرع وأكثر قوة

• تحسينات في ASR (دقة أعلى، وتحمل الضوضاء، واللهجات، إلخ.)

• تحسينات في TTS (أصوات طبيعية أو حتى منسخة)

• وصول نماذج LLMs التوليدية (محادثات طبيعية الصوت)

ذلك النقطة الأخيرة هو تغيير اللعبة. الفكرة الرئيسية كانت أن نموذجًا تنبؤيًا جيدًا يمكن أن يكون نموذجًا جيدًا لل توليد. يمكن لوكيل اصطناعي أن يقترب من أداء المحادثة البشرية إذا قال ما يتوقعه نموذج LLM جيد بما يكفي لتكون أكثر الأشياء المحتملة التي قد يقولها وكيل خدمة عملاء بشري جيد في السياق المحادثي المعطى.

دعوة وصول عشرات الشركات الناشئة التي تأمل في حل مشكلة وكيل المحادثة القائم على الصوت ببساطة عن طريق اختيار وحدات ASR و TTS جاهزة وربطها بنموذج LLM. من هذا المنظور، الحل هو مجرد مسألة اختيار مزيج يقلل من التأخير والتكلفة. وبالطبع، هذا مهم. لكن هل يكفي؟

لا تسرع

هناك عدة أسباب محددة لماذا لن يعمل هذا النهج البسيط، ولكنها تنبع من نقطتين عامتين:

1. النماذج LLMs لا تستطيع، بمفردها، تقديم محادثات نصية قائمة على الحقائق من النوع المطلوب لتطبيقات الشركات مثل خدمة العملاء. لذلك لا يمكنها، بمفردها، القيام بذلك لمحادثات قائمة على الصوت.

2. حتى إذا قمت بإضافة ما هو ضروري إلى النماذج LLMs لجعل وكيل محادثة جيد قائم على النص، فإن تحويل ذلك إلى وكيل محادثة جيد قائم على الصوت يتطلب أكثر من مجرد ربطه بأفضل وحدات ASR و TTS التي يمكنك تحمل تكاليفها.

دعونا نلقي نظرة على مثال محدد لكل من هذه التحديات.

التحدي 1: الحفاظ على الواقعية

كما هو معروف على نطاق واسع الآن، تنتج النماذج LLMs أحيانًا معلومات غير دقيقة أو “متخيلة”. هذا هو كارثي في سياق العديد من التطبيقات التجارية، حتى لو كان من الممكن أن يجعل تطبيقًا ترفيهيًا جيدًا حيث قد لا تكون الدقة هي النقطة.

من المتوقع أن تنتج النماذج LLMs أحيانًا معلومات غير دقيقة، عند التفكير في الأمر. هذا هو نتيجة مباشرة لاستخدام نماذج مدربة على بيانات من عام (أو أكثر) لجعل إجابات لأسئلة حول حقائق ليست جزءًا من، أو مستحقة من، مجموعة بيانات (مهما كانت ضخمة) قد تكون قديمة بمقدار عام أو أكثر. عندما يسأل المتصل “ما رقم عضويتي؟”، يمكن لوكيل LLM بسيط فقط أن يولد जवابًا يبدو معقولًا، وليس जवابًا دقيقًا.

أشهر الطرق للتعامل مع هذه المشكلة هي:

• التحسين الدقيق: تدريب نموذج LLM المسبق على جميع البيانات المحددة للنطاق التي تريد أن يكون قادرًا على الإجابة عليها بشكل صحيح.

• هندسة التحفيز: إضافة البيانات / الإرشادات الإضافية كمدخل إلى نموذج LLM، بالإضافة إلى تاريخ المحادثة

• التوليد المعزز بالاسترجاع (RAG): مثل هندسة التحفيز، إلا أن البيانات المضافة إلى التحفيز يتم تحديدها بشكل ديناميكي عن طريق مطابقة السياق المحادثي الحالي (مثل، قد سأل العميل “هل يوجد حمام في الفندق؟”) إلى فهرس مشفر لمعلومات النطاق المحدد (الذي يتضمن، على سبيل المثال، ملفًا يقول “هنا المرافق المتاحة في الفندق: حمام، ساونا، محطة شحن السيارات الكهربائية.”)

• التحكم القائم على القواعد: مثل RAG، ولكن ما يتم إضافته إلى (أو إزالته من) التحفيز يتم تحديده بواسطة قواعد مدونة يدوياً (وتم كتابتها يدوياً).

يُلاحظ أن حجم واحد لا يناسب الجميع. سوف تعتمد الطريقة المناسبة على، على سبيل المثال، البيانات المحددة للنطاق التي ت告ي إجابة الوكيل. على وجه الخصوص، سوف تعتمد على ما إذا كانت البيانات تتغير بانتظام (مثل، من مكالمة إلى أخرى – على سبيل المثال، اسم العميل) أو نادرًا (مثل، التحية الأولية: “مرحباً بك في فندق بودابست. كيف يمكنني مساعدتك اليوم؟”). لن تكون التحسينات الدقيقة مناسبة للأولى، وستكون RAG حلًا غير ملائم للثانية. لذلك، سوف يتعين على أي نظام يعمل استخدام مجموعة من هذه الطرق.

ما هو أكثر من ذلك، فإن دمج هذه الطرق مع نموذج LLM وكلها معًا بطريقة تقلل من التأخير والتكلفة يتطلب هندسة دقيقة. على سبيل المثال، قد تتحسن أداء نموذجك RAG إذا قمت بتحسينه لتعزيز هذه الطريقة.

قد يأتي كما لا ي удив لنا أن كل هذه الطرق تطرح تحدياتها الخاصة. على سبيل المثال، خذ التحسين الدقيق. سوف يتحسن أداء نموذج LLM المسبق على بيانات النطاق المحدد، نعم. لكن التحسين الدقيق يعدل المعاملات (الأوزان) التي تشكل أساس أداء نموذج مسبق جيد (يُفترض أنه جيد). هذا التعديل يسبب فقدان بعض المعرفة السابقة للنموذج. هذا يمكن أن يؤدي إلى أن يقدم النموذج إجابات غير صحيحة أو غير مناسبة (حتى غير آمنة). إذا كنت تريد أن يستمر وكيلك في الاستجابة بشكل دقيق وأمن، فستحتاج إلى طريقة تحسين دقيق تقلل من فقدان المعرفة.

التحدي 2: النقطة النهائية

تحديد وقت انتهاء konuşma الخاص بالعميل أمر حاسم لتدفق المحادثة الطبيعي. يجب أيضًا على النظام التعامل مع التعديلات بسهولة، مع الحفاظ على أن المحادثة تظل متسقة واستجابة لاحتياجات العميل. تحقيق ذلك بمعايير قابلة للمقارنة مع التفاعل البشري هو مهمة معقدة ولكنها ضرورية لإنشاء تجارب محادثة طبيعية وممتعة.

الحل الذي يعمل يتطلب من المصممين النظر في أسئلة مثل:

• كم من الوقت يجب على الوكيل الانتظار بعد توقف العميل عن التحدث قبل أن يقرر أن العميل قد انتهى من التحدث؟

• هل يتوقف ذلك على ما إذا كان العميل قد أكمل جملة كاملة؟

• ماذا يفعل إذا قاطع العميل الوكيل؟

• 特别، هل يجب على الوكيل افتراض أن ما كان يقوله لم يسمعه العميل؟

تتعلق هذه القضايا، التي تتعلق بشكل أساسي بالتوقيت، تتطلب هندسة دقيقة تتجاوز ما هو مطلوب لجعل نموذج LLM يُجيب بشكل صحيح.

الخلاصة

تطور الأنظمة القائمة على الذكاء الاصطناعي التي تعمل بالصوت يعد ثورة في ديناميات خدمة العملاء، ويستبدل الأنظمة الهاتفية القديمة بنماذج LLMs و ASR و TTS المتقدمة. ومع ذلك، فإن التغلب على التحديات في المعلومات غير الدقيقة وتنسيق النقطة النهائية سيكون حاسمًا لتقديم تفاعلات صوتية طبيعية وفعالة.

يمكن أن يصبح تلقين خدمة العملاء قوة حقيقية لتغيير اللعبة للشركات، ولكن فقط إذا تم القيام به بشكل صحيح. في عام 2024، وخاصة مع كل هذه التكنولوجيا الجديدة، يمكننا أخيرًا بناء أنظمة يمكن أن تشعر بالطبيعية والتدفق والفهم الروبوتي لنا. سوف يقلل التأثير الشبكي من أوقات الانتظار، وسيحسن من الخبرة الحالية التي لدينا مع البوتات الصوتية، مما يحدد حقبة تحولية في جودة خدمة العملاء والتفاعل مع العملاء.