Повечето автоматизирани телефонни разговори просто не стават. Новата технология променя това.
Проблемът с досегашната телефонна автоматизация не беше липсата на приятен глас. Тя просто не разбираше достатъчно, за да поддържа естествения ход на истински разговор.
Телефонният разговор става все по-лесен за автоматизиране.
С всяко поколение машината поема все повече от контекста.
Обаждащият се трябваше да говори на езика на машината.
02Началото на AIСистемите разбираха само тесен набор от сценарии — и се проваляха извън него.
033-стъпкови архитектуриТехнологичният стек стана по-гъвкав, но всяка стъпка се доверяваше на резултата от предходната.
04ThunderPhoneСистемата може да чува, да разсъждава и да се коригира в рамките на един цикъл.
Обаждащият се трябваше да говори на езика на машината.
Автоматизацията означаваше менюта, разклонения през клавиатурата и опашки за изчакване. Работеше, когато обаждащият се вече знаеше как да стигне до правилната опция.
Намерението се свежда до натискането на бутон, затова всичко извън менюто води до прехвърляне или повторно обяснение.
Резултат · Обаждащият се налучква опция, чака и после обяснява всичко отначало.
Системите разбираха само тесен набор от сценарии — и се проваляха извън него.
Екипите обучаваха акустични модели, класификатори на намерения и модели за извличане на полета за конкретни сценарии на обаждания. Решението беше полезно, но всяка промяна излизаше скъпо.
Системата разпознава едно предварително обучено намерение, но изпуска втората заявка или задава въпрос по строго фиксиран сценарий.
Резултат · Искането за добавяне на съпруга се губи, защото не е част от обучения сценарий.
Технологичният стек стана по-гъвкав, но всяка стъпка се доверяваше на резултата от предходната.
Един от разпространените съвременни подходи свързва разпознаване на реч, LLM и синтез на реч в единен цикъл на разговора.
Когато транскрипцията е грешна или обаждащият се прекъсне, LLM уверено отговаря на нещо, което всъщност не е било казано.
Резултат · Една грешка в разпознаването се превръща в грешен гласов отговор.
Системата може да чува, да разсъждава и да се коригира в рамките на един цикъл.
ThunderPhone обединява разбирането на аудиосигнала, оркестрацията на модели, редуването на репликите и генерирането на отговори в единна архитектура.
Няколко паралелни канала за разпознаване и анализът, който отчита аудиосигнала, намаляват грешките в отделните стъпки, преди да стигнат до обаждащия се.
Резултат · Разговорът продължава, без обаждащият се да се мъчи да бъде разбран от системата.
Пробивът не е в това роботизираният глас да звучи по-приятно, а в архитектурата, която не позволява на разговора да се отклони.
По-добро разпознаване
Системата може да сравнява различни сигнали и да извлича смисъл директно от аудиото, вместо да разчита на една-единствена транскрипция.
По-добър ритъм на разговора
Редуването на репликите и обработването на прекъсванията са вградени в цикъла на разговора.
По-добра маршрутизация
При всяка реплика системата може да избира между бързия път и по-задълбочения анализ според конкретната нужда.
По-добро изживяване
Обаждащите се губят по-малко време да поправят автоматизираната система и отделят повече за това, което искат да свършат.