مقابلات
أليكسي آيلاروف، المؤسس المشارك والرئيس التنفيذي لشركة Voximplant – سلسلة المقابلات
أضف Unite.AI إلى مصادرك المفضلة على Google
أليكسي آيلاروف هو المؤسس المشارك لشركة Voximplant بعد عقد من الزمن قام خلاله ببناء أدوات اتصال من الصفر. وشملت أعماله المبكرة تطوير نظام IP PBX وتشغيل شركة برمجيات اتصالات خاصة به قبل أن تصبح الهاتفية السحابية شائعة. ثم جاءت Zingaya، التي أضافت مكالمات النقر داخل المتصفح. وتبعتها Voximplant، التي نمت لتصبح منصة خالية من الخادم التي يعتمد عليها المطورون لصوت وصور الفيديو في الوقت الفعلي. يكتب أليكسي عن الجانب العملي من الذكاء الاصطناعي الصوتي، خاصة حيث يتصادم النماذج اللغة الكبيرة مع حقيقة الاتصالات الهاتفية العالمية.
بدأت مسيرتك المهنية كمهندس VoIP في منتصف العقد الأول من القرن الحادي والعشرين، قبل أن يدخل الذكاء الاصطناعي الاتصالات في الوقت الفعلي. ما هي الفجوات الكبيرة التي رأيتها في ذلك الوقت والتي دفعتك في النهاية إلى تأسيس Voximplant؟
لقد شاركت في أنظمة VoIP منذ عام 2005. في ذلك الوقت، كان بناء اتصالات موثوقة بطيئًا ومركبًا. لاحظت أن العديد من المطورين يشاركونني الإحباط – كانت الفرق تحاول توصيل مكونات الاتصالات الهاتفية بدلاً من التركيز على تجربة المنتج التي يريدون تقديمها بالفعل. هذا دفعني إلى الانتقال إلى فكرة الاتصالات القابلة للبرمجة للمطورين. كنا نريد إنشاء منتج يسمح للجميع ببناء المنتجات دون الحاجة إلى أن يكونوا خبراء اتصالات.
قبل Voximplant، شاركت في تأسيس خدمات المكالمات القائمة على بروتوكول SIP مثل Flashphone وZingaya، والتي قدمت منتجات النقر للمكالمة في وقت مبكر. أثبت الطلب مرة أخرى أن الفرق تريد اتصالات قابلة للبرمجة، ولكن الأدوات لم تكن موجودة بعد. كل ذلك أدى إلى إنشاء Voximplant في عام 2013.
اليوم، نرى فجوة مماثلة، ولكن على نطاق أكبر. يدخل الذكاء الاصطناعي الصوتي إلى تدفقات الإنتاج، وتستمر النماذج اللغة الكبيرة في التطور كل شهر، لكن الشبكة الهاتفية العالمية لا تزال متجزئة. لا يمكن لمزود واحد حل كل شيء من النهاية إلى النهاية. لذلك تعمل Voximplant كطبقة تنسيق، وتقدم للمطورين وسيلة سريعة واقتصادية لتجربة الأدوات والأدوات الأكثر تقدمًا وتحميل وكلاء الصوت على المكالمات الفعلية، دون القلق بشأن بنية تحتية اتصالات هاتفية أو تعقيدات البث.
تضع Voximplant نفسها كطبقة تنسيق بدلاً من مزود ذكاء اصطناعي أو هاتفية واحد. لماذا كنت تعتقد أن التنسيق هو الطبقة الصحيحة للبناء من أجل مستقبل الذكاء الاصطناعي الصوتي؟
كان من المهم لنا من البداية أن نكون عالميين، ولا يمكنك تقديم منصة هاتفية عالمية دون القيام ببعض تنسيق الاتصالات. تتغير المتطلبات الفنية والبنية حسب البلد، ونقدم أرقام هاتف في أكثر من 190 دولة، مما يعني أننا نقوم ببعض الوساطة الفنية.
علاوة على ذلك، تطورت معايير الاتصالات الهاتفية مثل بروتوكول SIP إلى العديد من النكهات عبر البائعين. يتطلب الاتصال بين مشغلي الاتصالات والبنية التحتية للاتصالات مع العملاء أنظمة مرنة يمكنها التكيف بسرعة. تساهم شبكات الهاتف الجديدة، مثل WhatsApp، في دفع الاحتياجات هنا – وهذا قبل إضافة منطق التحكم في الاتصالات الذي ينفذ بالفعل منطق التطبيق الفريد للعملاء.
أما في سوق الذكاء الاصطناعي، فالمنافسة شديدة والتطور سريع للغاية. قد يصبح المزود «الأفضل» اليوم في المرتبة الثانية أو الثالثة الأسبوع المقبل. لذلك ندعم أكبر عدد ممكن من المزودين الرائدين، حتى تتاح لعملائنا دائماً مجموعة كاملة من أحدث الخيارات. يمكنهم اختيار مزودي الذكاء الاصطناعي الأنسب لكل تطبيق أو الجمع بين أكثر من مزود. كما تهدف منصة التنسيق لدينا إلى تسهيل الانتقال بينهم مع إتاحة قدراتهم الكاملة، حتى لا يعلق المطورون ضمن مجموعة محدودة من الخصائص المشتركة.
تستهين فرق كثيرة بصعوبة إجراء وكيل ذكاء اصطناعي صوتي مكالمات هاتفية حقيقية وإدارتها. ما الذي يجعل الاتصالات الهاتفية الواقعية أكثر صعوبة من تفاعلات الذكاء الاصطناعي الرقمية البحتة؟
لا تزال شبكة الهاتف شديدة التجزؤ وغير متسقة بين المناطق، مما يجعلها أقل قابلية للتنبؤ. قد تكون بعض البروتوكولات مقيدة أو محجوبة في دول معينة، ويتعرض المشغلون لانقطاعات ضمن التشغيل المعتاد، كما قد تتغير مسارات المكالمات خلال اليوم. وفي بعض المناطق تكون الاتصالات السحابية معقدة قانونياً أيضاً.
رأينا كذلك حالات أصبحت فيها البنية التحتية نفسها عنق الزجاجة. فقد واجهت شركة رعاية صحية أسترالية ناشئة تطور وكيلاً آلياً للاتصال بمرضى مسنين يتحدثون الكانتونية زمناً مرتفعاً للاستجابة عند استخدام مزودي الذكاء الاصطناعي الصوتي الموجودين في الولايات المتحدة، مثل OpenAI أو ElevenLabs. كما أن محدودية توافر تحويل النص إلى كلام عالي الجودة باللغة الكانتونية جعلت المحادثات بطيئة وغير طبيعية.
وفوق متطلبات الموثوقية توجد طبقة الامتثال. تختلف المتطلبات كثيراً من دولة إلى أخرى، وغالباً ما تتداخل مع أطر مثل HIPAA وPCI DSS وGDPR.
كما أن أداء الكلام ليس موحداً. لا يوجد محرك واحد لتحويل الكلام إلى نص أو النص إلى كلام يعمل بأفضل صورة في كل بيئة. فاللكنات وضوضاء الخلفية وتقلب جودة المكالمة وحتى تراجع أداء المزود قد تسبب انخفاضاً مفاجئاً في الدقة وتجربة المستخدم.
تعتمد بعض أنظمة الذكاء الاصطناعي الصوتي اليوم على مزودين متعددين للنماذج اللغوية وتحويل الكلام إلى نص وتحويل النص إلى كلام والتوجيه. لماذا يعد هذا التجزؤ حتمياً، ولماذا ينبغي أن يكون تبديل مزود الذكاء الاصطناعي أو الصوت تعديلاً برمجياً سريعاً بدلاً من مشروع هندسي كبير؟
في البدايات لم يكن هناك خيار حقيقي يحول الكلام إلى كلام مباشرة، ولذلك كان لا بد من جمع تحويل الكلام إلى نص مع نموذج لغوي ثم تحويل النص إلى كلام. واليوم يدمج عدد من مزودي النماذج اللغوية الصوت مباشرة، وغالباً مع قدر من دعم مقاطعة المتحدث، مما يلغي الحاجة إلى بناء المسار كاملاً. هذه الأنظمة أسرع وأكثر تفاعلاً، لكنها ما زالت محدودة في جوانب مثل استدعاء الوظائف، وتوفر خيارات أقل لتحسين النسخ والأصوات. نتوقع أن تصبح النماذج القائمة على الكلام مماثلة للنماذج النصية قريباً. وحتى عندئذ قد يرغب العملاء في استخدام مزودي صوت مختلفين لتلبية احتياجات محددة، كما أن فصل أجزاء المسار يوفر خيارات إضافية للتكرار الاحتياطي.
تبديل مزودي الذكاء الاصطناعي والصوت في منصتنا ليس مشروعاً هندسياً كبيراً، لكنه ليس تغيير سطر واحد أيضاً. يحاول مزودو الصوت باستمرار تجنب تحول خدماتهم إلى سلعة متشابهة بإضافة خصائص فريدة. نحافظ على اتساق موصلاتنا قدر الإمكان مع كشف قدرات كل مزود، ولذلك يتطلب الاستفادة من الخصائص الفريدة أو تبديل المزود عادة تغيير بضعة أسطر من الشفرة.
كيف يبدأ وكلاء الذكاء الاصطناعي الصوتي في تغيير اقتصاد الدعم الزبوني والمبيعات والعمليات التجارية الأخرى إلى أخرى مقارنة بالطرازات التقليدية لمراكز الاتصالات؟
قد يكون من المبكر الحديث عن تحول كبير في اقتصاد الدعم الزبوني، لكنه قادم بالتأكيد. اليوم، هناك مناطق حيث تكلفة ممثلي الدعم الزبوني أقل من خدمات الذكاء الاصطناعي القائمة على النماذج اللغة الكبيرة، ومع ذلك يأتي هذا النموذج مع تحديات معروفة حول القابلية للتوسع والاحتراق والتدريب والتشغيل. أعتقد أن الاقتصاد سيتغير بشكل كبير مع استمرار تحسين النماذج اللغة الكبيرة، على الرغم من أنه سيتطلب بعض الوقت.
ما الإشارات التي تخبرك بأن الذكاء الاصطناعي الصوتي يتحرك من التجربة إلى البنية التحتية الحيوية للمؤسسات؟
الإشارة الأقوى هنا هي الاستثمار في بنية تحتية الذكاء الاصطناعي الصوتي، وهو يتزايد بسرعة. هناك طرق لتتبع دقائق أو مكالمات الذكاء الاصطناعي الصوتي على نطاق عالمي، إذا لم يكن بالضبط، من خلال التقديرات. بينما أستطيع تتبع هذا مباشرة فقط لشركة Voximplant، نرى نموًا قويًا بوضوح.
كيف تتغير توقعات المطورين حول المرونة والتحكم مع تطور نماذج الذكاء الاصطناعي وتقنيات الصوت بشكل أسرع؟
هذا سؤال مثير للاهتمام. عندما يتعلق الأمر بسرعة التغيير، فإن الذكاء الاصطناعي لا مثيل له في التاريخ. المرونة والتحكم أقل وضوحًا، اعتمادًا على ما نقصد بهذه الكلمات. عندما يتعلق الأمر بالتحكم، هناك تحديات معروفة، وتحقيقها ليس سهلًا. تقضي شركات الذكاء الاصطناعي الكثير من الجهد على حماية النماذج، لكن القيام بذلك جيدًا يتطلب خبرة عميقة، وشركات مختلفة لديها بالتأكيد أهداف مختلفة.
ما هي الأخطاء التي يرتكبها الشركات بشكل شائع عند محاولة نشر وكلاء الذكاء الاصطناعي الصوتي مباشرة على أنظمة الاتصالات التقليدية؟
النظم التقليدية للاتصالات لا تتوافق مباشرة مع خدمات الذكاء الاصطناعي الصوتي، لذلك عادة ما تتطلب تكاملًا إضافيًا، عادةً عبر بروتوكول SIP أو WebSockets. تشمل الأخطاء الشائعة إدارة الفشل غير الكافية، ومشاكل التأخير (التي يمكن أن تسببها عوامل مختلفة)، وتحديات التوسع.
تتوسع الاتصالات الهاتفية نفسها بكفاءة، ولا سيما عبر VoIP. أما خدمات الذكاء الاصطناعي الصوتي فمن الأصعب توسيعها بسبب متطلبات العتاد اللازمة لتشغيل النماذج اللغوية الكبيرة؛ وحتى شركات بنية تحتية ضخمة مثل Amazon (AMZN ) قد تواجه قيوداً في السعة عند توفير عتاد الاستدلال.
ما هي القدرات التي يجب أن تدعمها منصات الذكاء الاصطناعي الصوتي لتبقى ذات صلة مع زيادة استقلالية الذكاء الاصطناعي في الوقت الفعلي؟
أعتقد أن منصات الذكاء الاصطناعي الصوتي يجب أن تركز على معايير الخدمة، لأنها يمكن أن تكون مشكلة في بعض الأحيان، وعلى أدوات إضافية للاختبار والرصد.
في النهاية، ستقدم المنصات الأكثر تقدمًا كل ما هو مطلوب، ولكن اليوم، ما زلنا نتعلم دروسًا جديدة كل يوم، العديد منها يجب أن يصبح جزءًا من الحزمة الأساسية. إذا كنت تعمل مع مؤسسات كبيرة أو في بيئات منظمة، فإن وجود نسخة محلية من منتجك يمكن أن يكون حاسمًا.
عندما تنظر إلى رحلتك من البنية التحتية المبكرة لشركة VoIP إلى قيادة منصة الذكاء الاصطناعي الصوتي اليوم، ما أكثر ما فاجأك عن كيفية تطور الصناعة؟
لقد فاجأتني أشياء كثيرة، ولكن واحدة منها هي أن التغييرات في بنية VoIP تأخذ سنوات للحدوث. مثال جيد على ذلك هو أن الاتصالات الهاتفية لا تزال تعتمد على ترميزات الصوت الضيقة (G.711، G.729)، بينما يعتاد الناس بالفعل على الصوت عريض النطاق في خدمات الاتصال عبر الإنترنت مثل Zoom وGoogle Meet وWhatsApp وغيرها.
جميع نماذج الذكاء الاصطناعي مدربة على بيانات الصوت عريض النطاق أيضًا. جميع الهواتف المحمولة الحديثة لها ترميزات الصوت عريض النطاق مدمجة، لكن لا تزال هناك تحديات كبيرة في مستوى مشغل الخدمة التي تمنع استخدام الصوت عريض النطاق في المكالمات الهاتفية التقليدية. لا يعني ذلك انعدام التقدم تماماً، لكنه كان متواضعاً في رأيي.
