داني تشيركاسكي، الرئيس التنفيذي ومؤسس كاردوم – سلسلة المقابلات

داني تشيركاسكي، الرئيس التنفيذي ومؤسس كاردوم، يأتي مع أكثر من عقدين من الخبرة في مجال الصوتيات ومعالجة الإشارات وتطوير الخوارزميات إلى طليعة الابتكار في تكنولوجيا الصوت. قبل تأسيس كاردوم، شغل منصب الرئيس التقني في شركة سيلينتيوم المحدودة، حيث قاد مشاريع بحث وتطوير مع شركات من المستوى الأول ومؤسسات بحثية. مع شهادة الدكتوراه في معالجة مصفوفات الميكروفون من جامعة بار إيلان، يجمع تشيركاسكي بين الخبرة الفنية العميقة ورسالة واضحة – لإlimination إزالة إحباطات التفاعل الصوتي الحديث من خلال إنشاء تكنولوجيا ت聼 حقًا إلى الناس، وليس الضوضاء حولهم.

كاردوم تريئد حلولًا للاستماع المكاني مدفوعة بالذكاء الاصطناعي التي توفر تفاعلات صوتية واضحة ومتخصصة في أي بيئة – من السيارات وغرف الاجتماعات إلى المنازل الذكية والمرافق العامة. تكنولوجيا التجميع الكلامي الخاصة بها تفصل الأصوات بناءً على الموقع، مما يسمح للأجهزة بفهم كل متكلم كما لو كان الشخص الوحيد الذي يتحدث. مصممة لتكون غير معتمدة على الأجهزة وجاهزة للحافة، تعزز منصة كاردوم دقة التعرف على الكلام والأمان وخبرة المستخدم، وتقود الجيل التالي من اتصال الإنسان الآلة.

ما الذي ألهمك وأنت و د. ألون سلاباك لتأسيس كاردوم؟

تجمد الإلهام لكاردوم من مزيج من الاهتمام والاحباط. مع خلفياتنا في الكلام والصوت، في كل من الأكاديمية والصناعة، كنا مسرورين بإنجازات التعرف على الكلام، خاصة عندما دخل الشبكات العصبية العميقة المشهد.

في مختبر هادئ، كانت التكنولوجيا رائعة. لكن في اللحظة التي خرجت فيها إلى العالم الحقيقي، اختفت تلك السحر. لاحظنا أن في سيارة صاخبة أو مكتب مزدحم أو منزل فوضوي، كانت الأنظمة المتقدمة الحديثة لا تختلف كثيرًا عن تكنولوجيا التسعينيات. كان هذا الحاجز الكبير أمام التقدم.

الصوت هو الطريقة الأكثر طبيعية للتفاعل مع أجهزتنا، الخلف الصحيح للشاشة التي تعمل باللمس. لكن من أجل ذلك، تحتاج التكنولوجيا إلى التغلب على فوضى الحياة الواقعية. قررنا جعل ذلك مهمتنا. قضينا عامًا في المرآب، ونحن نناضل مع معادلات انتشار الموجات الصوتية واختبار أفكار جديدة، حتى حققنا اختراقًا: أول عرض لما يُعرف الآن باسم تكنولوجيا الاستماع المكاني لكاردوم.

في تلك اللحظة، كنا نعلم أننا وجدنا المفتاح. تأسسنا كاردوم ليس فقط لبناء منتج، ولكن لبدء ثورة في كيفية تواصل البشر مع الآلات.

كثير من مساعدي الصوت يتعثر وغالبًا ما يؤذي المستخدمين عندما تتداخل الأصوات أو يسيطر الضوضاء الخلفية. لماذا تؤدي الطرق التقليدية أداءً سيئًا في هذه الظروف الواقعية؟

تؤدي واجهات الصوت التقليدية أداءً سيئًا في العالم الحقيقي لأن برنامجها يعتمد على طريقة بسيطة للغاية لفهم الصوت. تستخدم معظم الأنظمة ميكروفونات متعددة لتحديد اتجاه وصول الصوت، وهي نهج تركز فقط على زاوية الصوت مع تجاهل معلومات مكانية ثلاثية الأبعاد حيوية أخرى. هذا النهج يفشل على الفور في أي إعداد حقيقي – مثل السيارة أو المكتب أو غرفة المعيشة – لأن هذه البيئات مليئة بالانعكاسات، حيث تنعكس موجات الصوت عن كل سطح عاكس. بالنسبة لنظام يفهم فقط الاتجاه، كل واحدة من هذه الانعكاسات هي صوت جديد يأتي من موقع مختلف.

يخلق هذا تأثيرًا مخادعًا، كما لو كان الجهاز في قاعة “مرايا صوتية”، حيث يبدو صوت واحد يأتي من مئات الاتجاهات في نفس الوقت. غير قادر على التمييز بين أصوات المتكلمين الفريدة من عاصفة الانعكاسات، لا يمكن للنظام فك تشفير المناظر الصوتية بشكل صحيح. هذا القصور الأساسي هو بالضبط سبب فشل تكنولوجيا الصوت الحالية في أداءها بشكل موثوق في سيناريوهات الحياة الواقعية الفوضوية.

تكنولوجيا كاردوم تعامل مع كل شخص كما لو كان الشخص الوحيد المتحدث في الغرفة. ما هو الاختراق الفني الذي يجعل ذلك ممكنًا، وكيف يختلف عن التعرف على الصوت التقليدية في مجال الرؤية البعيدة؟

الاختراق الفني الخاص بنا هو تكنولوجيا الذكاء الاصطناعي للمسموع المكاني، والتي تتجاوز الأساليب التقليدية التي تكتشف فقط اتجاه الصوت لتحديد موقعه الدقيق في الفضاء ثلاثي الأبعاد. يعمل هذا من خلال تحليل نمط الانعكاس الكامل الذي يخلقه صوت في غرفة، معاملته كبصمة صوتية فريدة لموقع معين. يستنتج الذكاء الاصطناعي هذا البصمة بشكل سلبي وفوري لكل مصدر صوتي، مما يتيح خريطة البيئة. هذا النهج القائم على الموقع يختلف بشكل أساسي عن الأنظمة التي تُديرها الاتجاه، والتي تتعثر بسهولة من الانعكاسات التي نستخدمها كبيانات قيمة. بينما يسمع نظامنا صوتًا واحدًا كcrowd من الأصداء، يستخدم نظامنا نمط الانعكاس الكامل لتحديد مصدره الفعلي. النتيجة العملية هي أن جهازًا مدعومًا بكاردوم يمكنه التركيز على شخص واحد في بيئة صاخبة وسماعه كما لو كان يتحدث وحده في غرفة هادئة. بالإضافة إلى ذلك، يضمن الذكاء الاصطناعي المعرفي أن النظام لا يسمع فقط الكلمات بل يفهم أيضًا من قالها وما يعنيه في السياق.

يقال إن الذكاء الاصطناعي للصوت يعيش “لحظة آيفون”. ماذا يعني ذلك من منظورك، وكيف قريب نحن من تبني الصوت بشكل شائع؟

من منظوري، تعني “لحظة آيفون” أن الصوت أخيرًا جاهز ليكون الطريقة الافتراضية للتفاعل مع أجهزة الحوسبة.

أرى المصنعين يتنافسون على دمج تكنولوجيا الذكاء الاصطناعي للصوت عبر جميع خطوط المنتجات. أصبحت السيارات واجهات صوتية أولية لأسباب تتعلق بالسلامة. تحتاج المنازل الذكية إلى واجهات مستخدم صوتية لأن من غير الواقعي وضع شاشات لمس في كل مكان. أضافت الإلكترونيات التقليدية أيضًا القدرات الصوتية لأنها أسرع في بعض الأحيان من التنقل عبر القوائم. بينما تدفع العديد من التكنولوجيا تبني الصوت، ستكون الثورة الحقيقية محددة بواسطة الروبوتات. مع اندماج الروبوتات في منازلنا وأماكن عملنا، سيصبح الصوت الواجهة الفعلية الوحيدة للتفاعل.

من أجل أن تكون هذه التعايش سلسة، يجب على الروبوتات فهمنا على مستوى بشري. تحتاج إلى فهم السياق والدقة في الكلام الطبيعي، وليس فقط الكلمات الرئيسية. تتطلب هذه الذكاء المكاني دقة حتى يبدو سحريًا – معرفة تلقائيًا أنك أنت المتحدث، حتى في غرفة صاخبة. بشكل حاسم، يجب أن تعمل هذه الذكاء على الحافة من أجل التواصل الفوري والخاص والموثوق.

هذا ليس تحسنًا تدريجيًا؛ إنه تحول أساسي في كيفية تفاعل البشر مع الآلات. نحن نبني التكنولوجيا لقيادة هذا التعريف الجديد. أعتقد أننا على بعد 24 شهرًا من نقطة الانعطاف حيث يصبح الصوت الواجهة المتوقعة بدلاً من ميزة لطيفة.

كيف ترى تحول الاستماع المكاني والذكاء الاصطناعي المعرفي للأجهزة اليومية – من السيارات والمنازل الذكية إلى الأجهزة القابلة للارتداء والأماكن العامة؟

التحول هو تمكين التفاعل الطبيعي في أي مكان، دون الحاجة إلى تعديل سلوكك لاستيعاب التكنولوجيا. في السيارات، يعني ذلك التحكم الحقيقي بدون استخدام اليدين الذي يعمل أثناء القيادة بسرعات الطريق السريع مع تشغيل الموسيقى وتحدث الركاب. تصبح المنازل الذكية حقًا ذكية عندما يمكنها فهم من يتحدث ومن đâu، وتحhandleRequest الطلبات المتزامنة دون ارتباك.

الرؤية الأساسية هي أن الذكاء الاصطناعي للمسموع المكاني لا يحسن فقط التعرف على الصوت – بل يسمح بمعايير تفاعل جديدة تمامًا. عندما يمكن للأجهزة فهم المشهد الصوتي بأكمله، يمكنها المشاركة في تدفق الاتصالات البشرية الطبيعية، بدلاً من الاعتماد على قيود اصطناعية. تصبح الأجهزة القابلة للارتداء أكثر فائدة عندما يمكنها عزل صوتك من المحادثات المحيطة، ويمكن للأماكن العامة تقديم مساعدة صوتية شخصية وخاصة.

الخصوصية هي قضية متزايدة مع الأجهزة التي تستمع دائمًا. كيف توازن كاردوم بين الحاجة إلى المعالجة على الجهاز وال性能 والدقة؟

تعالج كاردوم هذا التحدي من خلال توسيع قدرات المكون الحدودي بشكل كبير. من خلال معالجة المزيد من البيانات محليًا وتقليل الاعتماد على السحابة، تضمن كاردوم أن بيانات الصوت الحساسة لا تترك جهاز المستخدم أبدًا، مما يوفر حماية خصوصية أفضل مقارنة بأنظمة أخرى في السوق.

مخاوف كبيرة مع الأجهزة “دائمًا مستمع” ليست الميكروفون الذي يلتقط الصوت، ولكن المخاطر التي قد يتم تحميل هذا الصوت إلى السحابة للتحليل. في الممارسة، تكلفة معالجة السحابة المستمرة باهظة الثمن، مما يؤدي إلى أن معظم الأنظمة التجارية تتجنبها، ولكن هذا يأتي بتكلفة عالية: جودة أقل وواجهة صوتية أقل استجابة.

ت解决 كاردوم هذا التراضي من خلال جلب نماذج لغة قوية ومتواصلة إلى جهاز الحافة نفسه. مع تكنولوجيا كاردوم، يتم تحليل المشهد الصوتي والكلام الطبيعي والسياق في الوقت الفعلي مباشرة على الجهاز. لا يتم تحميل أي بيانات صوتية أو حفظها أبدًا. هذا النهج المبتكر يسمح لكاردوم بتوفير خصوصية بيانات قوية وواجهة صوتية فعالة، مما يلغي التنازلات التي يواجهها المستخدمون حاليًا.

نظرًا إلى الصناعة بشكل أوسع، ما هي أكبر عقبات الذكاء الاصطناعي للصوت التي لا تزال بحاجة إلى التغلب عليها قبل أن يصبح الواجهة السائدة عبر الإلكترونيات الاستهلاكية؟

العقبة الكبيرة هي أن الذكاء الاصطناعي للصوت لا يتواصل مثل البشر. حتى يصبح الذكاء الاصطناعي للصوت الواجهة الأساسية التي يرغب الناس فيها، يجب أن يفهم مثل البشر، مع وعي كامل بالسياق والقدرة على فهم تدفق المحادثة. حاجز تقني كبير في هذه النقطة هو أن معظم تكنولوجيا الذكاء الاصطناعي للصوت تعتمد على السحابة. هذا يمنع بشكل nộiherent الاستماع المستمر وبالتالي يمنع فهم تدفق المحادثة.

الانطلاقة ستأتي عندما يمكن لأنظمة الصوت فهم السياق المحادثي والاستجابة بالوعي المثالي الذي يتمتع به البشر. هذا هو عندما يصبح الصوت الواجهة السائدة عبر جميع الإلكترونيات الاستهلاكية.

كيف ترى تطور العلاقة بين المستهلكين ومساعدي الصوت مرةً أخرى عندما يتم حل الدقة والموثوقية في البيئات الصاخبة؟

مرةً أخرى، عندما يتم حل الموثوقية وال محادثة الطبيعية، سيتحول مساعدوا الصوت من ميزات مبتدئة إلى واجهات أساسية يعتمد عليها الناس في يومهم. عندما يعرف الناس أن الذكاء الاصطناعي للصوت سيفهمهم بشكل صحيح في المرة الأولى، حتى في بيئات صعبة، سيتوقفون عن تكييف أنفسهم مع التكنولوجيا وسيبدأون في استخدامها بinstinctively مع لغة طبيعية ومحادثات سياقية.

مستقبل التفاعل الصوتي سيكون تنبؤيًا ومتفاعلًا. تخيل جهازك يفهم ليس فقط كلماتك، ولكن نبرتك والإشارات العاطفية والسياق المحادثي. الأنظمة الحالية تعاني من إيقاع المحادثة الطبيعية ولا تستطيع التعامل مع المقاطعات والتحول والفهم السياقي. البشر يتعاملون عندما يتم مقاطعتهم؛ الذكاء الاصطناعي للصوت غالبًا ما يتعثر. بالنسبة لمصنعي المعدات الأصلية، التحدي هو دمج الذكاء الاصطناعي للصوت الذي يمكن أن يوفر هذه الواجهة المستقبلية دون تعقيدات ومتطلبات الأجهزة الحالية.

أخيرًا، أين ترى كاردوم وبيئة الذكاء الاصطناعي للصوت بعد خمس سنوات، وما هي المعالم التي ستحدد ما إذا كنا قد دخلنا حقًا عصر الحوسبة الأولى للصوت؟

بعد خمس سنوات، سيكون الذكاء الاصطناعي للصوت شائعًا مثل الشاشات التي تعمل باللمس واللوحات المفتاحية اليوم، وسيُتوقع في几乎 كل جهاز حاسوبي. ستكون كاردوم النظام التشغيلي الذي سيسمح للمستخدمين بتشغيل أجهزتهم بالصوت، مما يتيح التفاعل الطبيعي مع أي جهاز في أي بيئة – من الروبوتات إلى النظارات الذكية والسيارات.

المعالم المحددة ستكون سلوكية أكثر من كونها تقنية. سنعرف أننا حققنا الحوسبة الأولى للصوت عندما يتوقف الناس عن التفكير في أوامر الصوت وبدء المحادثات الطبيعية مع بيئتهم، عندما تعمل بيئات متعددة المستخدمين بسلاسة، ومتى يتربى الأطفال على التحدث إلى أي جهاز بشكل طبيعي. المقاييس النهائية لن تكون كيفية تطور تكنولوجيتنا، ولكن كيف يتفاعل البشر بشكل طبيعي مع العالم الرقمي.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا كاردوم.