अब, पहले से अधिक, एआई-पावर्ड वॉयस-आधारित सिस्टम का समय है। ग्राहक सेवा के लिए एक कॉल पर विचार करें। जल्द ही सभी कठोरता और अनम्यता चली जाएगी – स्टिफ रोबोटिक आवाजें, “बिक्री के लिए एक दबाएं” शैली के प्रतिबंधक मेनू, परेशान करने वाले अनुभव जिन्होंने हमें सभी को बेताबी से शून्य दबाने के लिए प्रेरित किया है ताकि इसके बजाय एक मानव एजेंट से बात की जा सके। (या, दिए गए लंबे प्रतीक्षा समय के कारण, मानव एजेंट को स्थानांतरित करने में सक्षम होने के लिए, कॉल को पूरी तरह से छोड़ दिया जाता है।)

अब और नहीं। ट्रांसफॉर्मर-आधारित बड़े भाषा मॉडल (एलएलएम) में प्रगति न केवल, बल्कि स्वचालित भाषण मान्यता (एएसआर) और पाठ-से-वाणी (टीटीएस) प्रणालियों में भी सुधार हुआ है, जिसका अर्थ है कि “अगली पीढ़ी” वॉयस-आधारित एजेंट यहां हैं – यदि आप जानते हैं कि उन्हें कैसे बनाना है।

आज हम उन चुनौतियों की जांच करते हैं जो किसी भी व्यक्ति का सामना करते हैं जो ऐसे राज्य-ऑफ-द-आर्ट वॉयस-आधारित संवादात्मक एजेंट का निर्माण करने की उम्मीद करते हैं।

वॉयस क्यों?

कूदने से पहले, आइए वॉयस-आधारित एजेंटों (पाठ-आधारित इंटरैक्शन के विपरीत) के सामान्य आकर्षण और प्रासंगिकता पर एक त्वरित नज़र डालें। वॉयस इंटरैक्शन के लिए पाठ-आधारित एक से अधिक उपयुक्त होने के कई कारण हो सकते हैं – वे शामिल हो सकते हैं:

• पसंद या आदत – बोलना लेखन विकास और ऐतिहासिक रूप से पहले आता है

• धीमी पाठ इनपुट – कई लोग तेजी से बोल सकते हैं जितना कि वे पाठ कर सकते हैं

• हाथों से मुक्त स्थितियां – जैसे ड्राइविंग, वर्कआउट या बर्तन धोना

• निरक्षरता – कम से कम एजेंट द्वारा समझी जाने वाली भाषा(ओं) में

• विकलांगता – जैसे अंधापन या गैर-मौखिक मोटर नियंत्रण की कमी

वेबसाइट-मध्यस्थ लेनदेन के युग में, वॉयस अभी भी वाणिज्य के लिए एक शक्तिशाली माध्यम बना हुआ है। उदाहरण के लिए, होटल उद्योग में ग्राहक संतुष्टि पर जेड पावर द्वारा हाल के एक 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 यात्रा एजेंसी (ओटीए) या सीधे होटल की वेबसाइट के माध्यम से बुक किया था।

लेकिन इंटरएक्टिव वॉयस रिस्पॉन्स, या आईवीआर के लिए छोटा, पर्याप्त नहीं है। ज़िप्पिया द्वारा 2023 के एक अध्ययन में पाया गया कि 88% ग्राहक लाइव एजेंट के साथ वॉयस कॉल पसंद करते हैं न कि स्वचालित फोन मेनू को नेविगेट करना। अध्ययन में यह भी पाया गया कि लोगों को सबसे ज्यादा परेशान करने वाली चीजें फोन मेनू में शामिल हैं असंबंधित विकल्प सुनना (69%), समस्या का पूरी तरह से वर्णन करने में असमर्थता (67%), अकुशल सेवा (33%), और भ्रमित करने वाले विकल्प (15%)।

और व्यवसायों के साथ बातचीत करने के लिए वॉयस सहायकों का उपयोग करने के लिए खुलापन है। एक्सेंचर द्वारा किए गए एक अध्ययन के अनुसार, लगभग 47% उपभोक्ता व्यवसायों के साथ बातचीत करने के लिए वॉयस सहायकों का उपयोग करने में सहज हैं और लगभग 31% उपभोक्ताओं ने पहले से ही एक व्यवसाय के साथ बातचीत करने के लिए एक वॉयस सहायक का उपयोग किया है।

चाहे जो भी कारण हो, कई लोगों के लिए बोली जाने वाली बातचीत की एक पसंद और मांग है – जब तक कि यह प्राकृतिक और आरामदायक हो।

एक अच्छा वॉयस-आधारित एजेंट क्या बनाता है?

लगभग बोलते हुए, एक अच्छा वॉयस-आधारित एजेंट को उपयोगकर्ता को इस तरह से प्रतिक्रिया देनी चाहिए जो:

• प्रासंगिक है: उपयोगकर्ता द्वारा कही गई/चाही गई चीज़ की सही समझ पर आधारित। ध्यान दें कि कुछ मामलों में, एजेंट की प्रतिक्रिया केवल एक बोली गई प्रतिक्रिया नहीं होगी, बल्कि कुछ प्रकार की कार्रवाई होगी जो बैकएंड के साथ एकीकरण के माध्यम से होगी (जैसे कि जब कॉलर कहता है “इसे बुक करें” तो वास्तव में होटल का कमरा बुक करना)।

• सटीक है: तथ्यों पर आधारित (जैसे कि केवल तभी कहें जब होटल में 19 जनवरी को कमरा उपलब्ध है)

• स्पष्ट है: प्रतिक्रिया समझने योग्य होनी चाहिए

• समय पर है: मानव से अपेक्षित लेटेंसी के साथ

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

समस्या

वर्तमान वॉयस-आधारित स्वचालित प्रणालियां उपरोक्त मानदंडों को पूरा करने का प्रयास करती हैं, लेकिन इसके लिए बहुत सीमित और बहुत परेशान करने वाला होने के लिए। इसका एक हिस्सा उच्च अपेक्षाओं का परिणाम है जो एक वॉयस-आधारित संवादात्मक संदर्भ स्थापित करता है, जिन अपेक्षाओं को टीटीएस प्रणालियों में मानव आवाज़ से वॉयस गुणवत्ता को अलग करने में सक्षम होने के रूप में अधिक से अधिक बढ़ाया जा रहा है। लेकिन ये अपेक्षाएं वर्तमान में तैनात प्रणालियों में विफल हो जाती हैं। क्यों?

एक शब्द में – अनम्यता:

• सीमित भाषण – उपयोगकर्ता को आमतौर पर अस्वाभाविक रूप से चीजें कहने के लिए मजबूर किया जाता है: छोटे वाक्यांशों में, एक विशिष्ट क्रम में, अनावश्यक जानकारी के बिना, आदि। यह पुराने स्कूल के नंबर-आधारित मेनू प्रणाली पर कोई प्रगति नहीं करता है।

• स्वीकार्य भाषण की संकीर्ण, गैर-समावेशी धारणा – स्लैंग, उह्म और आह, आदि के लिए कम सहनशीलता।

• कोई पीछे की ओर जाने की क्षमता नहीं: यदि कुछ गलत हो जाता है, तो समस्याग्रस्त जानकारी के टुकड़े को “मरम्मत” या सुधारने का कम से कम मौका हो सकता है, लेकिन इसके बजाय शुरू से शुरू करना या मानव को स्थानांतरित करने के लिए प्रतीक्षा करना।

• सख्त मोड़ लेना – एजेंट को बाधा डालने या बोलने में असमर्थता।

यह कहना कि लोग इन प्रतिबंधों को परेशान करने वाला या निराशाजनक पाते हैं, कहना ही काफी है।

समाधान:

अच्छी खबर यह है कि आधुनिक एआई प्रणालियां इतनी शक्तिशाली और तेज़ हैं कि वे उपरोक्त प्रकार के अनुभवों में काफी सुधार कर सकती हैं, इसके बजाय मानव-आधारित ग्राहक सेवा मानकों की ओर बढ़ रही हैं। यह कई कारकों के कारण है:

• तेज़, अधिक शक्तिशाली हार्डवेयर

• एएसआर (उच्च सटीकता, शोर, उच्चारण आदि को दूर करना) में सुधार

• टीटीएस (प्राकृतिक ध्वनि वाली या यहां तक कि क्लोन की गई आवाजें) में सुधार

• जनरेटिव एलएलएम (प्राकृतिक ध्वनि वाली बातचीत) का आगमन

उस अंतिम बिंदु पर ध्यान दें कि एक अच्छा पूर्वानुमान मॉडल एक अच्छा उत्पादक मॉडल के रूप में कार्य कर सकता है। एक कृत्रिम एजेंट मानव-स्तर की बातचीत प्रदर्शन के करीब आ सकता है यदि यह कहता है कि क्या एक पर्याप्त रूप से अच्छा एलएलएम दिया गया है संवादात्मक संदर्भ में सबसे अधिक संभावना एक अच्छा मानव ग्राहक सेवा एजेंट कहेगा।

दोज़नों एआई स्टार्टअप्स के आगमन का संकेत देता है जो वॉयस-आधारित संवादात्मक एजेंट समस्या को हल करने की उम्मीद करते हैं कि वे केवल ऑफ-द-शेल्फ एएसआर और टीटीएस मॉड्यूल का चयन करके और फिर उन्हें एलएलएम कोर से जोड़कर। इस दृष्टिकोण से, समाधान लेटेंसी और लागत को कम करने वाले संयोजन का चयन करने की बात है। और natürlich, यह महत्वपूर्ण है। लेकिन क्या यह पर्याप्त है?

नहीं इतनी जल्दी

कुछ विशिष्ट कारण हैं कि यह सरल दृष्टिकोण काम नहीं करेगा, लेकिन वे दो सामान्य बिंदुओं से उत्पन्न होते हैं:

1. एलएलएम वास्तव में अपने आप, ग्राहक सेवा जैसे उद्यम अनुप्रयोगों के लिए आवश्यक प्रकार की तथ्य-आधारित पाठ बातचीत प्रदान नहीं कर सकते हैं। तो वे वॉयस-आधारित बातचीत के लिए भी ऐसा नहीं कर सकते हैं। कुछ और चाहिए।

2. यहां तक कि अगर आप एलएलएम को एक अच्छे पाठ-आधारित संवादात्मक एजेंट बनाने के लिए आवश्यक के साथ पूरक करते हैं, तो एक अच्छे वॉयस-आधारित संवादात्मक एजेंट में बदलने के लिए आपको बस सबसे अच्छे एएसआर और टीटीएस मॉड्यूल से जोड़ने की आवश्यकता होती है।

आइए एक विशिष्ट उदाहरण देखें कि प्रत्येक में से एक चुनौती क्या है।

चुनौती 1: वास्तविक बने रहना

जैसा कि अब व्यापक रूप से ज्ञात है, एलएलएम कभी-कभी असटीक या ‘हॉलुसिनेटेड’ जानकारी उत्पन्न करते हैं। यह कई व्यावसायिक अनुप्रयोगों के संदर्भ में, भले ही यह एक मनोरंजन अनुप्रयोग के लिए अच्छा हो जहां सटीकता बिंदु नहीं है, विनाशकारी है।

यह देखते हुए कि एलएलएम कभी-कभी हॉलुसिनेट करते हैं, यह केवल अपेक्षित है। यह डेटा से प्रशिक्षित मॉडल का उपयोग करने का एक सीधा परिणाम है जो एक वर्ष (या अधिक) पहले का हो सकता है, जो डेटा सेट (चाहे कितना भी बड़ा हो) से एक वर्ष या अधिक पुराना हो सकता है, जो प्रश्नों के उत्तर देने के लिए है जो डेटा सेट का हिस्सा नहीं हैं या डेटा सेट द्वारा शामिल नहीं किए गए हैं। जब कॉलर पूछता है “मेरा सदस्यता नंबर क्या है?”, तो एक सरल पूर्व-प्रशिक्षित एलएलएम केवल एक संभावित ध्वनि वाला उत्तर उत्पन्न कर सकता है, एक सटीक नहीं।

इस समस्या से निपटने के सबसे सामान्य तरीके हैं:

• फ़ाइन-ट्यूनिंग: एलएलएम को आगे प्रशिक्षित करें, इस बार आपके द्वारा सही ढंग से उत्तर देने में सक्षम होने के लिए आप चाहते हैं कि डोमेन-विशिष्ट डेटा पर।

• प्रॉम्प्ट इंजीनियरिंग: एलएलएम में अतिरिक्त डेटा/निर्देश जोड़ें, साथ ही साथ संवादात्मक इतिहास में।

• रिट्रीवल ऑगमेंटेड जेनरेशन (आरएजी): प्रॉम्प्ट इंजीनियरिंग की तरह, लेकिन डेटा जो प्रॉम्प्ट में जोड़ा जाता है वह तय किया जाता है उड़ान भरने के द्वारा वर्तमान संवादात्मक संदर्भ (जैसे कि ग्राहक ने पूछा “क्या आपके होटल में एक पूल है?) को आपके डोमेन-विशिष्ट डेटा के एक एम्बेडिंग-एन्कोडेड इंडेक्स से मेल खाता है।

• नियम-आधारित नियंत्रण: आरएजी की तरह, लेकिन प्रॉम्प्ट में जो जोड़ा जाता है या घटाया जाता है वह तय नहीं किया जाता है न्यूरल मेमोरी द्वारा मेल खाने से बल्कि हाथ से लिखे नियमों द्वारा निर्धारित किया जाता है।

एक आकार सभी के लिए फिट नहीं है। जो तरीका उपयुक्त होगा वह इस बात पर निर्भर करेगा, उदाहरण के लिए, एजेंट के उत्तर को सूचित करने वाले डोमेन-विशिष्ट डेटा पर। विशेष रूप से, यह इस बात पर निर्भर करेगा कि क्या कहा गया डेटा अक्सर बदलता है (कॉल से कॉल, कहते हैं – जैसे ग्राहक का नाम) या शायद ही कभी (जैसे कि प्रारंभिक अभिवादन: “होटल बुडापेस्ट में कॉल करने के लिए धन्यवाद। मैं आज आपकी कैसे मदद कर सकता हूं?”)। फ़ाइन-ट्यूनिंग पूर्ववर्ती के लिए उपयुक्त नहीं होगी, और आरएजी बाद वाले के लिए एक भद्दा समाधान होगा। इसलिए, कोई भी काम करने वाली प्रणाली को इन तरीकों में से एक का उपयोग करने की आवश्यकता होगी।

इसके अलावा, एलएलएम और एक दूसरे के साथ इन तरीकों को एकीकृत करने से लेटेंसी और लागत को कम करने की आवश्यकता है। उदाहरण के लिए, आपके मॉडल का आरएजी प्रदर्शन फ़ाइन-ट्यूनिंग से लाभान्वित हो सकता है जो उस पद्धति को सुविधाजनक बनाने के लिए है।

यह आश्चर्य की बात नहीं है कि इन तरीकों में से प्रत्येक में अपनी चुनौतियां हैं। उदाहरण के लिए, फ़ाइन-ट्यूनिंग लें। फ़ाइन-ट्यूनिंग आपके पूर्व-प्रशिक्षित एलएलएम को आपके डोमेन-विशिष्ट डेटा पर आपके प्रदर्शन में सुधार करेगा, हाँ। लेकिन फ़ाइन-ट्यूनिंग पूर्व-प्रशिक्षित मॉडल के (संभवतः相当 अच्छे) सामान्य प्रदर्शन के आधार पर मॉडल के पैरामीटर (वजन) को संशोधित करता है। इस संशोधन के परिणामस्वरूप मॉडल के पिछले ज्ञान का कुछ हिस्सा भूल जाना (या “विनाशकारी भूलना”) होता है। इससे मॉडल द्वारा गलत या अनुचित (यहां तक कि असुरक्षित) प्रतिक्रियाएं देने की संभावना है। यदि आप चाहते हैं कि आपका एजेंट अभी भी सटीक और सुरक्षित रूप से प्रतिक्रिया दे, तो आपको एक फ़ाइन-ट्यूनिंग विधि की आवश्यकता है जो विनाशकारी भूलने को कम करती है।

चुनौती 2: एंडपॉइंटिंग

ग्राहक के बोलना बंद करने के बाद एजेंट को कब तक प्रतीक्षा करनी चाहिए, यह तय करना प्राकृतिक बातचीत प्रवाह के लिए महत्वपूर्ण है। इसी तरह, प्रणाली को बाधाओं को सुंदर तरीके से संभालना चाहिए, यह सुनिश्चित करना चाहिए कि बातचीत ग्राहक की जरूरतों के प्रति सुसंगत और प्रतिक्रियाशील बनी रहे। मानव इंटरैक्शन के मानक की तुलना में ऐसा करना एक जटिल कार्य है, लेकिन स्वाभाविक और सुखद संवादात्मक अनुभव बनाने के लिए यह आवश्यक है।

एक समाधान जो काम करता है उसे डिजाइनरों को इन प्रश्नों जैसे प्रश्नों पर विचार करने की आवश्यकता है:

• ग्राहक बोलना बंद करने के बाद एजेंट को कितनी देर तक प्रतीक्षा करनी चाहिए?

• क्या उपरोक्त बात यह निर्भर करती है कि ग्राहक ने एक पूर्ण वाक्य पूरा किया है या नहीं?

• एजेंट को ग्राहक द्वारा बाधा डालने पर क्या करना चाहिए?

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

इन मुद्दों, जो मुख्य रूप से समय से संबंधित हैं, एलएलएम को सही प्रतिक्रिया देने में शामिल इंजीनियरिंग से परे सावधानीपूर्वक इंजीनियरिंग की आवश्यकता है।

निष्कर्ष

एआई-पावर्ड वॉयस-आधारित सिस्टम का विकास ग्राहक सेवा गतिविधियों में एक क्रांतिकारी बदलाव का वादा करता है, जो पुराने फोन सिस्टम को उन्नत एलएलएम, एएसआर और टीटीएस प्रौद्योगिकियों से बदल देता है। हालांकि, हॉलुसिनेटेड जानकारी और निर्बाध एंडपॉइंटिंग में चुनौतियों पर काबू पाना प्राकृतिक और कुशल वॉयस इंटरैक्शन वितरित करने के लिए महत्वपूर्ण होगा।

ग्राहक सेवा को स्वचालित करने में वास्तविक खेल परिवर्तन बनने की शक्ति है, लेकिन chỉ अगर इसे सही तरीके से किया जाए। 2024 में, विशेष रूप से इन सभी नई प्रौद्योगिकियों के साथ, हम अंततः ऐसी प्रणालियां बना सकते हैं जो प्राकृतिक और तरल और हमें मजबूती से समझने में सक्षम हैं। इसका परिणाम प्रतीक्षा समय को कम करना होगा, और हमारे पास वॉयस बॉट्स के साथ वर्तमान अनुभव में सुधार होगा, जो ग्राहक जुड़ाव और सेवा गुणवत्ता में एक परिवर्तनकारी युग को चिह्नित करेगा।