ხმოვანი ტექნოლოგიების, როგორც ინტერფეისის მომავლის მიმართ ინტერესი მკვეთრად გაიზარდა. ინვესტორები მილიარდობით დოლარს დებენ სტარტაპებში, რომლებიც მუშაობენ ყველაფერზე — მოდელების შექმნიდან დაწყებული, კორპორატიული მომხმარებელთა მომსახურებითა და შეხვედრების ჩამწერებით დამთავრებული. მიუხედავად იმისა, რომ ყოველკვირეულად ჩნდება ახალი მოდელები, რომლებიც „ადამიანური“ საუბრის იმიტაციას გვპირდებიან, ექსპერტები მიიჩნევენ, რომ სფერო ჯერ კიდევ არ მისულა გარდამტეხ წერტილამდე.
PolyAI-ის CTO შონ ვენის თქმით, მიუხედავად full-duplex მოდელების გაჩენისა, რომლებიც ერთდროულად საუბარსა და მოსმენას ახერხებენ, ხმოვან AI-ს ჯერ არ ჰქონია თავისი „ChatGPT მომენტი“. მისი აზრით, მთავარი გამოწვევა ახლა მსჯელობის (reasoning) სიჩქარეა, რათა საუბარი ბუნებრივი იყოს. ვენი ხაზს უსვამს, რომ მომხმარებელთა მომსახურებაში AI აგენტები არ უნდა ჟღერდნენ რობოტულად; მათ უნდა შეძლონ მომხმარებლის ნდობის მოპოვება, რათა ადამიანმა თავი დაცულად იგრძნოს პრობლემის გადაჭრის პროცესში.
Otter-ის CMO ალექს გეი აღნიშნავს, რომ ავტომატიზაციისთვის კრიტიკულია არა მხოლოდ ხმის ამოცნობა, არამედ განზრახვის (intent) გაგება და მისი ორგანიზაციულ ცოდნასთან დაკავშირება. კომპანია მუშაობს ციფრულ ტყუპებზე, რომლებიც შეხვედრებზე ადამიანებს ჩაანაცვლებენ, თუმცა აქ მთავარი ემოციური ფაქტორია. „თუ ავატართან ვერ აწარმოებ სტრატეგიულ დისკუსიას და ვერ ამყარებ ურთიერთობას, ის უბრალოდ ჩვეულებრივი Q&A ჩატბოტია“, — ამბობს გეი.
ტექნიკური თვალსაზრისით, ASR (ავტომატური მეტყველების ამოცნობა) მოდელები კვლავ უშვებენ შეცდომებს, რაც კონტექსტის დაკარგვას იწვევს. გეის თქმით, თუ ტრანსკრიფცია არაზუსტია, ყველა შემდგომი ავტომატური მოქმედება მცდარი იქნება, რაც მომხმარებლის ნდობას ანადგურებს. გარდა ამისა, ორივე ექსპერტი თანხმდება გამჭვირვალობის აუცილებლობაზე: მომხმარებელმა ყოველთვის უნდა იცოდეს, რომ ის AI-ს ესაუბრება ან რომ საუბარი იწერება.
წყარო: techcrunch.com
