Technológia hlasovej umelej inteligencie čelí prekážkam, kým si získa dôveru

Odborníci z odvetvia tvrdia, že technológia umelej inteligencie hlasu (AI) má ešte dlhú cestu pred sebou, kým jej bude možné dôverovať v reálnom podnikateľskom prostredí. Napriek rýchlemu pokroku je potrebné prekonať dve kľúčové prekážky: rýchlosť inferencie a presnosť rozpoznávania reči.

Schopnosť AI prirodzene komunikovať s ľuďmi nestačí; musí tiež presne rozumieť požiadavkám používateľov a riešiť problémy. Manažéri globálnych spoločností zaoberajúcich sa hlasovou umelou inteligenciou zdôraznili, že technológia ešte nezažila svoj “ChatGPT moment”, ktorý priniesol generatívnu AI do hlavného prúdu.

Shawn Wen, technický riaditeľ spoločnosti PolyAI, podnikovej platformy hlasovej AI, poukázal na to, že boli vyvinuté modely plného duplexu, ktoré umožňujú prirodzené rozhovory. Ďalšou výzvou je však urobiť inferenciu extrémne rýchlou, aby sa odpovede dali rýchlo získať a konverzácie pôsobili prirodzene.

Vývoj plne duplexných modelov umožnil AI počúvať a reagovať, zatiaľ čo rečník stále hovorí. To predstavuje výrazné zlepšenie oproti predchádzajúcim systémom, kde používatelia museli dokončiť svoje otázky, kým AI začala odpovedať.

Schopnosť prirodzene si vymieňať slová a rýchlo odpovedať na otázky sú však samostatné otázky. Aj keď AI reaguje okamžite, hľadanie informácií na odpoveď trvá čas, čo sťažuje udržanie prirodzeného toku dialógu pri prestávke uprostred rozhovoru na hľadanie odpovedí.

Wen použil zákaznícke servisné centrá ako príklad a poznamenal, že používatelia okamžite vyhľadajú ľudských agentov, ak AI agent nepreukáže schopnosť riešiť problémy v prvých dvoch alebo troch výmenách. Budovanie dôvery v skorých interakciách môže eliminovať potrebu, aby používatelia žiadali o ľudskú pomoc.

Chyby pri rozpoznávaní reči môžu podkopať všetku prácu v ďalšom procese a viesť k nesprávnemu výkladu požiadaviek používateľov. Modely automatického rozpoznávania reči (ASR) často prehliadajú kľúčové kľúčové slová, čo spôsobuje problémy s celkovým kontextom. To zdôrazňuje dôležitosť presného pochopenia ľudskej reči pre hlasovú AI pri riešení reálnych obchodných úloh.

Alex Gay, marketingový riaditeľ spoločnosti Otter, zdôraznil, že ak je obsah stretnutia nesprávne prepísaný, chyby sa môžu šíriť nielen do súhrnov, ale aj do práce vykonanej na základe týchto zhrnutí. Zdôraznil, že “v momente, keď AI urobí nesprávnu akciu, používatelia strácajú dôveru v platformu” kvôli nepresnému prepisu.

Otter vníma transkripciu ako základnú vrstvu na zvýšenie produktivity, ale ak je nepresná, každá automatizačná funkcia na nej postavená sa stáva nestabilnou. Spoločnosť vyvíja technológiu digitálnych dvojčiat, ktorá umožňuje AI zúčastňovať sa stretnutí a zapájať sa do diskusií s účastníkmi. To však vyžaduje presné zachytenie kontextu konverzácie a pochopenie vzťahov medzi účastníkmi.

Gay poznamenal, že ak AI avatary nedokážu implementovať diskusiu a interakciu založenú na týchto vzťahoch, nie sú ničím odlišné od jednoduchých chatbotov s odpovedaním na otázky. Cieľom je posunúť sa za hranice nahrávania poznámok k pochopeniu toku konverzácie a zapojeniu sa do diskusie. To by umožnilo digitálnym dvojčatám nahradiť ľudské úlohy v skutočných stretnutiach.

Odvetvie si uvedomuje dôležitosť kombinovania identifikácie reproduktora, zachytávania zámerov a organizačných znalostí na generovanie záznamov, ktoré môžu byť využité na automatizáciu. Problémy s transparentnosťou sa objavujú aj s množstvom nových hlasových nástrojov; používatelia musia byť upozornení, keď prebieha nahrávanie alebo komunikujú s AI.

Otter testuje prístup, kde sú účastníci informovaní cez chat aj na stretnutiach bez prítomnosti bota, že stretnutie je nahrávané. Wen z PolyAI zdôraznil potrebu jasne informovať druhú stranu počas podnikových hovorov, že komunikuje s AI. To zdôrazňuje rastúci dopyt po transparentnosti a dôveryhodnosti v technológii hlasovej AI.

Napriek intenzívnemu investičnému nadšeniu panuje v odvetví vnímanie, že skutočný výkon nedrží krok s marketingovými tvrdeniami. Do startupov prúdia miliardy dolárov naprieč spektrom od vývojárov modelov cez podnikových zákazníckych servisov, nástroje na prepis stretnutí až po AI diktátorské služby.