अब, पहले से कहीं अधिक एआई-संचालित वॉयस-आधारित सिस्टम का समय है। ग्राहक सेवा को कॉल करने पर विचार करें. जल्द ही सारी भंगुरता और अनम्यता दूर हो जाएगी - कठोर रोबोटिक आवाजें, "बिक्री के लिए एक दबाएं" शैली के मेनू को सीमित करना, वे कष्टप्रद अनुभव जिनके कारण हम सभी एक मानव एजेंट के साथ बात करने की उम्मीद में शून्य दबाने पर मजबूर हो गए हैं। (या, एक मानव एजेंट को हस्तांतरित होने में लगने वाले लंबे इंतजार के समय को देखते हुए, क्या हमने कॉल को पूरी तरह से छोड़ दिया था।)

अब और नहीं। न केवल ट्रांसफार्मर-आधारित में प्रगति बड़े भाषा मॉडल (एलएलएम) लेकिन स्वचालित में वाक् पहचान (एएसआर) और लिखे हुए को बोलने में बदलना (टीटीएस) सिस्टम का मतलब है कि "अगली पीढ़ी" के आवाज-आधारित एजेंट यहां हैं - यदि आप जानते हैं कि उन्हें कैसे बनाया जाए।

आज हम ऐसे अत्याधुनिक आवाज-आधारित वार्तालाप एजेंट बनाने की उम्मीद करने वाले किसी भी व्यक्ति के सामने आने वाली चुनौतियों पर एक नजर डालेंगे।

आवाज़ क्यों?

आगे बढ़ने से पहले, आइए आवाज-आधारित एजेंटों (पाठ-आधारित इंटरैक्शन के विपरीत) के सामान्य आकर्षण और प्रासंगिकता पर एक नज़र डालें। ऐसे कई कारण हैं जिनकी वजह से पाठ-आधारित बातचीत की तुलना में ध्वनि बातचीत अधिक उपयुक्त हो सकती है - इनमें गंभीरता के बढ़ते क्रम में शामिल हो सकते हैं:

• प्राथमिकता या आदत - बोलना विकासात्मक और ऐतिहासिक रूप से लिखने से पहले का है

• धीमा टेक्स्ट इनपुट - कई लोग टेक्स्ट करने की तुलना में अधिक तेजी से बोल सकते हैं

• हाथों से मुक्त स्थितियाँ - जैसे गाड़ी चलाना, बाहर काम करना या बर्तन साफ ​​करना

• निरक्षरता - कम से कम उस भाषा(भाषाओं) में जिसे एजेंट समझता है

• विकलांगताएं - जैसे अंधापन या गैर-मुखर मोटर नियंत्रण की कमी

वेबसाइट-मध्यस्थता वाले लेन-देन के प्रभुत्व वाले युग में, आवाज वाणिज्य के लिए एक शक्तिशाली माध्यम बनी हुई है। उदाहरण के लिए, होटल उद्योग में ग्राहक संतुष्टि पर जेडी पावर के एक हालिया अध्ययन में पाया गया कि जिन मेहमानों ने फोन पर अपना कमरा बुक किया था, वे उन लोगों की तुलना में अपने प्रवास से अधिक संतुष्ट थे, जिन्होंने ऑनलाइन ट्रैवल एजेंसी (ओटीए) या सीधे होटल की वेबसाइट के माध्यम से बुकिंग की थी। .

लेकिन इंटरैक्टिव वॉयस प्रतिक्रियाएं, या संक्षेप में आईवीआर, पर्याप्त नहीं हैं। Zippia द्वारा 2023 का एक अध्ययन पाया गया कि 88% ग्राहक स्वचालित फ़ोन मेनू पर नेविगेट करने के बजाय लाइव एजेंट के साथ वॉयस कॉल पसंद करते हैं। अध्ययन में यह भी पाया गया कि फोन मेनू के बारे में लोगों को सबसे ज्यादा परेशान करने वाली चीजों में अप्रासंगिक विकल्पों को सुनना (69%), समस्या का पूरी तरह से वर्णन करने में असमर्थता (67%), अकुशल सेवा (33%), और भ्रमित करने वाले विकल्प (15%) शामिल हैं। ).

और ध्वनि-आधारित सहायकों का उपयोग करने में खुलापन है। एक्सेंचर के एक अध्ययन के अनुसार, लगभग 47% उपभोक्ता पहले से ही व्यवसायों के साथ बातचीत करने के लिए वॉयस असिस्टेंट का उपयोग करने में सहज हैं और लगभग 31% उपभोक्ता पहले से ही किसी व्यवसाय के साथ बातचीत करने के लिए वॉयस असिस्टेंट का उपयोग कर चुके हैं।

कारण जो भी हो, कई लोगों के लिए मौखिक बातचीत को प्राथमिकता और मांग है - जब तक कि यह स्वाभाविक और आरामदायक हो।

एक अच्छा आवाज-आधारित एजेंट क्या बनता है?

मोटे तौर पर कहें तो, एक अच्छे आवाज-आधारित एजेंट को उपयोगकर्ता को इस तरह से जवाब देना चाहिए:

• प्रासंगिक: उपयोगकर्ता ने क्या कहा/चाहता है, इसकी सही समझ पर आधारित। ध्यान दें कि कुछ मामलों में, एजेंट की प्रतिक्रिया केवल मौखिक उत्तर नहीं होगी, बल्कि बैकएंड के साथ एकीकरण के माध्यम से कुछ प्रकार की कार्रवाई होगी (उदाहरण के लिए, जब कॉल करने वाला कहता है कि "आगे बढ़ें और इसे बुक करें") तो वास्तव में होटल का कमरा बुक किया जा सकता है। .

• सटीक: तथ्यों के आधार पर (उदाहरण के लिए, केवल यह कहें कि 19 जनवरी को होटल में कमरा उपलब्ध है यदि उपलब्ध है)

• स्पष्ट: प्रतिक्रिया समझने योग्य होनी चाहिए

• समयानुकूल: उस प्रकार की विलंबता के साथ जिसकी मनुष्य से अपेक्षा की जाती है

• सुरक्षित: कोई आपत्तिजनक या अनुचित भाषा, संरक्षित जानकारी का खुलासा आदि नहीं।

समस्या

वर्तमान ध्वनि-आधारित स्वचालित प्रणालियाँ उपरोक्त मानदंडों को पूरा करने का प्रयास करती हैं, इसकी कीमत पर कि a) बहुत सीमित है और b) उपयोग करने में बहुत निराशाजनक है। इसका एक हिस्सा उच्च अपेक्षाओं का परिणाम है जो एक आवाज-आधारित वार्तालाप संदर्भ सेट करता है, ऐसी अपेक्षाएं केवल उतनी ही अधिक होती हैं कि टीटीएस सिस्टम में आवाज की गुणवत्ता मानव आवाज से अप्रभेद्य हो जाती है। लेकिन ये उम्मीदें उन प्रणालियों में धराशायी हो गई हैं जो इस समय व्यापक रूप से तैनात हैं। क्यों?

एक शब्द में - अनम्यता:

• सीमित भाषण - उपयोगकर्ता को आमतौर पर चीजों को अस्वाभाविक रूप से कहने के लिए मजबूर किया जाता है: छोटे वाक्यांशों में, एक विशेष क्रम में, बिना नकली जानकारी के, आदि। यह पुराने स्कूल नंबर-आधारित मेनू प्रणाली पर बहुत कम या कोई प्रगति प्रदान नहीं करता है

• "स्वीकार्य" भाषण की संकीर्ण, गैर-समावेशी धारणा - अपशब्दों, उहम्स और आह्स आदि के लिए कम सहनशीलता।

• पीछे नहीं हटना: यदि कुछ गलत हो जाता है, तो जानकारी के समस्याग्रस्त हिस्से को "मरम्मत" करने या सही करने की बहुत कम संभावना हो सकती है, बल्कि फिर से शुरू करना होगा, या मानव तक स्थानांतरण की प्रतीक्षा करनी होगी।

• सख्त टर्न-टेकिंग - किसी एजेंट को टोकने या बोलने की क्षमता नहीं

यह कहने की आवश्यकता नहीं है कि लोगों को ये बाधाएँ कष्टप्रद या निराशाजनक लगती हैं।

समाधान:

अच्छी खबर यह है कि आधुनिक एआई सिस्टम मानव-आधारित ग्राहक सेवा मानकों तक पहुंचने (या उससे अधिक!) के बजाय उपरोक्त प्रकार के अनुभवों में काफी सुधार करने के लिए पर्याप्त शक्तिशाली और तेज़ हैं। यह विभिन्न कारकों के कारण है:

• तेज़, अधिक शक्तिशाली हार्डवेयर

• एएसआर में सुधार (उच्च सटीकता, शोर, उच्चारण आदि पर काबू पाना)

• टीटीएस में सुधार (प्राकृतिक-ध्वनि या क्लोन आवाजें)

• जेनेरिक एलएलएम का आगमन (प्राकृतिक-सी लगने वाली बातचीत)

वह आखिरी बिंदु गेम-चेंजर है। मुख्य अंतर्दृष्टि यह थी कि एक अच्छा भविष्य कहनेवाला मॉडल एक अच्छे जेनरेटर मॉडल के रूप में काम कर सकता है। एक कृत्रिम एजेंट मानव-स्तर के वार्तालाप प्रदर्शन के करीब पहुंच सकता है यदि वह कहता है कि एक पर्याप्त रूप से अच्छा एलएलएम जो भी भविष्यवाणी करता है वह सबसे अधिक संभावना वाली बात है जो एक अच्छा मानव ग्राहक सेवा एजेंट दिए गए वार्तालाप संदर्भ में कहेगा।

दर्जनों एआई स्टार्टअप के आगमन का संकेत लें, जो केवल चयन करके और फिर ऑफ-द-शेल्फ एएसआर और टीटीएस मॉड्यूल को एलएलएम कोर से कनेक्ट करके आवाज-आधारित वार्तालाप एजेंट समस्या को हल करने की उम्मीद कर रहे हैं। इस दृष्टिकोण से, समाधान केवल एक संयोजन चुनने का मामला है जो विलंबता और लागत को कम करता है। और निःसंदेह, यह महत्वपूर्ण है। लेकिन क्या यह पर्याप्त है?

इतना शीघ्र नही

ऐसे कई विशिष्ट कारण हैं जिनकी वजह से वह सरल दृष्टिकोण काम नहीं करेगा, लेकिन वे दो सामान्य बिंदुओं से प्राप्त होते हैं:

1. एलएलएम वास्तव में, ग्राहक सेवा जैसे उद्यम अनुप्रयोगों के लिए आवश्यक प्रकार की अच्छी तथ्य-आधारित पाठ वार्तालाप प्रदान नहीं कर सकते हैं। इसलिए, वे ध्वनि-आधारित बातचीत के लिए स्वयं ऐसा नहीं कर सकते। कुछ और चाहिए.

2. यहां तक ​​​​कि अगर आप एलएलएम को एक अच्छा टेक्स्ट-आधारित वार्तालाप एजेंट बनाने के लिए आवश्यक चीज़ों के साथ पूरक करते हैं, तो इसे एक अच्छे आवाज-आधारित वार्तालाप एजेंट में बदलने के लिए इसे सर्वोत्तम एएसआर और टीटीएस मॉड्यूल से जोड़ने की आवश्यकता होती है, जिसे आप वहन कर सकते हैं।

आइए इनमें से प्रत्येक चुनौती का एक विशिष्ट उदाहरण देखें।

चुनौती 1: इसे वास्तविक बनाए रखना

जैसा कि अब व्यापक रूप से ज्ञात है, एलएलएम कभी-कभी गलत या 'भ्रमपूर्ण' जानकारी उत्पन्न करते हैं। यह कई व्यावसायिक अनुप्रयोगों के संदर्भ में विनाशकारी है, भले ही यह एक अच्छा मनोरंजन अनुप्रयोग बन सकता है जहां सटीकता की बात नहीं हो सकती है।

प्रतिबिंब पर, एलएलएम कभी-कभी मतिभ्रम की उम्मीद ही करता है। यह उन तथ्यों के बारे में प्रश्नों के उत्तर उत्पन्न करने के लिए एक वर्ष (या अधिक) पहले के डेटा पर प्रशिक्षित मॉडलों का उपयोग करने का प्रत्यक्ष परिणाम है जो डेटा सेट (चाहे वह कितना भी बड़ा क्यों न हो) का हिस्सा नहीं हैं, या इसमें शामिल नहीं हैं, जो एक वर्ष या उससे अधिक का हो सकता है। पुराना। जब कॉल करने वाला पूछता है "मेरी सदस्यता संख्या क्या है?", एक साधारण पूर्व-प्रशिक्षित एलएलएम केवल एक प्रशंसनीय-लगने वाला उत्तर उत्पन्न कर सकता है, सटीक नहीं।

इस समस्या से निपटने के सबसे सामान्य तरीके हैं:

• फ़ाइन-ट्यूनिंग: पूर्व-प्रशिक्षित एलएलएम को और अधिक प्रशिक्षित करें, इस बार उन सभी डोमेन-विशिष्ट डेटा पर जिनका आप चाहते हैं कि वह सही उत्तर देने में सक्षम हो।

• शीघ्र इंजीनियरिंग: बातचीत के इतिहास के अलावा, एलएलएम में इनपुट के रूप में अतिरिक्त डेटा/निर्देश जोड़ें

• रिट्रीवल ऑगमेंटेड जेनरेशन (आरएजी): प्रॉम्प्ट इंजीनियरिंग की तरह, प्रॉम्प्ट में जोड़े गए डेटा को वर्तमान वार्तालाप संदर्भ (उदाहरण के लिए, ग्राहक ने पूछा है कि "क्या आपके होटल में पूल है?") को एक एम्बेडिंग एन्कोडेड से मिलान करके तुरंत निर्धारित किया जाता है। आपके डोमेन-विशिष्ट डेटा का सूचकांक (जिसमें शामिल है, उदाहरण के लिए एक फ़ाइल जो कहती है: "यहां होटल में उपलब्ध सुविधाएं हैं: पूल, सौना, ईवी चार्जिंग स्टेशन।")।

• नियम-आधारित नियंत्रण: RAG की तरह, लेकिन प्रॉम्प्ट में क्या जोड़ा जाना है (या घटाया जाना है) यह तंत्रिका मेमोरी से मिलान करके पुनर्प्राप्त नहीं किया जाता है, बल्कि हार्ड-कोडेड (और हाथ-कोडित) नियमों के माध्यम से निर्धारित किया जाता है।

ध्यान दें कि एक आकार सभी पर फिट नहीं बैठता। इनमें से कौन सा तरीका उपयुक्त होगा, उदाहरण के लिए, डोमेन-विशिष्ट डेटा पर निर्भर करेगा जो एजेंट के उत्तर को सूचित कर रहा है। विशेष रूप से, यह इस बात पर निर्भर करेगा कि क्या कहा गया डेटा बार-बार बदलता है (कॉल टू कॉल, उदाहरण के लिए ग्राहक का नाम) या शायद ही कभी (उदाहरण के लिए, प्रारंभिक अभिवादन: "हैलो, होटल बुडापेस्ट को कॉल करने के लिए धन्यवाद। मैं आज आपकी कैसे सहायता कर सकता हूं ?")। फाइन-ट्यूनिंग पहले के लिए उपयुक्त नहीं होगी, और आरएजी बाद वाले के लिए एक अनाड़ी समाधान होगा। इसलिए किसी भी कार्य प्रणाली को इन विभिन्न तरीकों का उपयोग करना होगा।

इसके अलावा, इन तरीकों को एलएलएम और एक-दूसरे के साथ इस तरह से एकीकृत करना कि विलंबता और लागत कम से कम हो, इसके लिए सावधानीपूर्वक इंजीनियरिंग की आवश्यकता होती है। उदाहरण के लिए, यदि आप उस पद्धति को सुविधाजनक बनाने के लिए इसे ठीक करते हैं तो आपके मॉडल का RAG प्रदर्शन बेहतर हो सकता है।

यह कोई आश्चर्य की बात नहीं है कि इनमें से प्रत्येक विधियाँ अपनी-अपनी चुनौतियाँ पेश करती हैं। उदाहरण के लिए, फाइन-ट्यूनिंग को लें। अपने डोमेन-विशिष्ट डेटा पर अपने पूर्व-प्रशिक्षित एलएलएम को ठीक करने से उस डेटा पर इसका प्रदर्शन बेहतर हो जाएगा, हां। लेकिन फाइन-ट्यूनिंग उन मापदंडों (वजन) को संशोधित करती है जो पूर्व-प्रशिक्षित मॉडल (संभवतः काफी अच्छे) सामान्य प्रदर्शन का आधार हैं। इसलिए यह संशोधन मॉडल के कुछ पिछले ज्ञान को अनसीखा करने (या "विनाशकारी भूलने") का कारण बनता है। इसके परिणामस्वरूप मॉडल गलत या अनुचित (यहाँ तक कि असुरक्षित) प्रतिक्रियाएँ दे सकता है। यदि आप चाहते हैं कि आपका एजेंट सटीक और सुरक्षित रूप से प्रतिक्रिया देना जारी रखे, तो आपको एक फाइन-ट्यूनिंग विधि की आवश्यकता है जो भयावह भूल को कम कर दे।

चुनौती 2: समापन बिंदु

यह निर्धारित करना कि ग्राहक ने कब बोलना समाप्त कर लिया है, स्वाभाविक बातचीत प्रवाह के लिए महत्वपूर्ण है। इसी तरह, सिस्टम को व्यवधानों को शालीनता से संभालना चाहिए, यह सुनिश्चित करते हुए कि बातचीत सुसंगत और ग्राहक की जरूरतों के प्रति उत्तरदायी बनी रहे। इसे मानवीय संपर्क के तुलनीय मानक तक प्राप्त करना एक जटिल कार्य है लेकिन प्राकृतिक और सुखद बातचीत के अनुभव बनाने के लिए यह आवश्यक है।

जो समाधान काम करता है उसके लिए डिजाइनरों को इन जैसे प्रश्नों पर विचार करने की आवश्यकता होती है:

• ग्राहक के बोलना बंद करने के बाद एजेंट को यह निर्णय लेने से पहले कितनी देर तक इंतजार करना चाहिए कि ग्राहक ने बोलना बंद कर दिया है?

• क्या उपरोक्त इस बात पर निर्भर करता है कि ग्राहक ने पूरा वाक्य पूरा कर लिया है या नहीं?

• यदि ग्राहक एजेंट को टोक दे तो क्या करना चाहिए?

• विशेष रूप से, क्या एजेंट को यह मान लेना चाहिए कि वह जो कह रहा था वह ग्राहक ने नहीं सुना?

ये मुद्दे, मुख्य रूप से समय से संबंधित हैं, सही प्रतिक्रिया देने के लिए एलएलएम प्राप्त करने से ऊपर और उससे परे सावधानीपूर्वक इंजीनियरिंग की आवश्यकता होती है।

निष्कर्ष

एआई-संचालित वॉयस-आधारित सिस्टम का विकास ग्राहक सेवा की गतिशीलता में एक क्रांतिकारी बदलाव का वादा करता है, जो पुराने फोन सिस्टम को उन्नत एलएलएम, एएसआर और टीटीएस प्रौद्योगिकियों से बदल देगा। हालाँकि, मतिभ्रम सूचना और निर्बाध समापन बिंदु में चुनौतियों पर काबू पाना प्राकृतिक और कुशल आवाज इंटरैक्शन प्रदान करने के लिए महत्वपूर्ण होगा।

ग्राहक सेवा को स्वचालित करना उद्यमों के लिए एक सच्चा गेम चेंजर बनने की शक्ति रखता है, लेकिन केवल तभी जब इसे सही तरीके से किया जाए। 2024 में, विशेष रूप से इन सभी नई तकनीकों के साथ, हम अंततः ऐसी प्रणालियाँ बना सकते हैं जो स्वाभाविक और प्रवाहपूर्ण महसूस कर सकें और हमें मजबूती से समझ सकें। शुद्ध प्रभाव प्रतीक्षा समय को कम करेगा, और वॉयस बॉट के साथ हमारे वर्तमान अनुभव में सुधार करेगा, जो ग्राहक जुड़ाव और सेवा की गुणवत्ता में एक परिवर्तनकारी युग का प्रतीक होगा।