به گزارش سیتنا، این نظریه که صدا رابط کاربری بزرگ بعدی خواهد بود، با شتاب زیادی در حال گسترش است. سرمایه‌گذاران میلیاردها دلار به استارتاپ‌های هوش مصنوعی صوتی تزریق کرده‌اند؛ شرکت‌هایی که از توسعه مدل‌های هوش مصنوعی و خدمات مشتریان سازمانی گرفته تا ابزارهای یادداشت‌برداری از جلسات و تبدیل گفتار به متن با کمک هوش مصنوعی فعالیت می‌کنند.
تقریباً هر هفته، مدل یا ابزار تازه‌ای معرفی می‌شود که ادعا می‌کند صدایی شبیه انسان دارد و می‌تواند مانند انسان گفت‌وگو کند. با این حال، در عمل ممکن است چنین ادعایی هنوز به‌طور کامل محقق نشده باشد. شان ون، مدیر ارشد فناوری شرکت PolyAI که در زمینه پلتفرم‌های هوش مصنوعی صوتی برای کسب‌وکارها فعالیت می‌کند، معتقد است با وجود عرضه مدل‌های تمام‌دوطرفه که می‌توانند هم‌زمان با شنیدن صدای کاربر صحبت کنند، هوش مصنوعی صوتی هنوز به «لحظه چت‌جی‌پی‌تی» خود نرسیده است.
او ماه گذشته در کنفرانس HumanX و در گفت‌وگویی روی صحنه گفت: «ما به نقطه عطف توسعه مدل‌های تمام‌دوطرفه رسیده‌ایم. چالش بعدی این است که فرایند استدلال را بسیار سریع کنیم تا مدل‌ها بتوانند پاسخ‌ها را به‌سرعت پیدا کنند و گفت‌وگو طبیعی به نظر برسد.»
ون همچنین تأکید کرد عامل‌های هوش مصنوعی در خدمات مشتریان نباید صدایی رباتیک داشته باشند و باید به اندازه‌ای اطمینان در تماس‌گیرندگان ایجاد کنند که آن‌ها باور کنند این سامانه‌ها توانایی حل مشکلاتشان را دارند.
او گفت: «فکر می‌کنم مرحله بعد کمی متفاوت خواهد بود؛ زیرا وقتی کیفیت صدا به‌اندازه کافی خوب شود و مشتری در دو یا سه نوبت نخست حاضر به تعامل با سامانه باشد، به‌تدریج اعتماد شکل می‌گیرد. در ادامه، مشتری ممکن است احساس کند اگر عامل هوش مصنوعی بتواند مشکلش را حل کند، دیگر نیازی نیست با یک انسان صحبت کند.»
الکس گی، مدیر ارشد بازاریابی شرکت Otter که ابزارهای یادداشت‌برداری از جلسات را توسعه می‌دهد، معتقد است شناسایی گویندگان، تشخیص منظور آن‌ها و ثبت این اطلاعات با استفاده از دانش سازمانی، گام مهمی برای خودکارسازی فرایندهاست.
این شرکت همچنین روی توسعه «دوقلوهای دیجیتال» کار می‌کند؛ ابزارهایی که می‌توانند نماینده افراد در جلسات باشند. گی می‌گوید در این فناوری، صدای خروجی باید همان حالت‌های عاطفی و احساسی گفت‌وگوی انسانی را منتقل کند.
او توضیح داد: «اگر به جلساتی که اکنون در آن‌ها شرکت می‌کنید فکر کنید، بهترین گفت‌وگوها آن‌هایی هستند که در آن‌ها امکان بحث و تبادل نظر و گفت‌وگوهای راهبردی وجود دارد و احساس می‌کنید رابطه‌ای میان افراد برقرار است. اگر نتوانید چنین تجربه‌ای را با یک آواتار داشته باشید، آن ابزار صرفاً یک چت‌بات پرسش‌وپاسخ خواهد بود.»
چالش درک گفتار و شفافیت در هوش مصنوعی صوتیبا وجود پیشرفت مدل‌های هوش مصنوعی صوتی، دستیارهای هوشمند هنوز در بسیاری از موارد منظور کاربران را به‌درستی درک نمی‌کنند. همچنین ممکن است ابزارهای یادداشت‌برداری از جلسات، متن اشتباهی از صحبت‌ها تهیه کنند یا خلاصه‌ای نادرست ارائه دهند.
ون معتقد است مدل‌های تشخیص خودکار گفتار یا ASR اغلب کلمات کلیدی مهم را از دست می‌دهند و همین مسئله باعث می‌شود بخشی از زمینه و مفهوم اصلی گفت‌وگو به‌درستی ثبت نشود.
گی نیز با این دیدگاه موافق است و می‌گوید شرکت Otter همچنان در حال بهبود دقت پیاده‌سازی گفتار به متن است. به گفته او، زبان نیز یکی از حوزه‌هایی است که مدل‌های صوتی باید در آن پیشرفت بیشتری داشته باشند.
گی توضیح داد: «برای Otter، تبدیل گفتار به متن هیچ‌گاه هدف نهایی نبود؛ بلکه لایه‌ای بود که می‌توانستیم بر پایه آن، بهره‌وری را افزایش دهیم. اما اگر متن اولیه دقت لازم را نداشته باشد، تمام اقداماتی که در ادامه بر اساس آن انجام می‌شوند، دچار خطا خواهند شد. وقتی سامانه بر مبنای اطلاعات نادرست اقدامی انجام دهد، اعتماد کاربران به پلتفرم از بین می‌رود. بهبود مستمر مدل تشخیص خودکار گفتار برای ما حیاتی است، زیرا پیامدهای خطا در مراحل بعدی بسیار گسترده خواهد بود.»
در کنار پیشرفت ابزارهای صوتی، مسئله شفافیت نیز مطرح است. این ابزارها باید به مشتریان اعلام کنند که صدای آن‌ها ضبط می‌شود یا در حال صحبت با یک سامانه هوش مصنوعی هستند.
شرکت Otter می‌گوید هدفش ایجاد اعتماد میان افراد حاضر در جلسات است. به همین دلیل، حتی در جلساتی که ربات یادداشت‌بردار حضور ندارد، این شرکت در حال بررسی روش‌هایی مانند اطلاع‌رسانی در گروه گفت‌وگو درباره ضبط جلسه است.
ون، مدیر ارشد فناوری PolyAI، نیز تأکید کرد که در تماس‌های سازمانی باید به‌روشنی مشخص باشد که افراد با یک سامانه هوش مصنوعی صحبت می‌کنند.
انتهای پیام