რატომ ვერ აღწევს ხმოვანი ხელოვნური ინტელექტი გარღვევას
ხმოვანი ხელოვნური ინტელექტი დღეს ერთ-ერთი ყველაზე ცხელი მიმართულებაა: ინვესტორები მილიარდობით დოლარს დებენ სტარტაპებში, რომლებიც ხმოვან მოდელებს, მომხმარებელთა მომსახურების აგენტებს, შეხვედრების ჩამწერ ასისტენტებს და კარნახის ინსტრუმენტებს ქმნიან. თითქმის ყოველ კვირა ახალი მოდელი გამოდის, რომელიც „ადამიანივით საუბარს” გვპირდება. თუმცა თავად ინდუსტრიის ხელმძღვანელები აღიარებენ, რომ რეალობა ჯერ ასე არ არის.
„ChatGPT-მომენტი” ჯერ არ დამდგარა
PolyAI-ის ტექნოლოგიური დირექტორის (CTO), შონ ვენის აზრით, ხმოვან AI-ს საკუთარი „ChatGPT-მომენტი”, ანუ ის გარღვევა, რომელმაც ჩატბოტები მასობრივი გახადა, ჯერ არ ჰქონია. ამის შესახებ მან გასულ თვეს, კონფერენცია HumanX-ზე ისაუბრა.
ვენის თქმით, უკვე არსებობს ე.წ. full-duplex მოდელები, რომლებსაც ერთდროულად ლაპარაკიც შეუძლიათ და მოსმენაც, ზუსტად ისე, როგორც ადამიანს საუბრისას. შემდეგი დიდი გამოწვევა „ფიქრის” სისწრაფეა: მოდელმა იმდენად სწრაფად უნდა იმსჯელოს, რომ პასუხი ბუნებრივი საუბრის რიტმში ჩაეტიოს.
მისივე შეფასებით, მომხმარებელთა მომსახურების AI აგენტი რობოტივით არ უნდა ჟღერდეს და ზარის დასაწყისშივე უნდა შეუქმნას ადამიანს განცდა, რომ მისი პრობლემა მოგვარდება. თუ ხმა საკმარისად კარგია და ადამიანი რამდენიმე რეპლიკას მაინც გაცვლის, ნდობა თანდათან იზრდება. დროთა განმავლობაში ზოგიერთი შეიძლება მივიდეს დასკვნამდე, რომ ცოცხალი ოპერატორი აღარ სჭირდება, თუ აგენტი პრობლემას აგვარებს.
ვენი კიდევ ერთ ტექნიკურ სისუსტეზე მიუთითებს: მეტყველების ამოცნობის (ASR) სისტემები ხშირად გამოტოვებენ მნიშვნელოვან სიტყვებს, რის გამოც საუბრის სრული კონტექსტი იკარგება.
Otter და „ციფრული ტყუპები”
შეხვედრების ჩამწერი სერვისის Otter-ის მარკეტინგის მთავარი დირექტორი (CMO), ალექს გეი, ავტომატიზაციის მთავარ ნაბიჯებად მოსაუბრის ამოცნობას, მისი განზრახვის სწორად გაგებას და ჩანაწერების კომპანიის ცოდნასთან დაკავშირებას ასახელებს.
Otter ამჟამად „ციფრულ ტყუპებზე” მუშაობს: ესაა AI ასლები, რომლებსაც შეეძლებათ ადამიანის წარმოდგენა შეხვედრებზე. გეის თქმით, ასეთი ასლის ხმა ადამიანურ ემოციებს უნდა გადმოსცემდეს, რადგან კარგი შეხვედრა კამათს, სტრატეგიასა და ურთიერთობებს მოიცავს. ამ თვისებების გარეშე ავატარი, მისი სიტყვებით, „უბრალოდ Q&A ჩატბოტია”.
გეი აღნიშნავს, რომ ტრანსკრიფცია Otter-ისთვის საბოლოო მიზანი არასდროს ყოფილა. თუმცა თუ ჩანაწერი არაზუსტია, მასზე დაფუძნებული ყველა შემდგომი ავტომატური მოქმედებაც მცდარი გამოდის და ეს ნდობას ანგრევს. ამიტომ მეტყველების ამოცნობის გაუმჯობესება კრიტიკულია. მისივე თქმით, ხმოვანი მოდელები ენების მხარდაჭერაშიც საჭიროებს გაუმჯობესებას.
გამჭვირვალობა და ნდობა
ორივე კომპანია ერთ რამეზე თანხმდება: ადამიანმა უნდა იცოდეს, როდის ესაუბრება AI-ს და როდის იწერება საუბარი. ვენის თქმით, კორპორატიულ ზარებზე მნიშვნელოვანია, რომ თავიდანვე ნათელი იყოს, რომ მოსაუბრე AI-ა. Otter კი, ნდობის შესანარჩუნებლად, შეხვედრის ყველა მონაწილეს შეიძლება ჩატში აცნობოს, რომ შეხვედრა იწერება, მაშინაც კი, როცა თავად მისი ბოტი შეხვედრაზე არ არის.
რას ნიშნავს ეს ჩვენთვის
ხმოვანი ასისტენტები სწრაფად ვითარდება, მაგრამ ინდუსტრიის ლიდერების შეფასებით, ჯერ კიდევ აქვთ სისუსტეები: საუბრის სისწრაფე, ზუსტი გაგება და კონტექსტის შენარჩუნება. ის, რომ ენების მხარდაჭერა გასაუმჯობესებელ სფეროდ სახელდება, ქართველი მომხმარებლისთვის განსაკუთრებით საინტერესოა: ქართული მცირე ენაა და, სავარაუდოდ, ასეთ სისტემებში ინგლისურზე ნელა გაუმჯობესდება.
პრაქტიკული რჩევა: თუ ბანკის, მაღაზიის ან სერვისის ცხელ ხაზზე AI გპასუხობთ, ნორმალურია იკითხოთ, ადამიანს ესაუბრებით თუ პროგრამას და იწერება თუ არა საუბარი. სწორედ ამ ტიპის გამჭვირვალობას ითხოვენ თავად ინდუსტრიის წარმომადგენლებიც.
წყარო: TechCrunch
