ما هو الحقيقي وما هو التفاؤل الزائف في الذكاء الاصطناعي الصوتي

في عام 2024، إذا اتصلت بخط دعم شركة وتم تحويلك إلى “وكيل صوتي”، كنت تعلم أنك تتحدث إلى آلة خلال الثواني القليلة الأولى. بضع ثوانٍ من الصمت بين سؤالك وإجابته كان واضحًا أن البرنامج هو الموجود على الطرف الآخر من الخط. بعد عامين وعدة مليارات من التمويل، اختفت تلك العلامات الدالة. أنظمة الذكاء الاصطناعي الصوتي الأفضل اليوم جيدة بما يكفي لعدم تمكن الناس من التعرف عليها في اختبارات عمياء ليس بين الحين والآخر، بل بانتظام. نحن، وفقًا لمعظم التعريفات العملية، نشاهد الذكاء الاصطناعي الصوتي يتجاوز اختبار تورينغ في الحياة الواقعية.

الخرافة #1: النماذج الأكبر لا تجعل الذكاء الاصطناعي الصوتي أكثر إنسانية

الافتراض الافتراضي في الصناعة هو أن الحجم يحل كل شيء: رمي نموذج لغة أكبر على المشكلة يجعل الوكيل أكثر إنسانية. لا يعمل الأمر بهذه الطريقة، لأن البشر لا يعالجون المحادثة كما يعالج النموذج الموجه، بل نُقاطع في منتصف الفكرة بدلاً من الانتظار لجملة كاملة. الوكيل الصوتي الذي ينتظر، يعالج، ثم يرد يبدو روبوتيًا مهما كان إخراجه واضحًا، لأن التوقيت هو المؤشر، وليس المفردات. النماذج الأصغر المتخصصة التي تتعامل مع المحادثات الروتينية في الوقت الحقيقي غالبًا ما تبدو أكثر إنسانية، وتتصاعد فقط عند الحاجة مع الحفاظ على مرونة كافية لمواكبة المتصل.

الخرافة #2: “نحن نتعامل مع 90٪ من المكالمات” عادةً ما تعني الاحتواء، وليس الحل

لا يزال الذكاء الاصطناعي الصوتي يعتمد على معايير محددة لتقييم الأداء و”احتواء المكالمات” ربما يكون الأكثر إغراءً. هذا المقياس يقيم نسبة المكالمات التي يتعامل معها الذكاء الاصطناعي الصوتي دون تدخل بشري، ويستمر لأنه نادرًا ما يُسأل المتابع الواضح: هل تم حل المكالمات المحتواة فعلاً؟ تُحتوى المكالمة إذا لم يتم تحويل العميل إلى إنسان؛ تُحل فقط إذا تم إصلاح المشكلة. يبرز البائعون الاحتواء لأنه الرقم الأكبر، لكنه لا يقول شيئًا عن ما إذا كان النشر يعمل. هذا الانفصال هو مصدر معظم خيبة الأمل في نشرات الذكاء الاصطناعي الصوتي للمؤسسات. اطلب من أي بائع معدل الحل بدلاً من ذلك، ولاحظ تغير المحادثة.

الخرافة #3: الذكاء الاصطناعي الصوتي الشبيه بالإنسان والذي يختلق إجابات أسوأ من الذكاء الاصطناعي الروبوتي الذي لا يفعل ذلك

هناك الكثير مما يعجبنا في الذكاء الاصطناعي الذي يبدو إنسانيًا بشكل مقنع، فهو ما يجعل التفاعلات الصوتية تبدو طبيعية بدلاً من روبوتية. لكن الهدف الحقيقي هو الجمع بين تلك الدفء البشري والدقة، لأن الصوت الذي يبدو إنسانيًا ويكون دائمًا صحيحًا سيتفوق دائمًا على الصوت الذي يبدو إنسانيًا فقط. النماذج الصوتية غير المرتكزة، التي تعتمد فقط على ذاكرة التدريب الداخلية، يمكن أن تخلّق أوهامًا في 15 إلى 30 بالمائة من المكالمات الحقيقية. أنظمة الذكاء الاصطناعي الصوتي التي تُرسّخ كل استجابة في بيانات العملاء والأنظمة الخلفية الفعلية، بدلاً من السماح للنموذج بالارتجال، تكون أقل احتمالًا لتزويد المتصلين بمعلومات خاطئة بثقة، مما يضلّهم. إذا كان البائع لا يستطيع شرح كيف يتحكم نظامه في الأوهام، فأنت تحصل فقط على نصف الفكرة.

الخرافة #4: الذكاء الصوتي يتعلق بما *لا* تحتفظ به، وليس بما تفعله

أدخلت ChatGPT فكرة سائدة في صناعة التقنية مفادها أن المزيد من المعاملات وكمية أكبر من بيانات التدريب يجب أن تؤدي حتمًا إلى مزيد من الذكاء وأفضلية. لكن هذا ليس هو ما يعمل به الذكاء البشري، وبالتالي ليس النموذج المناسب لكيفية عمل الذكاء الاصطناعي الصوتي. نحن لا نحتفظ بكل قطعة من المعلومات التي سمعناها على الإطلاق، بل نحتفظ بما هو مهم ونترك البقية. نماذج اللغة الكبيرة اليوم تفعل العكس: تُضغط كل شيء داخلها – وهذا أحد أسباب الانفجار في طلب مراكز البيانات. ولكن بالنسبة للغالبية العظمى من حالات الاستخدام الصوتية في العالم الحقيقي، مثل دعم العملاء، النسخ، المحادثات المهيكلة، إلخ، غالبًا ما يتفوق نموذج صغير مخصص على نموذج عام يضم تريليون معامل من حيث التكلفة، والكمون، وغالبًا الدقة.

الخرافة #5: الاستبدال الكامل للوكالات البشرية مقابل معرفة حدودك

من الواضح أن لا أحد يرغب في صوت ذكاء اصطناعي يتظاهر بالثقة فقط لتجنب الاعتراف بأنه لا يعرف شيئًا. لهذا السبب تُحاكي عمليات النشر التي تقدم قيمة فعلية طريقة عمل الموظف البشري الجيد. فهم يعرفون كيف يتعاملون مع ما يعرفونه فورًا، وفي اللحظة التي يواجهون فيها مجالًا غير مألوف أو عميلًا صعبًا، يرفعون إشارة، يضعون العميل على وضع الانتظار لفترة قصيرة وطبيعية، ثم يصعدون إلى نموذج أكبر أو وكيل بشري. لا ينبغي أن يكون الهدف أبدًا 100٪ أتمتة. الإعداد المثالي هو وكيل يتعرف، في الوقت الحقيقي، على حدود كفاءته الخاصة، لأن ذلك هو ما يجعله آمنًا للنشر على نطاق واسع.

الخرافة #6: الصوت لا يقضي على جميع الواجهات الأخرى، بل يعزز ما نستخدمه بالفعل

هناك افتراض شائع بأن الصوت الذكي عندما يصبح كافيًا، سيختفي الكتابة والشاشات تدريجيًا. لا أعتقد أننا نتجه نحو عدم وجود كتابة، ولا تختفي الشاشات؛ سيظل الناس بحاجة إليها لمشاهدة الفيديو، أو مسح لوحة تحكم، أو مراجعة شيء بصريًا. ما يتغير هو أن جزءًا أكبر بكثير من تفاعلنا اليومي مع الآلات سيتحول إلى الصوت، كما يحدث بالفعل بين الأشخاص، مضافًا إلى الواجهات التي لا تزال منطقية. الصوت لن يحل محل كل شيء؛ بل سيصبح ببساطة الخيار الافتراضي في أماكن أكثر مما كان عليه سابقًا.

الخرافة #7: ربط نموذج لغة كبير بواجهة برمجة تطبيقات تحويل النص إلى كلام جاهزة يُعد وكيلًا صوتيًا

مع تحول الذكاء الاصطناعي الصوتي إلى ميزة تنافسية للعلامات التجارية الاستهلاكية، يبدو العديد من “أغلفة الوكيل الصوتي”، وهي خدمات تُضاف فوق البنية التحتية القائمة لأغراض العلامة التجارية أو الفوترة، مثيرة للإعجاب في العرض التجريبي لكنها نادرًا ما تصمد أمام حجم مراكز الاتصال الفعلي. ربط تحويل الكلام إلى نص، نموذج لغة، وتحويل النص إلى كلام يزيد من زمن الاستجابة في كل مرحلة انتقالية. ما يحافظ فعليًا على تماسك النظام على نطاق واسع ليس طبقة الـ API، بل اقتصاديات الوحدة لتشغيل الخط الأنبوبي تحت الحمل وتحسين مستوى الشريحة للحفاظ على السرعة والتكلفة المعقولة. هذا هو العمل غير البراق الذي يتجاهله معظم الأغلفة، وهو ما سيحدد الجيل القادم من تجربة العملاء.

الخط الفاصل المهم

كل دورة ضجيج في النهاية تخلق نظامها الخاص لتحديد من هو الجاد ومن هو مجرد متفرج. كلما أصبحت واجهات الصوت أصعب فأصعب في التمييز عن إنسان على الطرف الآخر من الخط، ستصبح الفروقات بين الأنظمة المصممة لتبدو موثوقة والأنظمة التي تكون موثوقة فعليًا أكثر أهمية بكثير مما هي عليه اليوم. الشركات التي تتعامل مع ذلك ك disciplina هندسية الآن، بدلاً من مجرد خانة تسويقية، هي التي سيظل العملاء يثقون بها عندما تزول الجدة.