Modulate מציגה מודלים של האזנה אנסמבלית, ומגדירה מחדש כיצד בינה מלאכותית מבינה קול אנושי

בינה מלאכותית התקדמה במהירות, אך תחום אחד נותר קשה באופן עקבי: הבנה אמיתית של הקול האנושי. לא רק המילים הנאמרות, אלא גם הרגש שמאחוריהן, הכוונה המעוצבת על ידי הטון והתזמון, והסימנים העדינים שמבדילים בין התבדחות ידידותית לבין תסכול, הטעיה או נזק. כיום, לְוַסֵת הכריזה על פריצת דרך משמעותית עם הצגת ה- מודל האזנה אנסמבל (ELM), ארכיטקטורת בינה מלאכותית חדשה שתוכננה במיוחד להבנת קול בעולם האמיתי.

לצד הכרזת המחקר, חשפה Modulate את וולמה 2.0, פריסת הייצור הראשונה של מודל האזנה אנסמבל. החברה מדווחת כי Velma 2.0 עולה על מודלים מובילים של יסודות בדיוק שיחה תוך כדי פעולה בחלקיק מהעלות, טענה בולטת בתקופה שבה ארגונים מעריכים מחדש את הקיימות של פריסות בינה מלאכותית בקנה מידה גדול.

מדוע קול היה קשה עבור בינה מלאכותית

רוב מערכות הבינה המלאכותית המנתחות דיבור פועלות לפי גישה מוכרת. אודיו מומר לטקסט, והתמליל מעובד לאחר מכן על ידי מודל שפה גדול. אמנם יעיל לתמלול וסיכום, אך תהליך זה מסיר הרבה ממה שהופך את הקול למשמעותי.

טון, נטייה רגשית, היסוס, סרקזם, דיבור חופף ורעשי רקע - כולם נושאים הקשר חשוב. כאשר דיבור משוטח לטקסט, ממדים אלה הולכים לאיבוד, מה שלעתים קרובות גורם ל... פרשנות שגויה של הכוונה או סנטימנט. זה הופך לבעייתי במיוחד בסביבות כמו תמיכת לקוחות, גילוי הונאות, משחקים מקוונים ותקשורת מונעת בינה מלאכותית, שבהן ניואנסים משפיעים ישירות על התוצאות.

לפי Modulate, מגבלה זו היא ארכיטקטונית ולא מונעת נתונים. מודלים של שפה גדולים מותאמים לחיזוי טקסט, ולא לשילוב אותות אקוסטיים והתנהגותיים מרובים בזמן אמת. מודלים של האזנה אנסמבלית נוצרו כדי לטפל בפער זה.

מהו מודל האזנה אנסמבל?

מודל האזנה אנסמבל אינו רשת נוירונים אחת שאומנה לעשות הכל בבת אחת. במקום זאת, זוהי מערכת מתואמת המורכבת ממודלים מיוחדים רבים, שכל אחד מהם אחראי על ניתוח ממד שונה של אינטראקציה קולית.

בתוך מערכת למידה אלקטרונית (ELM), מודלים נפרדים בוחנים רגש, לחץ, אינדיקטורים להטעיה, זהות דובר, תזמון, פרוזודיה, רעשי רקע וקולות סינתטיים או מזוינים פוטנציאליים. אותות אלה מסונכרנים באמצעות שכבת תזמור מיושרת בזמן המייצרת פרשנות אחידה וניתנת להסבר של מה שקורה בשיחה.

חלוקת עבודה מפורשת זו היא מרכזית בגישת ELM. במקום להסתמך על מודל מאסיבי יחיד כדי להסיק משמעות באופן מרומז, מודלי האזנה אנסמבליים משלבים נקודות מבט ממוקדות מרובות, ומשפרים הן את הדיוק והן את השקיפות.

בתוך וולמה 2.0

Velma 2.0 היא אבולוציה משמעותית של המערכות הקודמות של Modulate המבוססות על אנסמבל. היא משתמשת ביותר מ-100 מודלים של רכיבים הפועלים יחד בזמן אמת, בנויים על פני חמש שכבות אנליטיות.

השכבה הראשונה מתמקדת בעיבוד שמע בסיסי, קביעת מספר הדוברים, תזמון הדיבור והפסקות. לאחר מכן מגיע חילוץ אותות אקוסטיים, המזהה מצבים רגשיים, רמות לחץ, רמזים להטעיה, סמני קול סינתטיים ורעשי סביבה.

השכבה השלישית מעריכה כוונה נתפסת, ומבחינה בין שבחים כנים לבין הערות סרקסטיות או עוינות. מידול התנהגותי עוקב אחר הדינמיקה של השיחה לאורך זמן, ומסמן תסכול, בלבול, דיבור מתוסרט או ניסיונות להנדסה חברתית. השכבה האחרונה, ניתוח שיחה, מתרגמת תובנות אלו לאירועים רלוונטיים לארגון כגון לקוחות לא מרוצים, הפרות מדיניות, הונאה פוטנציאלית או סוכני בינה מלאכותית לא מתפקדים כראוי.

Modulate מדווח כי Velma 2.0 מבין את משמעות השיח ואת כוונתו בצורה מדויקת יותר בכ-30 אחוז בהשוואה לגישות מובילות מבוססות LLM, ובמקביל הוא חסכוני פי 10 עד 100 בקנה מידה גדול.

מניהול משחקים לבינה ארגונית

מקורותיהם של מודלי האזנה אנסמבליים נעוצים בעבודתו המוקדמת של Modulate עם משחקים מקוונים. כותרים פופולריים כמו Call of Duty ו-Grand Theft Auto Online יוצרים כמה מסביבות הקול המאתגרות ביותר שניתן להעלות על הדעת. השיחות מהירות, רועשות, טעונות רגשית ומלאות בסלנג ובהתייחסויות הקשריות.

הפרדת טבח שובב מהטרדה אמיתית בזמן אמת דורשת הרבה יותר מתמלול. מכיוון שמודולייט הפעילה את מערכת ניהול הקול שלה, ToxMod, היא הרכיבה בהדרגה אנסמבלים מורכבים יותר ויותר של מודלים כדי ללכוד את הניואנסים הללו. תיאום של עשרות מודלים ייעודיים הפך חיוני להשגת הדיוק הנדרש, ובסופו של דבר הוביל את הצוות למסד את הגישה למסגרת אדריכלית חדשה.

Velma 2.0 מכליל את הארכיטקטורה הזו מעבר לתחום המשחקים. כיום, היא מפעילה את פלטפורמת הארגון של Modulate, ומנתחת מאות מיליוני שיחות בתעשיות שונות כדי לזהות הונאות, התנהגות פוגענית, חוסר שביעות רצון של לקוחות ופעילות בינה מלאכותית חריגה.

אתגר למודלים של קרנות

ההכרזה מגיעה ברגע שבו ארגונים מעריכים מחדש את אסטרטגיות הבינה המלאכותית שלהם. למרות השקעות מסיביות, אחוז גדול מיוזמות הבינה המלאכותית לא מצליחות להגיע לייצור או לספק ערך מתמשך. מכשולים נפוצים כוללים הזיות, עלויות הסקה הולכות וגדלות, קבלת החלטות לא אטומה וקושי בשילוב תובנות בינה מלאכותית בזרימות עבודה תפעוליות.

מודלים של האזנה אנסמבלית מטפלים בבעיות אלו ישירות. על ידי הסתמכות על מודלים קטנים רבים ובנויים למטרה זו במקום על מערכת מונוליטית אחת, מודלים של האזנה אלקטרונית (ELMs) זולים יותר לתפעול, קלים יותר לביקורת וניתנים לפירוש רב יותר. ניתן לייחס כל פלט לאותות ספציפיים, מה שמאפשר לארגונים להבין מדוע הושגה מסקנה מסוימת.

רמת שקיפות זו חשובה במיוחד בסביבות מוסדרות או בסיכון גבוה, בהן החלטות קופסה שחורה אינן מקובלות. מודולציה של מערכות למידה אלקטרוניות (ELM) לא כתחליף למודלי שפה גדולים, אלא כארכיטקטורה מתאימה יותר לבינה קולית ברמה ארגונית.

מעבר לדיבור לטקסט

אחד ההיבטים המבטיחים ביותר של Velma 2.0 הוא יכולתה לנתח כיצד משהו נאמר, ולא רק מה שנאמר. זה כולל זיהוי קולות סינתטיים או קולות מזוינים, דאגה גוברת ככל שטכנולוגיית יצירת הקול הופכת לנגישה יותר.

ככל ששיבוט קולי משתפר, ארגונים מתמודדים עם סיכונים הולכים וגדלים הקשורים להונאה, זיוף זהויות והנדסה חברתית. על ידי הטמעת זיהוי קול סינתטי ישירות בתוך המערכת, Velma 2.0 מתייחסת לאותנטיות כאות ליבה ולא כתוסף אופציונלי.

המידול ההתנהגותי של המערכת מאפשר גם תובנות פרואקטיביות. היא יכולה לזהות מתי דובר קורא מתוך תסריט, מתי התסכול מתגבר, או מתי אינטראקציה נוטה לכיוון קונפליקט. יכולות אלו מאפשרות לארגונים להתערב מוקדם וביעילות רבה יותר.

כיוון חדש לבינה מלאכותית ארגונית

לְוַסֵת מתאר את מודל ההאזנה האנסמבלית כקטגוריה חדשה של ארכיטקטורת בינה מלאכותית, הנבדלת הן מצינורות עיבוד אותות מסורתיים והן ממודלים בסיסיים גדולים. התובנה הבסיסית היא שאינטראקציות אנושיות מורכבות מובנות טוב יותר באמצעות התמחות מתואמת ולא באמצעות קנה מידה בכוח גס.

ככל שארגונים דורשים מערכות בינה מלאכותית שהן אחראיות, יעילות ומותאמות לצרכים תפעוליים אמיתיים, מודלי האזנה Ensemble מצביעים על עתיד שבו בינה מורכבת מרכיבים ממוקדים רבים. כעת, עם Velma 2.0 זמינה בסביבות ייצור, Modulate מהמרת שהשינוי הארכיטקטוני הזה יהדהד הרבה מעבר לניהול קולי ותמיכת לקוחות.

בתעשייה המחפשת חלופות לקופסאות שחורות גדולות יותר ויותר, מודלים של האזנה אנסמבל מצביעים על כך שההתקדמות הגדולה הבאה בבינה מלאכותית עשויה לנבוע מהאזנה מדוקדקת יותר, ולא רק ממחשוב אגרסיבי יותר.