Μοντέλα και πλατφόρμες AI
Η AWS προσθέτει το PolyAI Dialog-RSN-1 στον κατάλογο του SageMaker JumpStart

Βασικά σημείαΤο JumpStart συντομεύει τη διαδρομή από την αξιολόγηση σε ένα κυβερνώμενο τελικό σημείο…
Δείτε περισσότερα
- Το JumpStart συντομεύει τη διαδρομή από την αξιολόγηση σε ένα κυβερνώμενο τελικό σημείο AWS αλλά αφήνει την τηλεφωνία και τη σύνθεση ομιλίας στους πελάτες.
- Το Dialog-RSN-1 επιστρέφει μόνο κείμενο ή κλήσεις συναρτήσεων, επομένως κάθε ανάπτυξη πρέπει να προσθέσει το δικό της επίπεδο μετατροπής κειμένου σε ομιλία.
- Η χρέωση ξεκινά όταν το τελικό σημείο τεθεί σε λειτουργία και συνεχίζεται μέχρι τη διαγραφή ακόμη και όταν δεν είναι συνδεδεμένος κανένας πελάτης.
Η AWS ανακοίνωσε στις 19 Νοεμβρίου 2026 ότι το Dialog-RSN-1 της PolyAI προστέθηκε στον κατάλογο του Amazon SageMaker JumpStart, προσφέροντας ανάπτυξη με ένα κλικ, εργαλεία αξιολόγησης και τέσσερα προφίλ βελτιστοποίησης για το μοντέλο εξυπηρέτησης πελατών που βασίζεται εγγενώς στον ήχο. Το τελικό σημείο εκτελείται στον δικό του λογαριασμό AWS του πελάτη.
Η νέα εξέλιξη αφορά τη ροή εργασιών μέσω του καταλόγου και έρχεται έπειτα από δύο προηγούμενες ανακοινώσεις της PolyAI. Η PolyAI παρουσίασε το Dialog-RSN-1 στις 30 Ιουλίου 2026 και ανακοίνωσε την ανάπτυξη τελικού σημείου SageMaker μέσω του AWS Marketplace στις 6 Οκτωβρίου 2026. Το JumpStart προσθέτει δυνατότητες εντοπισμού, αξιολόγησης και προδιαμορφωμένης ανάπτυξης, ενώ οι πελάτες εξακολουθούν να εγγράφονται μέσω του AWS Marketplace.
Αξιολόγηση και ανάπτυξη σε έναν κατάλογο
Από το Model Hub της κονσόλας SageMaker AI, ο πελάτης επιλέγει το Dialog-RSN-1 και κατόπιν την επιλογή «Ανάπτυξη». Το JumpStart δημιουργεί ένα τελικό σημείο συμπερασματολογίας σε πραγματικό χρόνο σε μια προδιαμορφωμένη στοίβα εξυπηρέτησης, καταργώντας την ανάγκη χειροκίνητης επιλογής κοντέινερ και συγκριτικής αξιολόγησης δεκάδων συνδυασμών υποδομής. Οι ομάδες μπορούν, εναλλακτικά, να χρησιμοποιήσουν λίγες γραμμές κώδικα από το SageMaker Python SDK και να ενσωματώσουν την ανάπτυξη σε αγωγούς συνεχούς ενσωμάτωσης και συνεχούς παράδοσης.
Πριν από την ανάπτυξη, η κάρτα του μοντέλου εμφανίζει την καθυστέρηση P50, τον χρόνο μέχρι το πρώτο διακριτικό και τον ρυθμό διεκπεραίωσης. Τα προφίλ δίνουν προτεραιότητα στην καθυστέρηση, στον ρυθμό διεκπεραίωσης, στο κόστος ή σε μια ισορροπημένη χρήση γενικού σκοπού: το προφίλ καθυστέρησης ελαχιστοποιεί τον χρόνο μέχρι το πρώτο διακριτικό, το προφίλ ρυθμού διεκπεραίωσης μεγιστοποιεί τα διακριτικά ανά δευτερόλεπτο και το προφίλ κόστους ελαχιστοποιεί το κόστος υποδομής ανά αίτημα. Οι επιλογές αυτές συνδέουν τη διαμόρφωση εξυπηρέτησης με τον όγκο των κλήσεων, την ταχύτητα απόκρισης και τις απαιτήσεις δαπανών, αντί να εφαρμόζεται μία προεπιλεγμένη ρύθμιση σε κάθε φόρτο εργασίας.
Η αξιολόγηση βρίσκεται στην ίδια καταχώριση του καταλόγου. Το δείγμα σημειωματαρίου της PolyAI μεταδίδει ηχογραφημένο ήχο από καλούντες και εμφανίζει τις αποφάσεις του μοντέλου για την εναλλαγή σειράς ομιλίας, τις απαντήσεις και τις απομαγνητοφωνήσεις, επιτρέποντας στην ομάδα να εξετάσει τη συμπεριφορά του σε κλήσεις του είδους που αναμένει να διαχειριστεί. Οι ομάδες μπορούν να ελέγξουν την επισκόπηση και τα δείγματα πριν από την ανάπτυξη· για τη μετάδοση δικού τους ήχου μέσω του μοντέλου απαιτείται τελικό σημείο.
Συλλογιστική στον ήχο με ξεχωριστό επίπεδο φωνής
Το Dialog-RSN-1 επεξεργάζεται απευθείας τον ήχο του καλούντος και συνδυάζει σε ένα μοντέλο την εναλλαγή σειράς ομιλίας, την αναγνώριση ομιλίας, τη δημιουργία απαντήσεων και την κλήση συναρτήσεων. Σύμφωνα με την PolyAI, η απευθείας επεξεργασία ήχου διατηρεί τον τόνο, τους δισταγμούς και τον χρονισμό, στοιχεία που μπορεί να χαθούν σε ένα διαδοχικό σύστημα όταν η αναγνώριση ομιλίας μετατρέπει μια κλήση σε απομαγνητοφώνηση. Ένας ανιχνευτής φωνητικής δραστηριότητας ενεργοποιεί κάθε διερεύνηση, ενώ το πρώτο διακριτικό εξόδου του μοντέλου καταγράφει EMPTY, ONGOING ή COMPLETE, αναθέτοντας στο μοντέλο την τελική απόφαση για την εναλλαγή σειράς ομιλίας.
Η διαδρομή εξόδου είναι ξεχωριστή. Το Dialog-RSN-1 επιστρέφει κείμενο απάντησης σε ροή ή μια κλήση συνάρτησης, ενώ η απομαγνητοφώνηση του καλούντος αποστέλλεται χωριστά· δεν συνθέτει ομιλία. Επομένως, η ανάπτυξη πρέπει να παρέχει μετατροπή κειμένου σε ομιλία, διατηρώντας τη δυνατότητα του πελάτη να επιλέξει φωνή, αλλά προσθέτοντας ένα στοιχείο εκτός του τελικού σημείου του μοντέλου.
Η καταχώριση της PolyAI στο Marketplace αναφέρει διάμεσο χρόνο απόκρισης κάτω από 300 χιλιοστά του δευτερολέπτου μέχρι το πρώτο διακριτικό και περίπου 390 χιλιοστά του δευτερολέπτου για μια τυπική πλήρη συνομιλία με καλούντα σε περιβάλλον παραγωγής. Η διάκριση έχει σημασία, επειδή η καθυστέρηση του μοντέλου από μόνη της δεν αποτυπώνει την καθυστέρηση μιας πλήρους φωνητικής ανάπτυξης, η οποία περιλαμβάνει σύνθεση ομιλίας, τηλεφωνία και εξωτερικά εργαλεία.
Όρια ενσωμάτωσης και ωριαίο κόστος
Το τελικό σημείο βρίσκεται στο εικονικό ιδιωτικό νέφος του πελάτη, χρησιμοποιεί τους ρόλους του AWS Identity and Access Management και παρακολουθείται μέσω του Amazon CloudWatch. Επειδή η συμπερασματολογία εκτελείται μέσα σε αυτόν τον λογαριασμό, ο ήχος των κλήσεων και οι απομαγνητοφωνήσεις παραμένουν εντός της υποδομής που ελέγχει ο πελάτης, μια σχεδίαση που ανταποκρίνεται στις απαιτήσεις διαμονής δεδομένων και ελέγχου.
Το τελικό σημείο υλοποιεί το πρωτόκολλο OpenAI Realtime. Η γέφυρα πελάτη της PolyAI παρέχει ένα τοπικό WebSocket για πελάτες Realtime και μεταφέρει τα συμβάντα τους μέσω της υπογεγραμμένης αμφίδρομης ροής HTTP/2 του SageMaker· οι εφαρμογές μπορούν επίσης να καλούν απευθείας αυτή τη ροή. Οι πελάτες εξακολουθούν να είναι υπεύθυνοι για την τηλεφωνία, τον συντονισμό, την επιχειρησιακή λογική και την εκτέλεση εργαλείων, ενώ οι οδηγίες ενσωμάτωσης της PolyAI προβλέπουν την επικύρωση ημερομηνιών, αριθμών αναφοράς και ποσών πριν από την εκτέλεση κλήσεων εργαλείων.
Η είσοδος ήχου περιορίζεται σε μονοφωνικό PCM16, κωδικοποιημένο σε base64, στα 16 ή 24 kHz, χωρίς υποστήριξη για G.711, Opus ή στερεοφωνικό ήχο. Το παράθυρο περιβάλλοντος είναι 32.000 διακριτικά και το μοντέλο λειτουργεί μόνο στα αγγλικά. Οι συνδέσεις έχουν αυστηρό όριο διάρκειας 30 λεπτών και χρονικό όριο αδράνειας πέντε λεπτών. Η κατάσταση δεν διατηρείται μετά την επανασύνδεση, οπότε οι εφαρμογές πρέπει να επαναφέρουν το σχετικό περιβάλλον κατά τη δημιουργία νέας συνεδρίας.
Η συμπερασματολογία σε πραγματικό χρόνο κοστίζει $45 ανά ώρα φιλοξενίας στο ml.p4d.24xlarge και $110 ανά ώρα φιλοξενίας στο ml.p5.48xlarge. Μία ώρα φιλοξενίας αντιστοιχεί σε μία ώρα λειτουργίας της υπολογιστικής παρουσίας, ενώ ενδέχεται να ισχύουν πρόσθετες χρεώσεις για την υποδομή AWS. Η χρέωση αρχίζει όταν το τελικό σημείο τεθεί σε λειτουργία και συνεχίζεται μέχρι τη διαγραφή του, ακόμη κι όταν δεν είναι συνδεδεμένος κανένας πελάτης. Τα παραδείγματα ανάπτυξης της AWS διαγράφουν το τελικό σημείο, τη διαμόρφωση του τελικού σημείου και το μοντέλο κατά τον καθαρισμό.
Η κύρια συμβολή του JumpStart είναι ότι συντομεύει τη διαδικασία από την αξιολόγηση του μοντέλου έως τη δημιουργία ενός τελικού σημείου AWS με κατάλληλους μηχανισμούς διακυβέρνησης. Οι υπόλοιπες εργασίες για την παραγωγική λειτουργία αφορούν το περιβάλλον γύρω από το μοντέλο: τηλεφωνία, σύνθεση ομιλίας, επικύρωση εργαλείων, ανάκτηση συνεδριών και διαχείριση ενός τελικού σημείου που χρεώνεται ακόμη κι όταν παραμένει αδρανές. Επομένως, η επιχειρηματική σκοπιμότητα εξαρτάται από τα αποτελέσματα στη διαχείριση κλήσεων με βάση το ηχητικό υλικό του ίδιου του πελάτη, σε σύγκριση με τα συνεχιζόμενα έξοδα μηχανικής και φιλοξενίας.












