Prism néven új, beszédből közvetlenül beszédet előállító modellt mutatott be a Rime, amely a vállalat szerint körülbelül 300 ezredmásodperc alatt képes reagálni a felhasználó hangjára. A generatív mesterséges intelligencia nemcsak a kimondott szavakat dolgozza fel, hanem a beszéd érzelmi és környezeti jelzéseit is figyelembe veheti, miközben az üzleti felhasználók ellenőrizhetik az elhangzásra váró válasz tartalmát.
A Rime október 28-án jelentette be a Prism modellt, amelyet elsősorban telefonos ügyfélszolgálatokhoz és más, valós idejű vállalati beszélgetésekhez fejlesztett. A cég szerint a jelenlegi hangalapú mesterséges intelligencia rendszerek két fontos problémával küzdenek: a különálló beszédfelismerő, nyelvi és beszédszintetizáló rendszerek között elveszhetnek a hang fontos részletei, a közvetlen beszédből beszédbe dolgozó modellek működését pedig nehezebb ellenőrizni. A Prism célja e két megközelítés előnyeinek egyesítése.
A modell egyetlen összekapcsolt rendszerként figyeli a beérkező hangot, tervezi meg a válasz tartalmát és állítja elő a beszédet. A Rime szerint a rendszer közben a felhasználó hangjának olyan jellemzőit is értelmezheti, mint a bizonytalanság, a frusztráció vagy a nevetés. A válasz előállítása során azonban egy külön ellenőrizhető szövegréteg is létrejön, amelyen az üzleti szabályok és biztonsági ellenőrzések még a megszólalás előtt lefuttathatók. Ez lehetőséget adhat arra, hogy egy vállalat ne kizárólag a kész hangfelvétel alapján ellenőrizze, mit mondott a digitális asszisztens.
A Rime saját közlése alapján a Prism körülbelül 300 ezredmásodperces reakcióidőt érhet el, és a beszéd előállításával párhuzamosan külső eszközöket is használhat. A vállalat több millió órányi emberi beszélgetésen végzett tanításról számolt be, valamint azt állítja, hogy a modell egyes hangalapú intelligenciatesztekben jelentős előnyt mutatott más rendszerekkel szemben. Ezek a gyártó által közölt teljesítményadatok, amelyek nem bizonyítják, hogy a Prism minden nyelven, telefonhálózaton és ügyfélszolgálati helyzetben azonos késleltetéssel vagy minőséggel működik.
Olvasd el: A generatív mesterséges intelligencia már teljes ügyfélhívásokat is végigvihet a Grok Voice 3.0-val
A telefonos ügyfélszolgálatok következő áttörését az emberi hang egyre tökéletesebb utánzása vagy a mesterséges intelligencia válaszainak pontosabb ellenőrizhetősége hozhatja el?
A hangalapú rendszerek vállalati alkalmazásánál az egyik legfontosabb kérdés, hogyan lehet természetes beszélgetést biztosítani anélkül, hogy a digitális asszisztens ellenőrizhetetlen állításokat tenne. Egy ügyfélszolgálati beszélgetés során például pontosan kell kezelni az árakat, szerződéses feltételeket és személyes adatokat. A Prism ellenőrizhető szövegrétege lehetővé teheti, hogy a vállalat a kimondás előtt korlátozza vagy módosítsa a problémás válaszokat. A fejlesztők emellett a modell saját infrastruktúrán történő működtetését és speciális vállalati feladatokra való továbbtanítását is támogatják.
A modell üzleti jelentőségét azonban csak valós környezetben végzett vizsgálatok mutathatják meg. Egy ügyfélszolgálati rendszer minőségét nem kizárólag a reakcióidő határozza meg, hanem a hibás válaszok aránya, a zajos telefonkapcsolat kezelése, a beszélgetések megfelelő lezárása és az emberi ügyintézőnek történő átadás is. A hangból következtetett érzelmi állapot ráadásul bizonytalan lehet, mert ugyanaz a beszédjellemző különböző embereknél eltérő jelentéssel bírhat. A vállalat saját tesztjein túl ezért független, éles ügyfélszolgálati mérésekre is szükség lesz.
A Prism megjelenése újabb példája annak, hogy a generatív mesterséges intelligencia hangalapú rendszerei egyre összetettebb feladatokat céloznak. A cél már nem pusztán az, hogy egy gép természetes hangon olvasson fel egy szöveget, hanem hogy a beszélgetés menetét értelmezve, külső alkalmazásokkal együttműködve és vállalati szabályok szerint tudjon dolgozni. Ha a gyors reakció, az emberihez hasonló beszéd és az ellenőrizhetőség egyszerre biztosítható, a hangalapú digitális ügynökök a következő években egyre több ügyfélszolgálati és adminisztratív munkafolyamatban jelenhetnek meg.
Olvasd el ezt is: Világszerte megkapja az Intelligent UI-t a ChatGPT generatív mesterséges intelligencia rendszere
Források: Rime, Rime Product Announcement, PR Newswire
CS.SZ.
