Η Modulate Παρουσιάζει τα Μοντέλα Συνεργατικής Ακρόασης, Ξαναορίζοντας τον Τρόπο με τον Οποίο η Τεχνητή Νοημοσύνη Καταλαβαίνει την Ανθρώπινη Φωνή

Η τεχνητή νοημοσύνη έχει προοδεύσει ταχύτατα, ωστόσο μια περιοχή έχει παραμείνει σταθερά δύσκολο: η πραγματική κατανόηση της ανθρώπινης φωνής. Όχι μόνο τα λόγια που προφέρονται, αλλά και το συναισθηματικό υπόβαθρο, η πρόθεση που διαμορφώνεται από τον τόνο και τη χρονική διάρκεια, και τα λεπτά σήματα που διακρίνουν την φιλική κουβέντα από την απάτη, την εξαπάτηση ή τον κίνδυνο. Σήμερα, η Modulate ανακοίνωσε μια σημαντική πρόοδο με την εισαγωγή του Μοντέλου Συνεργατικής Ακρόασης (ELM), μια νέα αρχιτεκτονική τεχνητής νοημοσύνης σχεδιασμένη ειδικά για την κατανόηση της φωνής στον πραγματικό κόσμο.

Παράλληλα με την ανακοίνωση της έρευνας, η Modulate παρουσίασε το Velma 2.0, την πρώτη παραγωγική ανάπτυξη ενός Μοντέλου Συνεργατικής Ακρόασης. Η εταιρεία αναφέρει ότι το Velma 2.0 υπερβαίνει τα leading foundation models στην ακρίβεια της συνομιλίας ενώ λειτουργεί με ένα κλάσμα του κόστους, μια αξιοσημείωτη αξίωση σε μια εποχή που οι επιχειρήσεις επαναξιολογούν τη βιωσιμότητα των μεγάλης κλίμακας αναπτύξεων τεχνητής νοημοσύνης.

Γιατί η Φωνή Έχει BEEN Difficult για την Τεχνητή Νοημοσύνη

Τα περισσότερα συστήματα τεχνητής νοημοσύνης που αναλύουν την ομιλία ακολουθούν μια οικεία προσέγγιση. Το ήχο μετατρέπεται σε κείμενο, και αυτό το κείμενο επεξεργάζεται από ένα μεγάλο γλωσσικό μοντέλο. Ενώ είναι αποτελεσματικό για τη μεταγραφή και τη σύνοψη, αυτή η διαδικασία αφαιρεί πολλά από αυτά που κάνουν τη φωνή σημαντική.

Ο τόνος, η συναισθηματική πτώση, η διστακτικότητα, ο σαρκασμός, η επικαλύπτουσα ομιλία και ο θόρυβος του φόντου μεταφέρουν σημαντικό контέκστ. Όταν η ομιλία ισοπεδώνεται σε κείμενο, αυτές οι διαστάσεις χάνονται, συχνά με αποτέλεσμα λανθασμένη ερμηνεία του σκοπού ή του συναισθήματος. Αυτό γίνεται ιδιαίτερα προβληματικό σε περιβάλλοντα όπως η υποστήριξη πελατών, η ανίχνευση απάτης, τα online παιχνίδια και οι επικοινωνίες που βασίζονται στην τεχνητή νοημοσύνη, όπου η νюανς επηρεάζει直接 τα αποτελέσματα.

Σύμφωνα με την Modulate, αυτός ο περιορισμός είναι αρχιτεκτονικός και όχι δεδομένο-κίνητος. Τα μεγάλα γλωσσικά μοντέλα είναι βελτιστοποιημένα για την πρόβλεψη κειμένου, όχι για την ενσωμάτωση πολλαπλών ακουστικών και συμπεριφορικών σημάτων σε πραγματικό χρόνο. Τα Μοντέλα Συνεργατικής Ακρόασης δημιουργήθηκαν για να αντιμετωπίσουν αυτό το κενό.

Τι είναι ένα Μοντέλο Συνεργατικής Ακρόασης;

Ένα Μοντέλο Συνεργατικής Ακρόασης δεν είναι ένα seul νευρωνικό δίκτυο που έχει εκπαιδευτεί να κάνει τα πάντα μαζί. Αντίθετα, είναι ένα συντονισμένο σύστημα που αποτελείται από πολλά εξειδικευμένα μοντέλα, το καθένα από τα οποία είναι υπεύθυνο για την ανάλυση διαφορετικών διαστάσεων μιας αλληλεπίδρασης φωνής.

Σε ένα ELM, ξεχωριστά μοντέλα εξετάζουν το συναισθηματικό υπόβαθρο, την πίεση, τα δείκτες απάτης, την ταυτότητα του ομιλητή, τη χρονική διάρκεια, την προσωδία, τον θόρυβο του φόντου και τις πιθανές συνθετικές ή μιμημένες φωνές. Αυτά τα σήματα συγχρονίζονται μέσω ενός στρώματος ορχήστρας που παράγει μια ενιαία και ερμηνεύσιμη ερμηνεία του τι συμβαίνει σε μια συνομιλία.

Αυτή η ρητή διαίρεση της εργασίας είναι κεντρική στην προσέγγιση του ELM. Αντί να βασίζονται σε ένα seul μεγάλο μοντέλο για να συναγάγουν τη σημασία 암PLICIT, τα Μοντέλα Συνεργατικής Ακρόασης συνδυάζουν πολλαπλά στοχευμένα προοπτικά, βελτιώνοντας τόσο την ακρίβεια όσο και τη διαφάνεια.

Μέσα στο Velma 2.0

Το Velma 2.0 είναι μια σημαντική εξέλιξη των προηγούμενων συστημάτων της Modulate. Χρησιμοποιεί περισσότερα από 100 συνιστώσες μοντέλα που λειτουργούν μαζί σε πραγματικό χρόνο, δομημένα σε πέντε αναλυτικά στρώματα.

Το πρώτο στρώμα επικεντρώνεται στην βασική επεξεργασία ήχου, καθορίζοντας τον αριθμό των ομιλητών, τη χρονική διάρκεια και τις паύσεις. Στη συνέχεια έρχεται η εξαγωγή ακουστικών σημάτων, η οποία αναγνωρίζει τα συναισθηματικά καταστάσεις, τα επίπεδα πίεσης, τα δείκτες απάτης, τα σημάδια συνθετικών φωνών και τον θόρυβο του φόντου.

Το τρίτο στρώμα αξιολογεί την αντιληπτή πρόθεση, διακρίνωντας μεταξύ ειλικρινούς επαινούς και σαρκαστικών ή εχθρικών σχολίων. Η μοντελοποίηση της συμπεριφοράς στη συνέχεια παρακολουθεί τη δυναμική της συνομιλίας με το χρόνο, σηματοδοτώντας τη δυσαρέσκεια, τη σύγχυση, την προγραμματισμένη ομιλία ή τις προσπάθειες κοινωνικής μηχανικής. Το τελικό στρώμα, η ανάλυση της συνομιλίας, μεταφράζει αυτές τις ερμηνείες σε γεγονότα που σχετίζονται με τις επιχειρήσεις, όπως δυσαρεστημένοι πελάτες, παραβιάσεις πολιτικής, πιθανή απάτη ή δυσλειτουργία των.agentς τεχνητής νοημοσύνης.

Η Modulate αναφέρει ότι το Velma 2.0 καταλαβαίνει τη σημασία και την πρόθεση της συνομιλίας περίπου 30% πιο ακριβώς από τις leading LLM-βασισμένες προσεγγίσεις, ενώ είναι μεταξύ 10 και 100 φορές πιο κοστοαποτελεσματική σε κλίμακα.

Από τη Διαμεσολάβηση Παιχνιδιών στη Νοημοσύνη Επιχειρήσεων

Οι ρίζες των Μοντέλων Συνεργατικής Ακρόασης βρίσκονται στη πρώιμη δουλειά της Modulate με τα online παιχνίδια. Τα δημοφιλή τίτλοι όπως το Call of Duty και το Grand Theft Auto Online δημιουργούν κάποια από τα πιο απαιτητικά περιβάλλοντα φωνής που μπορεί κανείς να φανταστεί. Οι συνομιλίες είναι γρήγορες, θορυβώδεις, συναισθηματικά φορτισμένες και γεμάτες με σแลγκ και контекστοποιημένες αναφορές.

Η διάκριση μεταξύ παιχνιδιακής κουβεντας και γνήσιας παρενόχλησης σε πραγματικό χρόνο απαιτεί πολύ περισσότερα από τη μεταγραφή. Όπως λειτουργούσε η Modulate το σύστημα διαμεσολάβησης φωνής, ToxMod, συνέλεξε σταδιακά όλο και πιο σύνθετα σύνολα μοντέλων για να πιάσει αυτές τις νюανς. Η συντονισμός δεκάδων εξειδικευμένων μοντέλων έγινε απαραίτητος για την επίτευξη της απαιτούμενης ακρίβειας, οδηγώντας τελικά την ομάδα να формαλίσει την προσέγγιση σε μια νέα αρχιτεκτονική.

Το Velma 2.0 γενικεύει αυτή την αρχιτεκτονική πέρα από τα παιχνίδια. Σήμερα, τροφοδοτεί την πλατφόρμα επιχειρήσεων της Modulate, αναλύοντας εκατομμύρια συνομιλίες σε διάφορους κλάδους για την ανίχνευση απάτης, ανάρμοστης συμπεριφοράς, δυσαρέσκειας πελατών και ανωμαλίας δραστηριότητας τεχνητής νοημοσύνης.

Μια Πρόκληση στα Μοντέλα Θεμελίου

Η ανακοίνωση έρχεται σε μια στιγμή που οι επιχειρήσεις επαναξιολογούν τις στρατηγικές τεχνητής νοημοσύνης. Παρά την τεράστια επένδυση, ένα μεγάλο ποσοστό πρωτοβουλιών τεχνητής νοημοσύνης αποτυγχάνει να φτάσει στην παραγωγή ή να προσφέρει διαρκή αξία. Συνηθισμένα εμπόδια περιλαμβάνουν hallucinations, αυξανόμενα κόστη inference, αδιαφανή λήψη αποφάσεων και δυσκολία ενσωμάτωσης των επιτευγμάτων της τεχνητής νοημοσύνης στις επιχειρησιακές διαδικασίες.

Τα Μοντέλα Συνεργατικής Ακρόασης αντιμετωπίζουν αυτά τα ζητήματα trực tiếp. Βάσει πολλών μικρότερων, εξειδικευμένων μοντέλων αντί για ένα seul μεγαλοπρεπέστατο σύστημα, τα ELMs είναι λιγότερο δαπανηρά στην λειτουργία, ευκολότερα να ελεγχθούν και πιο ερμηνεύσιμα. Κάθε έξοδος μπορεί να αναχθεί σε συγκεκριμένα σήματα, επιτρέποντας στις οργανώσεις να κατανοήσουν γιατί μια σύμπεση έγινε.

Αυτό το επίπεδο διαφάνειας είναι ιδιαίτερα σημαντικό σε ρυθμιζόμενους ή υψηλού κινδύνου περιβάλλοντα όπου οι αποφάσεις black-box είναι απαράδεκτες. Η Modulate θέτει τα ELMs όχι ως αντικατάσταση των μεγάλων γλωσσικών μοντέλων, αλλά ως μια πιο κατάλληλη αρχιτεκτονική για την νοημοσύνη φωνής επιχειρήσεων.

Πέρα από την Ομιλία προς Κείμενο

Μια από τις πιο προοδευτικές πτυχές του Velma 2.0 είναι η ικανότητά του να αναλύει πώς κάτι λέγεται, όχι μόνο τι λέγεται. Αυτό περιλαμβάνει την ανίχνευση συνθετικών ή μιμημένων φωνών, μια αυξανόμενη ανησυχία καθώς η τεχνολογία γενιάς φωνής γίνεται πιο προσιτή.

Όσο η τεχνολογία κλωνοποίησης φωνής βελτιώνεται, οι επιχειρήσεις αντιμετωπίζουν αυξανόμενα рисks σχετικά με την απάτη, την κλοπή ταυτότητας και την κοινωνική μηχανική. Τοποθετώντας την ανίχνευση συνθετικής φωνής直接 στο σύνολο, το Velma 2.0 αντιμετωπίζει την αυθεντικότητα ως einen κεντρικό στόχο αντί για ένα προαιρετικό πρόσθετο.

Η μοντελοποίηση της συμπεριφοράς του συστήματος επίσης επιτρέπει προδραστικές ερμηνείες. Μπορεί να αναγνωρίσει όταν ένας ομιλητής διαβάζει από ένα σενάριο, όταν η δυσαρέσκεια αυξάνεται ή όταν μια αλληλεπίδραση κατευθύνεται προς σύγκρουση. Αυτές οι ικανότητες επιτρέπουν στις οργανώσεις να παρέμβουν νωρίτερα και πιο αποτελεσματικά.

Μια Νέα Κατεύθυνση για την Νοημοσύνη Επιχειρήσεων

Η Modulate περιγράφει το Μοντέλο Συνεργατικής Ακρόασης ως μια νέα κατηγορία αρχιτεκτονικής τεχνητής νοημοσύνης, διαφορετική από τις παραδοσιακές πipelines επεξεργασίας σημάτων και τα μεγάλα μοντέλα θεμελίου. Η υποκείμενη ερμηνεία είναι ότι οι σύνθετες ανθρώπινες αλληλεπιδράσεις κατανοούνται καλύτερα μέσω της συντονισμένης εξειδίκευσης παρά μέσω της βίαιης κλίμακας.

Όσο οι επιχειρήσεις απαιτούν συστήματα τεχνητής νοημοσύνης που είναι υπεύθυνα, αποτελεσματικά και ευθυγραμμισμένα με τις πραγματικές επιχειρησιακές ανάγκες, τα Μοντέλα Συνεργατικής Ακρόασης δείχνουν προς ένα μέλλον όπου η νοημοσύνη συναρμολογείται από πολλά εστιασμένα συστατικά. Με το Velma 2.0 τώρα σε παραγωγικό περιβάλλον, η Modulate στοιχηματίζει ότι αυτή η αρχιτεκτονική μετατόπιση θα αντηχηθεί πολύ πέρα από τη διαμεσολάβηση φωνής και την υποστήριξη πελατών.

Σε μια βιομηχανία που αναζητά εναλλακτικές λύσεις για τα μεγαλύτερα black boxes, τα Μοντέλα Συνεργατικής Ακρόασης υποδεικνύουν ότι η επόμενη σημαντική πρόοδος στην τεχνητή νοημοσύνη μπορεί να έρθει από το να ακούγεται πιο προσεκτικά, όχι απλά να υπολογίζεται πιο επιθετικά.