Ovi čelnici smatraju da glasovni AI još nije doživio svoj ChatGPT trenutak
Ulaganja u glasovni AI dobila su snažan zamah, a investitori su u startupe uložili milijarde dolara. Riječ je o područjima od proizvođača modela i poslovne korisničke službe do alata za bilježenje sastanaka i diktiranja pomoću AI-a. Svakog tjedna izlazi novi model ili alat koji tvrdi da zvuči i razgovara ljudski. No u stvarnosti to možda nije tako, upozoravaju stručnjaci.
Shawn Wen, CTO platforme PolyAI za poslovni glasovni AI, smatra da unatoč punodupleksnim modelima — koji mogu govoriti dok slušaju — glasovni AI još nije doživio svoj "ChatGPT trenutak". To je rekao na konferenciji HumanX prošlog mjeseca. Ističe da je sljedeći izazov omogućiti vrlo brzo zaključivanje kako bi modeli brzo pronalazili odgovore i razgovor djelovao prirodno. AI agenti u korisničkoj službi, dodaje, ne bi smjeli zvučati robotski i trebali bi pozivateljima ulijevati povjerenje da mogu riješiti problem.
Prema njemu, kada glas postane dovoljno dobar i korisnik pristane na prva dva ili tri kruga razgovora, počinje graditi povjerenje i s vremenom može osjetiti da ne mora razgovarati s čovjekom ako agent riješi njegov problem.
Kontekst
Glasovni AI obuhvaća alate koji slušaju, govore i razumiju ljudski govor. Punodupleksni modeli mogu govoriti dok istovremeno slušaju sugovornika. ASR, odnosno automatsko prepoznavanje govora, služi za pretvaranje govora u tekst. Alex Gay, CMO tvrtke Otter koja razvija alat za bilježenje sastanaka, kaže da su identifikacija govornika, prepoznavanje namjere i pretvaranje toga u zapis uz organizacijsko znanje ključan korak prema automatizaciji. Otter radi i na digitalnim blizancima koji bi mogli predstavljati ljude na sastancima. Za tu tehnologiju, tvrdi Gay, presudno je da izlazni glas prenosi iste emotivne izraze kao razgovor s čovjekom.
Najbolji razgovori uključuju raspravu, strateške diskusije i odnos koji ih podupire; ako to nije moguće s avatarom, ostaje samo chatbot za pitanja i odgovore.
Ključne brojke
Investitori su u startupe glasovnog AI-a uložili milijarde dolara. Wen spominje prva dva ili tri kruga razgovora u kojima korisnik gradi povjerenje u AI agenta.
Što to znači
Iako su modeli glasovnog AI-a napredovali, AI asistenti često ne razumiju korisnike, a alat za bilježenje sastanaka može prikazati pogrešan transkript ili sažetak. Wen smatra da ASR modeli često promašuju važne ključne riječi, što otežava hvatanje cijelog konteksta. Gay se slaže i dodaje da tvrtka Otter nastavlja poboljšavati transkripciju. Jezik je jedno od područja u kojima glasovni modeli moraju napredovati. Ako izvorna transkripcija nije dovoljno točna, sve naknadne radnje postaju manjkave, a pogrešna radnja ruši povjerenje u platformu. Zato je ključno poboljšavati ASR model jer su posljedice nizvodno značajne.
Otvara se i pitanje transparentnosti: alati bi korisnicima trebali jasno reći da se snimaju ili da razgovaraju s AI-em. Otter želi ulijevati povjerenje sudionicima sastanka, pa čak i kada bot nije prisutan, nastoji ih u chatu obavijestiti da se sastanak snima. Wen naglašava da je u poslovnim pozivima važno utvrditi da ljudi razgovaraju s AI-em.
Što slijedi
Očekuje se daljnji razvoj bržeg zaključivanja u glasovnim modelima, poboljšanje ASR-a i transkripcije te rad na digitalnim blizancima za sastanke. Ključni će izazov ostati kako postići prirodan razgovor, točno razumijevanje konteksta i jasnu transparentnost prema korisnicima.