Większość automatycznych połączeń telefonicznych jest beznadziejna. Nowa technologia zmienia ten stan rzeczy.
Problem starszych systemów automatyzacji telefonicznej nie polegał na tym, że ich głos nie był dość przyjemny. Brakowało im zrozumienia potrzebnego, by prawdziwa rozmowa mogła toczyć się dalej.
Rozmowę telefoniczną coraz łatwiej zautomatyzować.
Z każdą kolejną generacją maszyna przejmuje coraz więcej kontekstu.
Rozmówca musiał mówić językiem maszyny.
02Początki AISystemy rozumiały tylko wąski zakres spraw. Poza nim się gubiły.
033-etapowe pipeline’yStack zyskał elastyczność, ale każdy etap bezkrytycznie przyjmował wynik poprzedniego.
04ThunderPhoneSystem słyszy, wyciąga wnioski i sam wraca na właściwy tor — w jednej pętli.
Rozmówca musiał mówić językiem maszyny.
Automatyzacja oznaczała menu, wybieranie ścieżek za pomocą klawiatury i kolejki. Działała, o ile rozmówca od początku wiedział, którą ścieżkę wybrać.
Intencja zostaje sprowadzona do naciśnięcia jednego klawisza, więc każda sprawa spoza menu kończy się przełączeniem lub koniecznością powtórzenia wszystkiego.
Efekt · Rozmówca zgaduje, czeka i ponownie tłumaczy to samo.
Systemy rozumiały tylko wąski zakres spraw. Poza nim się gubiły.
Zespoły trenowały modele akustyczne, klasyfikatory intencji i mechanizmy wyodrębniania pól pod konkretne scenariusze rozmów telefonicznych. Przydatne, ale kosztowne w modyfikacji.
System potrafi rozpoznać jedną wyuczoną intencję, ale potem pomija drugą prośbę albo zadaje sztywne pytanie uzupełniające.
Efekt · System gubi informację o współmałżonku, bo wytrenowany scenariusz jej nie obejmuje.
Stack zyskał elastyczność, ale każdy etap bezkrytycznie przyjmował wynik poprzedniego.
Popularna dziś architektura spina rozpoznawanie mowy, LLM i syntezę mowy w jedną pętlę obsługi połączenia.
Gdy transkrypcja jest błędna lub rozmówca wejdzie systemowi w słowo, LLM z pełnym przekonaniem odpowiada nie na to, o co chodziło.
Efekt · Jeden błąd w rozpoznawaniu mowy przeradza się w pomyłkę wypowiedzianą na głos.
System słyszy, wyciąga wnioski i sam wraca na właściwy tor — w jednej pętli.
ThunderPhone spina rozumienie audio, dobór modeli, obsługę tur rozmowy i tworzenie odpowiedzi w jedną spójną architekturę.
Wielotorowe rozpoznawanie mowy i wnioskowanie z uwzględnieniem audio ograniczają ryzyko, że błąd na jednym etapie dotrze do rozmówcy.
Efekt · Rozmowa toczy się dalej, a rozmówca nie musi walczyć z systemem.
Przełom to nie lepiej brzmiący głos robota. To architektura, która utrzymuje rozmowę na właściwym torze.
Lepsze rozumienie mowy
System może porównywać sygnały i wnioskować bezpośrednio na podstawie dźwięku, zamiast polegać na jednej transkrypcji.
Lepsze wyczucie rytmu rozmowy
Pętla rozmowy obejmuje zarówno zarządzanie kolejnością wypowiedzi, jak i obsługę przerwań.
Lepszy routing
Każda tura rozmowy może korzystać z szybkiej ścieżki lub pogłębionego wnioskowania — zależnie od potrzeb.
Lepsze doświadczenia rozmówców
Rozmówcy poświęcają mniej czasu na poprawianie automatycznego systemu, a więcej na załatwienie swojej sprawy.