რატომ ვერ აღწევს ხმოვანი ხელოვნური ინტელექტი გარღვევას

ინვესტორები მილიარდობით დოლარს დებენ ახალ სტარტაპებში, თუმცა ინდუსტრიის ლიდერების აზრით, ხმოვანი ხელოვნური ინტელექტი ჯერ კიდევ ვერ მივიდა თავის გარდამტეხ მომენტამდე. ყოველკვირეულად ჩნდება ახალი ინსტრუმენტები, რომლებიც ადამიანის მსგავს მეტყველებას გვპირდება, მაგრამ პრაქტიკაში ბუნებრივი დიალოგის მიღწევა კვლავ რთულ ამოცანად რჩება.

სწრაფი მსჯელობა და ბუნებრივი კომუნიკაცია

კომპანია PolyAI-ის ტექნოლოგიური დირექტორი შონ ვენი (Shawn Wen) მიიჩნევს, რომ სრული დუპლექსის (full-duplex) სისტემების შექმნის მიუხედავად — რომლებსაც ერთდროულად საუბარი და მოსმენა შეუძლიათ — ტექნოლოგიას ჯერ არ ჰქონია თავისი „ChatGPT-ის მომენტი“. მისი თქმით, მთავარი ეტაპია მსჯელობის სისწრაფის გაზრდა, რათა მოდელმა პასუხები სწრაფად მოიძიოს და დიალოგი ბუნებრივი გახდეს.

ვენის განცხადებით, მომხმარებელთა მომსახურების სფეროში AI აგენტი არ უნდა ჟღერდეს რობოტულად: „ვფიქრობ, შემდეგი ეტაპი ოდნავ განსხვავებული იქნება, რადგან როგორც კი ხმა საკმარისად დაიხვეწება და მომხმარებელი მზად იქნება მასთან პირველი ორი-სამი რეპლიკა გაცვალოს, ნდობა გაჩნდება. დროთა განმავლობაში ისინი იგრძნობენ, რომ ადამიანთან საუბარი აღარ სჭირდებათ, თუ აგენტი პრობლემას მოაგვარებს“.

სიზუსტის პრობლემა და გამჭვირვალობა

შეხვედრების ჩამწერი პლატფორმა Otter-ის მარკეტინგის დირექტორის, ალექს გეის (Alex Gay) აზრით, ავტომატიზაციისთვის უმნიშვნელოვანესია მოსაუბრის იდენტიფიცირება და მისი განზრახვის სწორად აღქმა. Otter ასევე მუშაობს ციფრულ ორეულებზე, რომლებსაც ადამიანის ემოციური გამომეტყველების ასახვა უნდა შეეძლოთ, წინააღმდეგ შემთხვევაში სისტემა მხოლოდ მარტივ კითხვა-პასუხის ჩატბოტად დარჩება.

დღეს არსებული ასისტენტები ხშირად ვერ იგებენ მომხმარებლის ნათქვამს ან არასწორ შეჯამებას აკეთებენ. მეტყველების ავტომატური ამოცნობის (ASR) სისტემები ხშირად ტოვებენ საკვანძო სიტყვებს. როგორც გეი აღნიშნავს, თუ თავდაპირველი ტრანსკრიფცია არაზუსტია, ყველა შემდგომი ავტომატური ქმედებაც მცდარი ხდება, რაც მომხმარებლის ნდობას ანგრევს. გარდა ამისა, ექსპერტები ხაზს უსვამენ გამჭვირვალობის აუცილებლობას, რათა მომხმარებელმა ყოველთვის იცოდეს, რომ საუბარი იწერება ან კომუნიკაცია ხელოვნურ ინტელექტთან აქვს.

რას ნიშნავს ეს ჩვენთვის

ეს ნიშნავს, რომ მომხმარებელთა მომსახურებაში ან ონლაინ შეხვედრებში ხმოვანი დამხმარეები ადამიანებს სრულად და უშეცდომოდ ჯერ ვერ ჩაანაცვლებენ. სავარაუდოდ, კიდევ გარკვეული დრო დასჭირდება იმას, რომ სისტემებმა საუბრის კონტექსტი ზუსტად დაიჭირონ და შეფერხებების გარეშე, ადამიანური სისწრაფით შეძლონ რეაგირება.

წყარო: TechCrunch