Alex Smola, συνιδρυτής της Boson AI – Σειρά συνεντεύξεων

Ο Alex Smola είναι συνιδρυτής της Boson AI, όπου εργάζεται πάνω στη συνομιλιακή τεχνητή νοημοσύνη φωνής και σε πολυτροπικά συστήματα. Η σταδιοδρομία του εκτείνεται από την ακαδημαϊκή έρευνα στο Carnegie Mellon University έως πρωτοβουλίες τεχνητής νοημοσύνης μεγάλης κλίμακας στην AWS. Συνδυάζει αυτή την ερευνητική εμπειρία με την εμπειρία του στην ανάπτυξη προϊόντων, δημιουργώντας βοηθούς που μπορούν να κατανοούν τα στοιχεία της συνομιλίας, να διαχειρίζονται τις διακοπές και να διεκπεραιώνουν χρήσιμες εργασίες.

Η Boson AI αναπτύσσει μοντέλα βάσης και εργαλεία για φωνητική, ηχητική και πολυτροπική αλληλεπίδραση. Το μοντέλο Higgs Realtime υποστηρίζει ζωντανές συνομιλίες ομιλίας με ομιλία, ενώ η ευρύτερη πλατφόρμα της περιλαμβάνει εκφραστική παραγωγή ομιλίας, άβαταρ και φωνητικούς πράκτορες για επιχειρήσεις. Σε αυτή τη συνέντευξη, ο Smola μιλά για τη συνομιλιακή νοημοσύνη, τις επιδόσεις σε πολλές γλώσσες, τα οικονομικά της εξαγωγής συμπερασμάτων και τις δικλίδες ασφαλείας που απαιτούνται για την ενσωμάτωση φωνητικών πρακτόρων σε πραγματικές επιχειρησιακές ροές εργασίας.

Η σταδιοδρομία σας σάς οδήγησε από την ακαδημαϊκή έρευνα στο Carnegie Mellon University στην ηγεσία πρωτοβουλιών τεχνητής νοημοσύνης μεγάλης κλίμακας στην AWS και, τώρα, στη συνίδρυση της Boson AI. Τι σας ενέπνευσε να εστιάσετε στη συνομιλιακή τεχνητή νοημοσύνη φωνής και ποιους θεμελιώδεις περιορισμούς στην αλληλεπίδραση ανθρώπου και τεχνητής νοημοσύνης ελπίζετε να ξεπεράσετε;

Οι άνθρωποι επικοινωνούν με πολύ περισσότερα από λέξεις. Μπορείτε να ακούσετε την αβεβαιότητα στη φωνή κάποιου ή να δείτε ότι δεν έχει καταλάβει μια εξήγηση. Μια μικρή ένδειξη επιβεβαίωσης μπορεί να σας δείξει ότι πρέπει να συνεχίσετε να μιλάτε. Αντιλαμβανόμαστε αυτά τα σημάδια χωρίς να το σκεφτόμαστε, αλλά η εκπαίδευση των υπολογιστών ώστε να τα αναγνωρίζουν παραμένει έργο σε εξέλιξη.

Αυτό είναι που κάνει τον συγκεκριμένο τομέα τόσο ενδιαφέρον για μένα. Διαθέτουμε πλέον συστήματα με σημαντική νοημοσύνη, αλλά η επικοινωνία μαζί τους μπορεί ακόμη να μοιάζει αμήχανη. Θέλω οι άνθρωποι να μπορούν να εξηγούν με δικά τους λόγια τι χρειάζονται, χωρίς να πρέπει πρώτα να βρουν πώς να μιλήσουν στο λογισμικό.

Στην AWS έμαθα να δίνω ιδιαίτερη προσοχή σε αυτό που προσπαθούσαν να κάνουν οι πελάτες και στο κατά πόσο το προϊόν τούς βοηθούσε. Μεταφέραμε αυτή την προσέγγιση στην Boson, έχοντας παράλληλα την ελευθερία να προχωράμε γρήγορα καθώς εξελίσσεται η έρευνα.

Η φωνή και το βίντεο προσφέρουν περισσότερα στοιχεία προς αξιοποίηση. Αν κάποιος δείχνει μπερδεμένος ή διστάζει, ο βοηθός έχει την ευκαιρία να ανταποκριθεί προτού η συνομιλία παρεκκλίνει. Το να πετυχαίνουμε αυτές τις καθημερινές αλληλεπιδράσεις είναι βασικό μέρος της φιλοδοξίας μας.

Η Boson AI παρουσίασε πρόσφατα το Higgs Realtime, το οποίο έχει σχεδιαστεί για να επιτρέπει φυσικές αλληλεπιδράσεις ομιλίας με ομιλία σε πραγματικό χρόνο. Τι διαφοροποιεί θεμελιωδώς αυτή την προσέγγιση από τα παραδοσιακά συστήματα που συνδυάζουν αναγνώριση ομιλίας, γλωσσικά μοντέλα και μετατροπή κειμένου σε ομιλία, και γιατί έχει σημασία αυτή η διάκριση για το μέλλον των βοηθών τεχνητής νοημοσύνης;

Σε μια παραδοσιακή αλληλουχία επεξεργασίας, η αναγνώριση ομιλίας μετατρέπει τα λόγια σας σε κείμενο, ένα γλωσσικό μοντέλο παράγει μια απάντηση και ένα μοντέλο ομιλίας την εκφωνεί. Κάθε στάδιο εξαρτάται από το προηγούμενο, γεγονός που μπορεί να κάνει τη συνομιλία να μοιάζει αργή και ασύνδετη.

Το Higgs Realtime είναι ένα μοντέλο ομιλίας με εγγενή επεξεργασία ήχου, σχεδιασμένο για ζωντανή αλληλεπίδραση. Η εκπαίδευσή του εστιάζει στη συνομιλιακή συμπεριφορά, όπως η εναλλαγή σειράς ομιλίας και η ανταπόκριση σε αιτήματα που αλλάζουν. Αυτό διαφέρει πολύ από το να προσθέτει κανείς φωνή σε ένα chatbot που βασίζεται σε κείμενο.

Σκεφτείτε τι συμβαίνει όταν κάνετε σε κάποιον μια δύσκολη ερώτηση. Μπορεί να πει «Ας το ψάξω» καθώς αναζητά την απάντηση. Ξέρετε ότι σας άκουσε και ότι ασχολείται με το θέμα. Ένας βοηθός τεχνητής νοημοσύνης πρέπει να κάνει το ίδιο όταν ανακτά πληροφορίες ή χρησιμοποιεί ένα εργαλείο, ώστε να μην αναρωτιέστε αν σας κατάλαβε ή αν σταμάτησε να λειτουργεί.

Αυτό γίνεται ακόμη πιο σημαντικό στις εργασίες μεγαλύτερης διάρκειας. Ο βοηθός πρέπει να σας ενημερώνει όσο εργάζεται και να ανταποκρίνεται αν κάνετε μια ερώτηση ή αλλάξετε γνώμη.

Μία από τις μεγαλύτερες προκλήσεις στη συνομιλιακή τεχνητή νοημοσύνη είναι να γνωρίζει πότε πρέπει να μιλήσει, πότε να ακούσει και πώς να διαχειριστεί διακοπές ή αλλαγές κατεύθυνσης. Πώς αντιμετωπίζει η Boson AI αυτές τις προκλήσεις και ποιες τεχνολογικές καινοτομίες εξακολουθούν να απαιτούνται προτού οι συνομιλίες με την τεχνητή νοημοσύνη μοιάζουν πραγματικά φυσικές;

Μια ένδειξη επιβεβαίωσης και μια διακοπή μπορεί να ακούγονται αρκετά παρόμοιες, αλλά απαιτούν διαφορετική ανταπόκριση. Αν κάποιος πει «ναι» ενώ μιλάτε, μπορεί να θέλει να συνεχίσετε. Αν διορθώσει ένα ψηφίο στον αριθμό τηλεφώνου του, πρέπει να σταματήσετε και να χρησιμοποιήσετε τον σωστό αριθμό. Ένας βοηθός τεχνητής νοημοσύνης πρέπει να μπορεί να ξεχωρίζει τις δύο περιπτώσεις.

Το Higgs Realtime αξιοποιεί το νόημα όσων λέει κάποιος για να εκτιμήσει αν έχει ολοκληρώσει την ομιλία του ή αν κάνει μια παύση. Είναι σημαντικό να ανταποκρίνεται γρήγορα, αλλά εξίσου σημαντικό είναι να γνωρίζει πώς να ανταποκριθεί.

Εξακολουθεί να είναι αρκετά δύσκολο να γίνεται αυτό με συνέπεια. Οι άνθρωποι δεν μιλούν σε τακτοποιημένες εναλλασσόμενες σειρές και οι ίδιες λέξεις μπορεί να σημαίνουν διαφορετικά πράγματα ανάλογα με τη συνομιλία. Ο βοηθός πρέπει να καταλαβαίνει τι άλλαξε και να θυμάται τι έκανε.

Η Boson AI έχει αναπτύξει σημεία αναφοράς, όπως το IHBench, για να μετρά πόσο αποτελεσματικά οι φωνητικοί πράκτορες επανέρχονται μετά από διακοπές. Τι αποκάλυψαν αυτές οι αξιολογήσεις για τις αδυναμίες των σημερινών κορυφαίων μοντέλων φωνής και πώς θα πρέπει ο κλάδος να επανεξετάσει τον τρόπο με τον οποίο μετρά τη συνομιλιακή νοημοσύνη;

Δημιουργήσαμε το IHBench για να εξετάσουμε τι συμβαίνει όταν κάποιος διακόπτει έναν φωνητικό πράκτορα. Αν διορθώσετε κάτι στη μέση μιας κράτησης, ο πράκτορας θα πρέπει να λάβει υπόψη τη διόρθωση και να συνεχίσει από το σωστό σημείο. Δεν θα πρέπει να χρειάζεται να ξεκινήσετε από την αρχή ή να ακούσετε ξανά πληροφορίες που σας έχει ήδη δώσει. Τα αποτελέσματα διέφεραν σημαντικά, ανάλογα με το μοντέλο και το είδος της διακοπής. Ένα από τα ευρήματα που δεν χαρήκαμε ιδιαίτερα να δημοσιεύσουμε ήταν ότι, γενικά, τα μοντέλα κλειστών βαρών διαχειρίζονταν καλύτερα τις διακοπές και ανταποκρίνονταν καλύτερα όσο πιο αργά στη συνομιλία συνέβαινε η διακοπή.

Αυτό αποτελεί πραγματικό κενό στο οικοσύστημα των μοντέλων ανοικτών βαρών και προτιμούμε να το μετρήσουμε δημόσια παρά να προσποιούμαστε ότι δεν υπάρχει. Αυτός είναι, άλλωστε, και ο κυριότερος λόγος ύπαρξης του benchmark. Δεν μπορείς να καλύψεις ένα κενό αν κανείς δεν έχει συμφωνήσει πώς να το μετρήσει. Δημοσιεύσαμε το benchmark χωρίς να συμπεριλάβουμε δικό μας μοντέλο. Όταν προσθέσαμε ένα, το Higgs Realtime σημείωσε 71,2 στην ποιότητα ανάκαμψης, ξεπερνώντας το GPT Realtime 1.5 με 65,5, το GPT Realtime 2 με 62,4 και το Gemini 3.1 Flash Live με 61,1. Άρα, το κενό μπορεί να καλυφθεί, και το κάλυψε ένα μοντέλο ανοικτών βαρών.

Θα προτιμούσα να το δείξω με μια δοκιμή που σχεδιάσαμε ώστε να είναι δύσκολη και δημοσιεύσαμε προτού έχουμε κάτι να παρουσιάσουμε σε αυτήν. Γενικότερα, πιστεύω ότι ο κλάδος μετρά τα λάθος πράγματα. Μια φωνή μπορεί να ακούγεται απολύτως φυσική και παρ’ όλα αυτά να αποτυγχάνει στη δουλειά της, γιατί το σημαντικό τεστ είναι αν ο πράκτορας ολοκληρώνει την εργασία. Αν πρέπει να του υπενθυμίζετε συνεχώς τι κάνατε, το πόσο καλή ακούγεται η φωνή παύει πολύ γρήγορα να έχει σημασία.

Υπάρχει σημαντική διαφορά ανάμεσα σε μια εντυπωσιακή επίδειξη τεχνητής νοημοσύνης με φωνητική διεπαφή και σε έναν αυτόνομο πράκτορα ικανό να διαχειρίζεται πραγματικές αλληλεπιδράσεις με πελάτες. Τι διαχωρίζει τα δύο και ποιες δυνατότητες πρέπει να βελτιωθούν προτού οι επιχειρήσεις μπορέσουν να αναπτύξουν με σιγουριά φωνητικούς πράκτορες σε κρίσιμες για τη λειτουργία τους ροές εργασίας;

Πότε ήταν η τελευταία φορά που χαρήκατε όταν καλέσατε την εταιρεία καλωδιακής τηλεόρασης; Για τους περισσότερους ανθρώπους, η απάντηση είναι ποτέ. Σας παραπέμπουν από τον έναν εκπρόσωπο στον άλλο και κάθε φορά εξηγείτε ξανά το όνομά σας, την ημερομηνία γέννησής σας και το πρόβλημά σας, ώστε ο επόμενος να σας ζητήσει να τα επαναλάβετε όλα. Ας πάρουμε, λοιπόν, την τέταρτη κλήση για το ίδιο πρόβλημα. Θέλετε ο πράκτορας να γνωρίζει τι συνέβη στις τρεις πρώτες. Αν η επανεκκίνηση του δρομολογητή δεν έχει βοηθήσει, ίσως είναι ώρα να σταλεί τεχνικός, και δεν θα πρέπει να χρειάζεται να επιχειρηματολογήσετε εσείς γι’ αυτό. Για να το κάνει αυτό, ο πράκτορας χρειάζεται το ιστορικό του λογαριασμού σας και πρόσβαση στο σύστημα που προγραμματίζει την επίσκεψη.

Πρέπει επίσης να μπορεί να ανταποκριθεί όταν αποτυγχάνει ο προγραμματισμός της επίσκεψης και να γνωρίζει πότε πρέπει να σας παραπέμψει σε κάποιον που μπορεί πράγματι να επιλύσει το πρόβλημα. Αυτές είναι οι περιπτώσεις που πρέπει να δοκιμάσει μια επιχείρηση προτού αναθέσει σε έναν πράκτορα τις κλήσεις πελατών. Έπειτα, υπάρχει και το κόστος λειτουργίας του. Ένα σύστημα που τα καταφέρνει εξαιρετικά σε μια επίδειξη μπορεί να είναι υπερβολικά ακριβό για να διαχειρίζεται χιλιάδες κλήσεις την ημέρα. Επομένως, η αποδοτικότητα αποτελεί μέρος της επιχειρησιακής ετοιμότητας και όχι ξεχωριστό ζήτημα.

Εδώ και αρκετούς μήνες εφαρμόζουμε αυτό ακριβώς το σενάριο με μια παγκόσμια ασφαλιστική εταιρεία. Δεν πρόκειται για δοκιμή που λειτουργεί παράλληλα με το πραγματικό σύστημα. Ο πράκτορας διαχειρίζεται ζωντανές συνομιλίες με πελάτες, εισερχόμενες και εξερχόμενες, δίπλα στους ανθρώπινους πωλητές της εταιρείας, στο τηλεφωνικό της κέντρο. Διαχειρίζεται χιλιάδες ταυτόχρονες κλήσεις, με κόστος περίπου το ένα τρίτο εκείνου ενός ανθρώπινου εκπροσώπου.

Αυτό που βρίσκω πιο ενδιαφέρον από το κόστος είναι ότι βελτιώθηκε εν λειτουργία. Η αξιολόγηση της ίδιας της εταιρείας βαθμολόγησε την ποιότητα των συνομιλιών μας με 30 όταν ξεκινήσαμε. Πέντε μήνες αργότερα, η βαθμολογία ήταν 80, δηλαδή η επίδοση που χρησιμοποιούν ως σημείο αναφοράς για έναν καταρτισμένο ανθρώπινο τηλεπωλητή. Το GPT-4o Realtime σημείωσε 55 στην ίδια αξιολόγηση. Δεν πετύχαμε αυτό το αποτέλεσμα κάνοντας ρυθμίσεις σε ένα εργαστήριο. Το σύστημα βελτιώθηκε με βάση τις κλήσεις που διαχειριζόταν πραγματικά, και αυτό είναι το μόνο είδος βελτίωσης που ενδιαφέρει ένα τηλεφωνικό κέντρο.

Καθώς οι φωνητικοί πράκτορες περνούν από την απλή απάντηση σε ερωτήσεις στην εκτέλεση εργασιών, την πρόσβαση σε πληροφορίες πελατών και την αλληλεπίδραση με εταιρικά συστήματα, πώς θα πρέπει οι προγραμματιστές να εξισορροπούν την αυτονομία με την ανθρώπινη εποπτεία; Ποιες δικλίδες ασφαλείας είναι απαραίτητες για την οικοδόμηση μακροχρόνιας εμπιστοσύνης σε αυτά τα συστήματα;

Θα ξεκινούσα ρωτώντας τι ακριβώς εμπιστεύεστε στον πράκτορα να κάνει. Το να του επιτρέπετε να αναζητήσει το υπόλοιπο ενός λογαριασμού είναι πολύ διαφορετικό από το να του επιτρέπετε να μεταφέρει χρήματα ή να ακυρώσει μια υπηρεσία. Τα δικαιώματα πρόσβασης θα πρέπει να αντικατοπτρίζουν αυτή τη διαφορά, ενώ τα συστήματα με τα οποία συνδέεται πρέπει να επιβάλλουν αυτούς τους περιορισμούς. Δεν μπορείτε να αφήσετε όλα αυτά να εξαρτώνται από μια οδηγία σε ένα prompt.

Οι άνθρωποι θα πρέπει επίσης να γνωρίζουν με τι συμφωνούν. Προτού ένας πράκτορας κάνει μια αλλαγή που θα ήταν δύσκολο να ανακληθεί, θα πρέπει να εξηγεί τις συνέπειες και να ζητά επιβεβαίωση. Έτσι, αν κολλήσει, θα είναι εύκολο να αναλάβει κάποιος άνθρωπος.

Τα πράγματα και πάλι θα πηγαίνουν στραβά. Όταν συμβεί αυτό, πρέπει να μπορείτε να δείτε τι έκανε ο πράκτορας και σε ποιο σημείο σταμάτησε, ώστε κάποιος να μπορέσει να διορθώσει την κατάσταση. Μια φωνή που ακούγεται σίγουρη μπορεί να μας κάνει να υποθέσουμε ότι ένα σύστημα ξέρει τι κάνει, αλλά αυτή την εμπιστοσύνη πρέπει να την κερδίζει με την αξιοπιστία της συμπεριφοράς του.

Το Higgs Realtime υποστηρίζει περισσότερες από 100 γλώσσες, ενώ μπορεί και να αλλάζει γλώσσα στη διάρκεια μιας συνομιλίας. Ποιες είναι οι μεγαλύτερες τεχνικές προκλήσεις για τη διασφάλιση σταθερής νοημοσύνης στις συνομιλίες σε διαφορετικές γλώσσες, προφορές και επικοινωνιακά στιλ, ιδίως όσον αφορά την κατανόηση του συναισθηματικού πλαισίου και της πρόθεσης του χρήστη;

Η κάλυψη γλωσσών ακούγεται σαν μια απλή λίστα, αλλά δεν είναι. Πριν από λίγο καιρό, ένας πελάτης χρειάστηκε υποστήριξη για τα ταϊλανδικά. Η κάλυψή μας ήταν μερική και το πρώτο πράγμα που διαπιστώσαμε ήταν ότι δεν γνωρίζαμε απολύτως τίποτα για την ίδια την ταϊλανδική γλώσσα — αρχής γενομένης από το γεγονός ότι η γραπτή ταϊλανδική γλώσσα ουσιαστικά δεν έχει σημεία στίξης. Αυτό ανατρέπει τις παραδοχές για τα όρια των προτάσεων πάνω στις οποίες βασίζονται τα περισσότερα συστήματα ομιλίας. Θα μπορούσαμε να είχαμε αναβάλει την είσοδό μας στην αγορά. Αντί γι’ αυτό, βρήκαμε επιστήμονες πληροφορικής που μιλούσαν ταϊλανδικά και ανακατασκευάσαμε σωστά τον τρόπο με τον οποίο το σύστημα επεξεργάζεται τη γλώσσα.

Περίπου έξι εβδομάδες αργότερα, βρισκόμασταν στην Μπανγκόκ και το παρουσιάζαμε. Κατά τη διάρκεια της επίδειξης δεν μπορούσα να καταλάβω πώς πήγαινε — άκουγα ανθρώπους να δοκιμάζουν ένα σύστημα σε μια γλώσσα που δεν μιλάω — και μετά μου είπαν ότι ήταν καλό, κάτι που ήταν μεγάλη ανακούφιση. Οι επικοινωνιακές συμβάσεις διαφέρουν όσο και το λεξιλόγιο. Στα ιαπωνικά, οι ακροατές κάνουν μικρές επιβεβαιωτικές παρεμβολές ενώ μιλάς, για να δείξουν ότι παρακολουθούν. Αν ο βοηθός σταματά κάθε φορά για να παραχωρήσει τον λόγο, καταστρέφει τον ρυθμό της συζήτησης.

Οι λέξεις μπορεί να είναι τέλειες κι όμως η συζήτηση να αποτυγχάνει. Και ο τρόπος με τον οποίο λες κάτι έχει εξίσου μεγάλη σημασία με αυτό που λες. Μπορείς να χρησιμοποιήσεις ακριβώς τις ίδιες λέξεις με τρυφερότητα ή σαρκασμό, και η κατάλληλη απάντηση είναι εντελώς διαφορετική. Το να διατηρείς τον τόνο και το πλαίσιο καθώς αλλάζει η γλώσσα στη μέση μιας πρότασης είναι μεγάλο μέρος αυτού που με συναρπάζει σε αυτόν τον τομέα.

Εταιρείες όπως η OpenAI και η Google επενδύουν σημαντικά στην πολυτροπική τεχνητή νοημοσύνη σε πραγματικό χρόνο. Πώς μπορεί μια εξειδικευμένη εταιρεία όπως η Boson AI να ανταγωνιστεί οργανισμούς με πολύ μεγαλύτερους υπολογιστικούς πόρους και πού βλέπετε τις μεγαλύτερες ευκαιρίες διαφοροποίησης στην αρχιτεκτονική των μοντέλων, τις επιδόσεις και τα οικονομικά της εξαγωγής συμπερασμάτων;

Το να έχεις περισσότερη υπολογιστική ισχύ δεν σημαίνει αυτόματα ότι τη χρησιμοποιείς αποτελεσματικά. Σε μια ζωντανή συνομιλία μπορείς να ξοδέψεις πάρα πολλά χρήματα για να λειτουργήσεις ένα πολύ ισχυρό μοντέλο, μόνο και μόνο για να επεξεργαστεί κάποιον που λέει «χμμ» ή «ναι, μάλλον». Το μοντέλο αυτό θα αφιερώσει μεγάλο μέρος της νοημοσύνης του στο να ακούει λέξεις-γεμίσματα. Οι εγκέφαλοι είναι ακριβοί και καταναλώνουν πολλή ενέργεια· το ίδιο ισχύει και για την εξαγωγή συμπερασμάτων. Στο τέλος, το κόστος το πληρώνει ο πελάτης.

Οι άνθρωποι το αντιμετωπίζουν αυτό κατανέμοντας την προσοχή τους. Μπορεί να βρίσκεσαι σε μια καφετέρια και να κάνεις μια κάπως βαρετή συζήτηση, ενώ παράλληλα ένα μέρος του μυαλού σου σκέφτεται τι να μαγειρέψεις για βραδινό. Το συνειδητό μέρος του μυαλού σου παρακολουθεί τη συζήτηση. Έπειτα, ο συνομιλητής σου σε ρωτά κάτι πραγματικά δύσκολο και αφοσιώνεσαι πλήρως, αφιερώνοντας όλη σου την προσοχή σε αυτό. Με τον ίδιο τρόπο κατασκευάζουμε τα συστήματα συνομιλίας.

Ένα οικονομικό μοντέλο αναλαμβάνει το αρχικό μέρος της συνομιλίας, ενώ η ακριβότερη συλλογιστική και οι κλήσεις εργαλείων ενεργοποιούνται όταν το απαιτεί πράγματι η εργασία. Το άλλο σκέλος είναι ότι αγοράσαμε την υπολογιστική μας ισχύ αντί να την ενοικιάζουμε. Οι υπολογισμοί είναι απλοί: παίρνεις το ωριαίο κόστος μιας παρουσίας στο cloud, το πολλαπλασιάζεις με τις ώρες ενός έτους και καταλήγεις σε ένα ποσό κοντά στο κόστος αγοράς του εξοπλισμού. Υπολογίσαμε το σημείο ισορροπίας για κάθε εξάρτημα ξεχωριστά και προχωρήσαμε από εκεί. Η διαδικασία ήταν πιο δύσκολη απ’ όσο ακούγεται και δεν πήγαν όλα τέλεια. Ωστόσο, έτσι αποκλείεται η απλή κλιμάκωση με την προσθήκη υπολογιστικής ισχύος, πράγμα που σημαίνει ότι κάθε βελτίωση πρέπει να προέρχεται από καλύτερα δεδομένα και καλύτερη αρχιτεκτονική. Αυτό αποδείχθηκε επίσης προστατευτικό για εμάς: εξαρτήματα για τα οποία μας είχαν δώσει προσφορά κάτω από 100.000 δολάρια κόστιζαν περίπου τα διπλάσια έξι μήνες αργότερα. Μπορούμε να κινούμαστε γρήγορα επειδή είμαστε μια μικρή ομάδα που εργάζεται πάνω σε ένα μόνο αντικείμενο. Ένας ερευνητής μπορεί να συλλάβει μια ιδέα, να τη δοκιμάσει και να την ενσωματώσει ο ίδιος στο προϊόν. Επωφελούμαστε επίσης από την κοινότητα ανοιχτής έρευνας και συνεισφέρουμε σε αυτήν, κάτι που επιτρέπει σε μια μικρή ομάδα να πετυχαίνει πολύ περισσότερα απ’ όσα θα υπέθετε κανείς από το μέγεθός της.

Η έρευνά σας στο ProactBench εξετάζει μια σημαντική διάσταση της νοημοσύνης στις συνομιλίες: την αναγνώριση των αναγκών των χρηστών ακόμη κι όταν δεν τις έχουν εκφράσει ρητά. Πώς φαντάζεστε την εξέλιξη των φωνητικών πρακτόρων, από αντιδραστικούς βοηθούς σε προδραστικούς συνεργάτες, και πού θα πρέπει να χαράσσονται τα όρια ανάμεσα στην πρόβλεψη των αναγκών των χρηστών και στην υπέρβαση των ορίων;

Ας πούμε ότι κλείνεις ραντεβού με γιατρό και, νωρίς στη συζήτηση, αναφέρεις ότι δεν μπορείς να οδηγήσεις. Ένας καλός βοηθός θα το θυμόταν και θα σου πρότεινε ένα εξ αποστάσεως ραντεβού ή θα σε βοηθούσε να βρεις τρόπο μετακίνησης. Δεν θα έπρεπε να χρειάζεται να επαναλαμβάνεις αυτή την πληροφορία.

Αυτό μελετάμε με το ProactBench: κατά πόσο ένας βοηθός μπορεί να αξιοποιήσει όσα του έχεις πει, ώστε να προβλέψει τις ανάγκες σου και να προσφέρει βοήθεια που δεν έχεις ζητήσει άμεσα.

Φυσικά, μπορεί να έχεις ήδη κανονίσει να σε μεταφέρουν στο ραντεβού σου. Ο βοηθός θα πρέπει να σου προτείνει αυτή την επιλογή και να σε αφήνει να αποφασίσεις, αντί να υποθέτει ότι γνωρίζει τα σχέδιά σου. Θα ήθελα αυτά τα συστήματα να γλιτώνουν κόπο στους ανθρώπους, χωρίς να τους στερούν τον έλεγχο όσων συμβαίνουν.

Κοιτάζοντας τα επόμενα πέντε χρόνια, πιστεύετε ότι η φωνή θα γίνει η κύρια διεπαφή μέσω της οποίας οι άνθρωποι αλληλεπιδρούν με την τεχνητή νοημοσύνη και το λογισμικό; Αν ναι, πώς θα μπορούσε αυτή η αλλαγή να αναδιαμορφώσει τις παραδοσιακές εφαρμογές, το επιχειρηματικό λογισμικό και τον ρόλο των οθονών και των γραφικών διεπαφών χρήστη;

Πιστεύω ότι θα μιλάμε πολύ περισσότερο στους υπολογιστές, συχνά και με τη χρήση βίντεο. Όταν βλέπεις κάποιον να δείχνει μπερδεμένος, καταλαβαίνεις ότι ίσως χρειάζεται να εξηγήσεις κάτι διαφορετικά. Η επίδειξη ήχου και βίντεο που έχουμε αναπτύξει δείχνει τα πρώτα βήματα αυτού του είδους αλληλεπίδρασης: η τεχνητή νοημοσύνη ανταποκρίνεται τόσο σε όσα βλέπει όσο και σε όσα ακούει.

Εξακολουθώ να προτιμώ το πληκτρολόγιο για τη συγγραφή κώδικα, ενώ, αν συγκρίνω πληροφορίες, μπορεί να θέλω να τις έχω σε μια οθόνη, ώστε να μπορώ να τις εξετάσω με τον δικό μου ρυθμό.

Όσον αφορά το επιχειρηματικό λογισμικό, μπορώ να φανταστώ ότι ξεκινά κανείς μια εργασία εξηγώντας τι χρειάζεται και στη συνέχεια εξετάζει το αποτέλεσμα στην οθόνη και κάνει απευθείας αλλαγές. Μέσα στα επόμενα πέντε χρόνια, πιστεύω ότι θα γίνει πολύ ευκολότερη η εναλλαγή ανάμεσα σε αυτούς τους τρόπους εργασίας. Θα μπορούσε κανείς να μιλά όταν τον βολεύει και να χρησιμοποιεί την οθόνη όταν χρειάζεται ακρίβεια.

Ευχαριστούμε για την εξαιρετική συνέντευξη. Οι αναγνώστες που θέλουν να εξερευνήσουν την τεχνητή νοημοσύνη για φωνητικές συνομιλίες και τους φωνητικούς πράκτορες για επιχειρήσεις, μπορούν να επισκεφθούν την Boson AI.