نماذج ومنصات الذكاء الاصطناعي

Modulate تقدم نماذج الاستماع الجماعي وتعيد تعريف كيفية فهم الذكاء الاصطناعي للصوت البشري

Antoine Tardif
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيستخدم نموذج الاستماع الجماعي من موديوليت أكثر من 100 نموذج متخصص لتفسير المشاعر…
عرض المزيد
  • يستخدم نموذج الاستماع الجماعي من موديوليت أكثر من 100 نموذج متخصص لتفسير المشاعر الصوتية والنية بما يتجاوز النص.
  • يحقق الهيكل الجديد دقة محادثة أعلى بنسبة 30٪ من نماذج اللغة الكبيرة الرائدة بتكلفة ضئيلة.
  • يكشف عن الأصوات الاصطناعية والإشارات السلوكية مثل الإحباط لمنع الاحتيال ودعم العملاء.

قد تقدم الذكاء الاصطناعي بسرعة ، ومع ذلك ظلت منطقة واحدة صعبة باستمرار: فهم الصوت البشري حقًا. ليس فقط الكلمات الملفوظة ، ولكن العاطفة وراءها ، والنية المشكلة بواسطة النبرة والتوقيت ، والإشارات الدقيقة التي تميز المحادثة الودية من الإحباط أو الخداع أو الضرر. اليوم ، أعلنت Modulate عن تقدم كبير مع إدخال Ensemble Listening Model (ELM) ، وهي بنية معمارية جديدة للذكاء الاصطناعي مصممة خصيصًا لفهم الصوت في العالم الحقيقي.

إلى جانب الإعلان عن البحث ، كشفت Modulate عن Velma 2.0 ، وهو أول نشر إنتاجي لنموذج Ensemble Listening . وتفيد الشركة بأن Velma 2.0 يتجاوز النماذج الأساسية الرائدة في دقة المحادثة بتكلفة تشغيل لا تتجاوز جزءًا صغيرًا من تكلفتها ، وهو ادعاء ملحوظ في وقت تعيد فيه الشركات تقييم استدامة عمليات الذكاء الاصطناعي على نطاق واسع.

لماذا كان الصوت صعبًا للذكاء الاصطناعي

تتبع معظم أنظمة الذكاء الاصطناعي التي تحلل الكلام نهجًا مألوفًا. يتم تحويل الصوت إلى نص ، ويتم بعد ذلك معالجة النص بواسطة نموذج لغة كبير. في حين أن هذا النهج فعال لتفريغ الكلام إلى نص وتلخيصه ، إلا أنه يزيل الكثير مما يجعل الصوت ذا معنى.

تحمل النبرة والانفعال والتردد والسخرية والكلام المتداخل والضوضاء الخلفية جميعًا سياقًا هامًا. عندما يتم تحويل الكلام إلى نص ، يتم فقدان هذه الأبعاد ، مما يؤدي غالبًا إلى سوء تفسير النية أو العاطفة. يصبح هذا مشكلة خاصة في البيئات مثل دعم العملاء ، وكشف الاحتيال ، والألعاب عبر الإنترنت ، والاتصالات التي تعتمد على الذكاء الاصطناعي ، حيث تؤثر الفروق الدقيقة مباشرة على النتائج.

وفقًا لشركة Modulate ، هذا القيد ناتج عن البنية المعمارية لا عن البيانات. النماذج اللغوية الكبيرة مُحسَّنة للتنبؤ بالنص ، وليس لدمج العديد من الإشارات الصوتية والسلوكية في الوقت الفعلي. تم إنشاء نماذج Ensemble Listening لسد هذه الفجوة.

ما هو نموذج Ensemble Listening؟

نموذج Ensemble Listening ليس شبكة عصبية واحدة تم تدريبها على القيام بكل شيء في وقت واحد. بل هو نظام منسق يتكون من العديد من النماذج المتخصصة ، كل منها مسؤول عن تحليل بعد مختلف من تفاعل الصوت.

في ELM ، تفحص نماذج منفصلة العاطفة والتوتر ومؤشرات الخداع وهوية المتحدث والتوقيت والإيقاع والتنغيم والضوضاء الخلفية والأصوات التي قد تكون اصطناعية أو منتحلة. يتم تنسيق هذه الإشارات من خلال طبقة تنسيق محاذاة زمنيًا ، مما ينتج تفسيرًا موحدًا ويمكن تفسيره لما يحدث في محادثة.

هذا التقسيم الصريح للعمل هو مركزي في نهج ELM. بدلاً من الاعتماد على نموذج ضخم لاستنتاج المعنى بشكل ضمني ، تجمع نماذج Ensemble Listening بين وجهات نظر متعددة موجهة ، مما يحسن من الدقة والشفافية.

داخل Velma 2.0

Velma 2.0 هو تطور كبير لنظم Modulate السابقة المعتمدة على Ensemble. يستخدم أكثر من 100 نموذج مكون يعملون معًا في الوقت الفعلي ، منظمة عبر خمس طبقات تحليلية.

تركز الطبقة الأولى على معالجة الصوت الأساسية ، وتحديد عدد المتحدثين وتوقيت الكلام وفترات التوقف. ثم يأتي استخراج الإشارات الصوتية ، الذي يحدد الحالات العاطفية ومستويات التوتر وإشارات الخداع وعلامات الصوت الاصطناعي والضوضاء البيئية.

تقيّم الطبقة الثالثة النية المتصورة ، مما يميز بين الثناء الحقيقي والتعليقات الساخرة أو العدائية. ثم يتبع نمذجة السلوك ديناميات المحادثة بمرور الوقت ، مما يحدد الإحباط والارتباك والكلام المكتوب أو محاولات الهندسة الاجتماعية. الطبقة النهائية ، تحليل المحادثة ، يترجم هذه الاكتشافات إلى أحداث ذات صلة بالمنشأة مثل العملاء غير الراضين أو انتهاكات السياسات أو الاحتيال المحتمل أو وكلاء الذكاء الاصطناعي الذين لا يعملون على نحو سليم.

تفيد Modulate أن Velma 2.0 يفهم معنى المحادثة والنية بدقة أكبر بحوالي 30٪ من الأساليب الرائدة القائمة على النماذج اللغوية الكبيرة ، مع كونها بين 10 و 100 مرة أكثر كفاءة في التكلفة على نطاق واسع.

من الإشراف على محتوى الألعاب إلى ذكاء المؤسسات

تعود أصول نماذج Ensemble Listening إلى عمل Modulate المبكر مع الألعاب عبر الإنترنت. الألعاب الشهيرة مثل Call of Duty و Grand Theft Auto Online تنتج بعض بيئات الصوت الأكثر تحديًا في العالم. المحادثات سريعة وصاخبة ومشحونة عاطفيًا ومليئة بالمصطلحات العامية والمراجع السياقية.

فصل الحديث الودي عن المضايقة الحقيقية في الوقت الفعلي يتطلب أكثر من مجرد نسخ. أثناء تشغيل Modulate لنظام الإشراف على المحتوى الصوتي ، ToxMod ، جمعت تدريجيًا مجموعات متزايدة التعقيد من النماذج لالتقاط هذه الفروق الدقيقة. أصبح تنسيق عشرات النماذج المتخصصة ضروريًا لتحقيق الدقة المطلوبة ، مما أدى في النهاية إلى قيام الفريق بتحويل النهج إلى إطار معماري جديد.

Velma 2.0 يعمم هذا الإطار ما وراء الألعاب. اليوم ، يقوم بتشغيل منصة Modulate للشركات ، حيث يحلل مئات الملايين من المحادثات عبر الصناعات لتحديد الاحتيال والسلوك العدواني وعدم رضا العملاء والنشاط غير العادي لوكلاء الذكاء الاصطناعي.

تحدي للنماذج الأساسية

يأتي الإعلان في لحظة تعيد فيه الشركات تقييم استراتيجيات الذكاء الاصطناعي. على الرغم من الاستثمارات الكبيرة ، نسبة كبيرة من مبادرات الذكاء الاصطناعي تفشل في الوصول إلى الإنتاج أو تقديم قيمة مستدامة. تشمل العوائق الشائعة الوهم ، وتكاليف الاستدلال المتزايدة ، وصنع القرار غير الشفاف ، وصعوبة دمج رؤى الذكاء الاصطناعي في سير العمل التشغيلي.

تعالج نماذج Ensemble Listening هذه القضايا مباشرة. من خلال الاعتماد على نماذج صغيرة متعددة بدلاً من نظام ضخم ، تكون ELMs أقل تكلفة في التشغيل ، وأسهل في التدقيق ، وأكثر تفسيرًا. يمكن تتبع كل إخراج إلى إشارات محددة ، مما يسمح للشركات بفهم سبب الوصول إلى استنتاج معين.

هذا المستوى من الشفافية مهم بشكل خاص في البيئات المنظمة أو عالية الخطورة حيث لا يتم قبول قرارات الصندوق الأسود. تضع Modulate ELMs ليس كبديل للنماذج اللغوية الكبيرة ، ولكن كبنية أكثر ملاءمة لذكاء الصوت من الدرجة المؤسسية.

ما وراء تحويل الكلام إلى نص

أحد الجوانب الأكثر تطلعًا في Velma 2.0 هو قدرته على تحليل كيفية قول شيء ، وليس فقط ما قيل. هذا يشمل الكشف عن الأصوات الاصطناعية أو المقلدة ، وهو قلق متزايد مع ازدياد سهولة الوصول إلى تقنية توليد الصوت.

مع تحسين تكنولوجيا تقليد الصوت ، تواجه الشركات مخاطر متزايدة تتعلق بالاحتيال والتحايل على الهوية والهندسة الاجتماعية. من خلال دمج الكشف عن الأصوات الاصطناعية مباشرة في Ensemble ، يتعامل Velma 2.0 مع أصالة الصوت بوصفها إشارة أساسية وليس إضافة اختيارية.

تتيح نمذجة السلوك أيضًا بالرؤى الوقائية. يمكنه تحديد متى يتحدث شخص ما من نص ، أو متى يتزايد الإحباط ، أو عندما يتجه التفاعل نحو الصراع. تتيح هذه القدرات للشركات التدخل في وقت مبكر وأكثر فعالية.

اتجاه جديد لذكاء الشركات

Modulate يصف نموذج Ensemble Listening كفئة جديدة من بنية الذكاء الاصطناعي ، متميزة عن كل من مسارات معالجة الإشارات التقليدية والنماذج الأساسية الكبيرة. الفكرة الأساسية هي أن التفاعلات البشرية المعقدة تفهم بشكل أفضل من خلال التخصص المنسق بدلاً من التوسع القسري.

مع مطالبة الشركات بأنظمة ذكاء اصطناعي قابلة للمساءلة وفعالة ومتوافقة مع الاحتياجات التشغيلية الحقيقية ، تشير نماذج Ensemble Listening إلى مستقبل حيث يتم تجميع الذكاء من مكونات متعددة مركزة. مع Velma 2.0 الآن في بيئات الإنتاج ، تراهن Modulate على أن هذا التحول المعماري سيكون له صدى في مجالات تتجاوز بكثير الإشراف على المحتوى الصوتي ودعم العملاء.

في صناعة تبحث عن بديل للصندوق الأسود المتزايد ، تشير نماذج Ensemble Listening إلى أن التطور الرئيسي التالي في الذكاء الاصطناعي قد يأتي من الاستماع بحرص أكبر ، وليس ببساطة الحوسبة بشكل أكثر عدوانية.

أنطوان قائد صاحب رؤية وشريك مؤسس في Unite.AI، يدفعه شغف راسخ بتشكيل مستقبل الذكاء الاصطناعي والروبوتات وتعزيزه. وبصفته رائد أعمال أسس عدة مشروعات، يؤمن بأن الذكاء الاصطناعي سيُحدث تحولًا في المجتمع يضاهي ما أحدثته الكهرباء، وكثيرًا ما يتحدث بحماس عن إمكانات التقنيات التحويلية والذكاء الاصطناعي العام (AGI).

وبصفته مستشرفًا للمستقبل، يكرس جهوده لاستكشاف كيف ستشكل هذه الابتكارات عالمنا. وهو أيضًا مؤسس Securities.io، وهي منصة تركز على الاستثمار في التقنيات المتطورة التي تعيد تعريف المستقبل وتعيد تشكيل قطاعات بأكملها.