Balss Mākslīgais Intelekts Joprojām Gaida Savu Noteicošo „ChatGPT Brīdi”, Apgalvo Nozares Līderi

Attēls: TechCrunch · Avots

PolyAI un Otter eksperti uzsver, ka, lai gan balss MI tehnoloģija ir attīstījusies, tai ir grūtības ar kontekstu, spriešanas ātrumu un dabisku mijiedarbību, kavējot tādu pavērsiena momentu līdzīgu ChatGPT ietekmei tekstuālajā MI.

Balss mākslīgais intelekts jau ilgu laiku tiek uzskatīts par nākamo pārmaiņu saskarņu līmeni, piesaistot miljardiem investīciju, sākot no modeļu izstrādātājiem līdz uzņēmumiem orientētām lietojumprogrammām, piemēram, klientu apkalpošanai un sapulču transkripcijai. Tomēr, pēc nozares vadītāju nesenajiem ieskatiem, balss MI vēl nav sasniedzis savu būtisko pavērsiena brīdi, kas būtu salīdzināms ar ChatGPT ietekmi tekstu balstītajā MI.

PolyAI tehniskais direktors Šons Vens HumanX konferencē runāja par balss MI pašreizējo stāvokli un izaicinājumiem. Lai gan pilnas dubultstrāvas modeļi — spējīgi vienlaikus klausīties un runāt — iezīmē nozīmīgu pavērsiena punktu, Vens uzsvēra, ka nākamais izaicinājums ir paātrināt spriešanas procesus. Ātrākas atbildes ir būtiskas, lai sarunas justos plūstošas un dabiski, kas ir kritisks faktors lietotāju uzticības veidošanā, īpaši klientu apkalpošanas situācijās. Vens skaidroja, ka, tiklīdz balss aģenti sasniedz kvalitātes līmeni, kur lietotāji vēlas iesaistīties vairākkārtējās sarunās, tas var veicināt pārliecību, ka MI var problēmas atrisināt bez cilvēka iejaukšanās.

Līdzīgi Otter mārketinga direktors Aleks Gejs, kas specializējas AI sapulču pierakstu veidošanā, uzsvēra, ka precīza runātāja identifikācija, nodoma atpazīšana un kontekstuāla transkripcija ir pamats nozīmīgai automatizācijai. Otter izstrādā digitālo dvīņu tehnoloģiju, lai simulētu sapulces dalībniekus, cenšoties, lai šie avatāri izteiktu cilvēka līdzīgas emocijas. Gejs brīdināja, ka bez šīm emocionālajām niansēm sarunu MI var degradēties vienkāršā jautājumu-atbilžu čatbotā, trūkstot smalkuma, kas raksturo produktīvas, stratēģiskas diskusijas.

Neskatoties uz uzlabojumiem, gan Vens, gan Gejs atzina pastāvošās balss MI izpratnes ierobežojumus. Automātiskās runas atpazīšanas (ASR) sistēmas bieži neievēro svarīgas atslēgvārdus, kas ir būtiski konteksta izpratnei, kas vājinās transkripciju un kopsavilkto sapulču pierakstu precizitāti. Gejs atzīmēja, ka transkripcijas precizitāte nav mērķis pati par sevi, bet priekšnoteikums turpmākai produktivitātes pieaugšanai. Kļūdas transkripcijā var radīt virkni kļūdainu sekojošu darbību un samazināt lietotāju uzticību platformām.

Caurspīdīgums arī paliek būtiska uzmanības joma. Gan PolyAI, gan Otter atbalsta skaidru informēšanu, ka lietotāji mijiedarbojas ar MI vai tiek ierakstīti, stiprinot uzticību un ētisku izmantošanu. Piemēram, Otter izmanto paziņojumus sapulču čatā, lai informētu dalībniekus par ierakstiem, pat ja MI roboti aktīvi nepiedalās.

Kopumā, lai gan balss MI tehnoloģija turpina attīstīties ar sološiem modeļiem un lietojumiem, tā ceļš uz izgudrojuma mirkli, kas būtu līdzvērtīgs ChatGPT ietekmei, vēl nav īstenojies. Ir jārisina izaicinājumi konteksta izpratnē, atbildes ātrumā, emocionālā dabiskumā un caurspīdīgumā, lai pilnībā realizētu balss MI potenciālu uzņēmējdarbībā un plašāk.