โมเดลและแพลตฟอร์ม AI

โมดูเลทเปิดตัวโมเดลการฟังแบบเอ็นเซมเบิล พลิกนิยามการเข้าใจเสียงมนุษย์ของ AI

Antoine Tardif
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญแบบจำลองการฟังแบบรวมของโมดูเลตใช้โมเดลเฉพาะทางกว่า 100 รูปแบบ…
ดูเพิ่มเติม
  • แบบจำลองการฟังแบบรวมของโมดูเลตใช้โมเดลเฉพาะทางกว่า 100 รูปแบบ เพื่อตีความอารมณ์และความตั้งใจจากเสียงที่มากกว่าข้อความ
  • สถาปัตยกรรมใหม่นี้บรรลุความแม่นยำในการสนทนาสูงกว่าบริษัทผู้นำด้าน LLM ถึง 30% ด้วยต้นทุนเพียงเศษเสี้ยว
  • ระบบสามารถตรวจจับเสียงสังเคราะห์และสัญญาณพฤติกรรม เช่น ความหงุดหงิด เพื่อป้องกันการฉ้อโกงและสนับสนุนลูกค้า

ปัญญาประดิษฐ์ได้ก้าวหน้าอย่างรวดเร็ว แต่สิ่งหนึ่งที่ยังคงเป็นเรื่องยากเสมอมาคือการเข้าใจเสียงมนุษย์อย่างแท้จริง ไม่ใช่แค่คำพูด แต่ยังรวมถึงอารมณ์ที่อยู่เบื้องหลัง เจตนาที่สื่อผ่านน้ำเสียงและจังหวะ และสัญญาณที่ละเอียดอ่อนที่ทำให้สามารถแยกแยะระหว่างการพูดคุยที่เป็นมิตรและความหงุดหงิด การหลอกลวง หรือการทำร้ายได้ วันนี้ Modulate ประกาศความสำเร็จครั้งสำคัญด้วยการเปิดตัว Ensemble Listening Model (ELM) ซึ่งเป็นโครงสร้าง AI ใหม่ที่ออกแบบมาเพื่อการฟังเสียงในโลกแห่งความเป็นจริง

ร่วมกับการประกาศการวิจัย โมดูเลทเปิดตัว Velma 2.0 ซึ่งเป็นการนำโมเดลการฟังแบบเอ็นเซมเบิลไปใช้ในการผลิตเป็นครั้งแรก บริษัทระบุว่า Velma 2.0 มีความแม่นยำในการสนทนาสูงกว่าโมเดลพื้นฐานชั้นนำ โดยมีค่าใช้จ่ายเพียงเล็กน้อยเมื่อเทียบกัน ซึ่งเป็นข้ออ้างที่สำคัญในยุคที่องค์กรต่างๆ กำลังประเมินความยั่งยืนของการนำ AI ไปใช้

ทำไมเสียงจึงยากต่อการทำความเข้าใจสำหรับ AI

ระบบ AI ส่วนใหญ่ที่วิเคราะห์เสียงจะใช้วิธีการที่คุ้นเคย คือการแปลงเสียงเป็นข้อความ และจากนั้นจึงประมวลผลข้อความนั้นโดยใช้โมเดลภาษาขนาดใหญ่ แม้ว่าวิธีการนี้จะมีประสิทธิภาพสำหรับการถอดเสียงและสรุป แต่ก็ลบข้อมูลที่สำคัญที่ทำให้เสียงมีความหมาย

โทน การเน้นอารมณ์ การลังเล การใช้เสียงเยาะเย้ย การพูดทับกัน และเสียงพื้นหลัง ล้วนเป็นสัญญาณที่มีความสำคัญ เมื่อเสียงถูกแบนให้เป็นข้อความ สัญญาณเหล่านี้จะสูญหายไป ซึ่งบ่อยครั้งจะทำให้เกิด การตีความเจตนาผิด หรือการตีความอารมณ์ผิด ซึ่งจะกลายเป็นปัญหาอย่างมากในสถานการณ์ต่างๆ เช่น การสนับสนุนลูกค้า การตรวจจับฉ้อโกง การเล่นเกมออนไลน์ และการสื่อสารที่ขับเคลื่อนด้วย AI ซึ่งความแตกต่างเล็กน้อยเหล่านี้ส่งผลโดยตรงต่อผลลัพธ์

ตามที่โมดูเลทระบุ ข้อจำกัดนี้เป็นเรื่องของโครงสร้างมากกว่าข้อมูล โมเดลภาษาขนาดใหญ่ถูกออกแบบมาเพื่อทำนายข้อความ ไม่ใช่เพื่อการรวมสัญญาณเสียงและพฤติกรรมหลายอย่างในเวลาเดียวกัน โมเดลการฟังแบบเอ็นเซมเบิลถูกสร้างขึ้นเพื่อแก้ไขช่องว่างนี้

อะไรคือโมเดลการฟังแบบเอ็นเซมเบิล?

โมเดลการฟังแบบเอ็นเซมเบิลไม่ใช่เครือข่ายประสาทเทียมเดียวที่ถูกฝึกให้ทำทุกอย่างพร้อมๆ กัน แต่เป็นระบบที่ประกอบด้วยโมเดลหลายตัวที่มีความเชี่ยวชาญแตกต่างกัน แต่ละโมเดลจะวิเคราะห์มิติที่แตกต่างกันของการโต้ตอบเสียง

ภายใน ELM โมเดลที่แยกจากกันจะตรวจสอบอารมณ์ ความเครียด สัญญาณการหลอกลวง อัตลักษณ์ของผู้พูด จังหวะ การเน้นเสียง เสียงพื้นหลัง และเสียงที่อาจถูกสร้างขึ้นหรือปลอมแปลง สัญญาณเหล่านี้จะถูกประสานให้ตรงกันผ่านชั้นการประสานงานที่จัดแนวตามเวลา ซึ่งจะสร้างการวิเคราะห์ที่เป็นเอกภาพและสามารถอธิบายได้เกี่ยวกับสิ่งที่เกิดขึ้นในการสนทนา

การแบ่งงานนี้เป็นศูนย์กลางของแนวทาง ELM ไม่ใช่การอาศัยโมเดลขนาดใหญ่เพียงตัวเดียวในการอนุมานความหมายโดยนัย แต่โมเดลการฟังแบบเอ็นเซมเบิลจะรวมมุมมองที่มุ่งเน้นหลายมุมมองเข้าด้วยกัน ซึ่งจะปรับปรุงความแม่นยำและความโปร่งใส

ภายใน Velma 2.0

Velma 2.0 เป็นการพัฒนาที่สำคัญของระบบเอ็นเซมเบิลก่อนหน้าของโมดูเลท มันใช้โมเดลประกอบมากกว่า 100 ตัวที่ทำงานร่วมกันในเวลาเดียวกัน โดยมี 5 ชั้นการวิเคราะห์

ชั้นแรกมุ่งเน้นไปที่การประมวลผลเสียงพื้นฐาน โดยกำหนดจำนวนผู้พูด จังหวะการพูด และการหยุดพัก ชั้นต่อไปคือการถอดรหัสสัญญาณเสียง ซึ่งระบุสถานะทางอารมณ์ ระดับความเครียด สัญญาณการหลอกลวง ตัวบ่งชี้เสียงสังเคราะห์ และเสียงพื้นหลัง

ชั้นที่สามประเมินความตั้งใจที่รับรู้ โดยแยกแยะระหว่างคำชมที่แท้จริงและคำพูดที่เยาะเย้ยหรือไม่เป็นมิตร การสร้างแบบจำลองพฤติกรรมติดตามพลวัตของการสนทนาเมื่อเวลาผ่านไป โดยระบุความหงุดหงิด ความสับสน การพูดตามบท หรือความพยายามหลอกลวงด้วยวิศวกรรมสังคม ชั้นสุดท้าย คือ การวิเคราะห์การสนทนา ซึ่งแปลความเข้าใจเหล่านี้เป็นเหตุการณ์ที่เกี่ยวข้องกับองค์กร เช่น ลูกค้าที่ไม่พอใจ การละเมิดนโยบาย การฉ้อโกงที่อาจเกิดขึ้น หรือตัวแทน AI ที่ทำงานผิดปกติ

โมดูเลทรายงานว่า Velma 2.0 เข้าใจความหมายและความตั้งใจของการสนทนาได้แม่นยำกว่าแนวทางชั้นนำที่ใช้โมเดลภาษาขนาดใหญ่ประมาณ 30% ในขณะที่มีค่าใช้จ่ายที่ต่ำกว่า 10 ถึง 100 เท่าเมื่อปรับขนาด

จากการดูแลเนื้อหาในเกมสู่ข้อมูลเชิงลึกสำหรับองค์กร

ต้นกำเนิดของโมเดลการฟังแบบเอ็นเซมเบิลอยู่ในงานก่อนหน้าของโมดูเลทกับเกมออนไลน์ เกมยอดนิยม เช่น Call of Duty และ Grand Theft Auto Online สร้างสภาพแวดล้อมเสียงที่ท้าทายที่สุดเท่าที่จะจินตนาการได้ การสนทนาเร็ว เสียงดัง มีอารมณ์ และเต็มไปด้วยภาษาเฉพาะและอ้างอิงตามบริบท

การแยกแยะคำพูดหยอกล้อจากการคุกคามจริงแบบเรียลไทม์ต้องอาศัยมากกว่าการถอดเสียง ขณะใช้งานระบบดูแลเนื้อหาเสียง ToxMod โมดูเลทค่อยๆ รวบรวมชุดโมเดลที่ซับซ้อนขึ้นเพื่อจับความแตกต่างเล็กน้อยเหล่านี้ การประสานโมเดลเฉพาะทางหลายสิบตัวกลายเป็นสิ่งจำเป็นต่อการบรรลุความแม่นยำที่ต้องการ จนในที่สุดทีมได้พัฒนาแนวทางนี้ให้เป็นกรอบสถาปัตยกรรมใหม่

Velma 2.0 ขยายโครงสร้างนี้ไปไกลกว่าเกม วันนี้มันขับเคลื่อนแพลตฟอร์มองค์กรของโมดูเลท โดยวิเคราะห์หลายร้อยล้านการสนทนาในอุตสาหกรรมต่างๆ เพื่อระบุการฉ้อโกง พฤติกรรมที่ไม่เหมาะสม ความไม่พอใจของลูกค้า และกิจกรรม AI ที่ผิดปกติ

ความท้าทายต่อโมเดลฟาวน์เดชัน

การประกาศครั้งนี้เกิดขึ้นเมื่อองค์กรต่างๆ กำลังประเมินกลยุทธ์ AI ของตนใหม่ แม้มีการลงทุนจำนวนมาก แต่โครงการ AI จำนวนมากยังไม่สามารถนำไปใช้งานจริงหรือสร้างคุณค่าที่ยั่งยืน อุปสรรคทั่วไปได้แก่ การสร้างข้อมูลที่ไม่เป็นจริงของ AI ต้นทุนการอนุมานที่เพิ่มขึ้น การตัดสินใจที่ไม่โปร่งใส และความยากในการรวมข้อมูลเชิงลึกของ AI เข้ากับกระบวนการทำงาน

โมเดลการฟังแบบเอ็นเซมเบิลจัดการกับปัญหาเหล่านี้โดยตรง โดยการอาศัยโมเดลขนาดเล็กที่มีจุดประสงค์เฉพาะมากกว่าระบบขนาดใหญ่เพียงตัวเดียว ELM มีค่าใช้จ่ายในการดำเนินการที่ต่ำกว่า ง่ายต่อการตรวจสอบ และมีความสามารถในการอธิบายได้มากขึ้น แต่ละเอาต์พุตสามารถสืบย้อนกลับไปสู่สัญญาณเฉพาะ ทำให้องค์กรสามารถเข้าใจได้ว่าเหตุใดจึงได้ข้อสรุปนั้น

ระดับความโปร่งใสนี้มีความสำคัญอย่างยิ่งในสภาพแวดล้อมที่มีการควบคุมหรือมีความเสี่ยงสูง ซึ่งไม่อาจยอมรับการตัดสินใจแบบกล่องดำได้ โมดูเลทไม่ได้วางตำแหน่ง ELM ให้มาแทนที่โมเดลภาษาขนาดใหญ่ แต่ให้เป็นสถาปัตยกรรมที่เหมาะสมกว่าสำหรับการเข้าใจเสียงระดับองค์กร

ไปไกลกว่าการถอดเสียงเป็นข้อความ

หนึ่งในด้านที่มองไปข้างหน้ามากที่สุดของ Velma 2.0 คือความสามารถในการวิเคราะห์ว่าสิ่งที่พูดถูกพูดไปอย่างไร ไม่ใช่แค่ว่าพูดอะไรบ้าง ซึ่งรวมถึงการตรวจจับเสียงสังเคราะห์หรือเสียงปลอม ซึ่งเป็นข้อกังวลที่เพิ่มขึ้นเมื่อเทคโนโลยีการสร้างเสียงพัฒนาขึ้น

เมื่อเทคโนโลยีการโคลนเสียงดีขึ้น องค์กรต่างๆ จะต้องเผชิญกับความเสี่ยงที่เพิ่มขึ้นที่เกี่ยวข้องกับการฉ้อโกง การปลอมตัว และการหลอกลวงทางสังคม โดยการฝังการตรวจจับเสียงสังเคราะห์เข้าไปในเอ็นเซมเบิลของตน Velma 2.0 ถือว่าความแท้จริงของเสียงเป็นสัญญาณหลัก ไม่ใช่เพียงตัวเลือกเสริม

การสร้างแบบจำลองพฤติกรรมของระบบยังช่วยให้ได้ข้อมูลเชิงลึกเชิงรุก มันสามารถระบุได้ว่าผู้พูดกำลังอ่านจากสคริปต์ เมื่อความหงุดหงิดกำลังเพิ่มขึ้น หรือเมื่อการสนทนากำลังจะเข้าสู่ความขัดแย้ง ความสามารถเหล่านี้ช่วยให้องค์กรสามารถแทรกแซงได้เร็วขึ้นและมีประสิทธิภาพมากขึ้น

ทิศทางใหม่สำหรับ AI องค์กร

Modulate อธิบายโมเดลการฟังแบบเอ็นเซมเบิลว่าเป็นหมวดหมู่ใหม่ของโครงสร้าง AI ซึ่งแยกจากทั้งการประมวลผลสัญญาณแบบดั้งเดิมและโมเดลฟาวน์เดชันขนาดใหญ่ ความเข้าใจเบื้องหลังคือว่าปฏิสัมพันธ์ของมนุษย์ที่ซับซ้อนจะถูกเข้าใจได้ดีกว่าผ่านการเชี่ยวชาญที่ประสานกันมากกว่าการขยายขนาดอย่างดุเดือด

เมื่อองค์กรต่างๆ ต้องการระบบ AI ที่รับผิดชอบ มีประสิทธิภาพ และสอดคล้องกับความต้องการในการดำเนินงานจริง โมเดลการฟังแบบเอ็นเซมเบิลชี้ไปที่อนาคตที่ความฉลาดจะถูกสร้างขึ้นจากส่วนประกอบที่มุ่งเน้นหลายส่วน ด้วย Velma 2.0 ที่ใช้งานจริงในระบบการผลิตแล้ว โมดูเลทกำลังเดิมพัน ว่าการเปลี่ยนแปลงโครงสร้างนี้จะกระจายไปไกลกว่าการดูแลเสียงและการสนับสนุนลูกค้า

ในอุตสาหกรรมที่กำลังมองหาทางเลือกแทนกล่องดำที่ใหญ่ขึ้นเรื่อยๆ โมเดลการฟังแบบเอ็นเซมเบิลชี้ให้เห็นว่าการพัฒนาที่สำคัญถัดไปของ AI อาจมาจากการฟังอย่างระมัดระวัง ไม่ใช่แค่การประมวลผลที่ก้าวร้าว

อองตวนเป็นผู้นำที่มีวิสัยทัศน์และหุ้นส่วนผู้ก่อตั้ง Unite.AI โดยมีความมุ่งมั่นอย่างไม่เปลี่ยนแปลงในการกำหนดทิศทางและส่งเสริมอนาคตของ AI และหุ่นยนต์ ในฐานะผู้ประกอบการที่ก่อตั้งธุรกิจมาแล้วหลายแห่ง เขาเชื่อว่า AI จะสร้างการเปลี่ยนแปลงครั้งใหญ่ต่อสังคมเช่นเดียวกับไฟฟ้า และมักกล่าวถึงศักยภาพของเทคโนโลยีที่พลิกโฉมโลกและ AGI อย่างกระตือรือร้น

ในฐานะ นักอนาคตศาสตร์ เขาทุ่มเทให้กับการสำรวจว่านวัตกรรมเหล่านี้จะกำหนดรูปแบบโลกของเราอย่างไร นอกจากนี้ เขายังเป็นผู้ก่อตั้ง Securities.io ซึ่งเป็นแพลตฟอร์มที่มุ่งเน้นการลงทุนในเทคโนโลยีล้ำสมัยที่กำลังนิยามอนาคตใหม่และเปลี่ยนโฉมอุตสาหกรรมทั้งภาคส่วน