Mesterséges intelligencia
A hang-AI még nem érte el a saját ChatGPT-pillanatát, mondják a vezetők
Sokan a hangot tartják a gépekkel való kommunikáció következő nagy felületének, a pénz is özönlik a területre. Két érintett cég vezetője szerint azonban a technológia még nem jutott el az igazi áttörésig. Szerintük a késleltetés, a beszédfelismerés hibái és az átláthatóság kérdése még megoldásra vár.
Már hallgatni is tud, de még nem elég gyors
A klasszikus hangasszisztensek szigorú sorrendben dolgoznak: előbb végighallgatják a felhasználót, aztán feldolgozzák, amit hallottak, végül válaszolnak. Az úgynevezett full-duplex modellek ezzel szemben beszéd közben is képesek figyelni, ahogy két ember is közbeszól vagy reagál egy telefonbeszélgetésben. Wen szerint ilyen modellek már léteznek, a hang-AI ennek ellenére még nem érte el a saját „ChatGPT-pillanatát”. A beszélgetésszerű működés tehát önmagában nem elég ahhoz, hogy a technológia széles körben átüssön.
Wen szerint a következő nagy kihívás a nagyon gyors következtetés. Következtetésnek (angolul inference) azt a folyamatot nevezik, amikor egy már betanított modell egy konkrét kérésre előállítja a választ. Hangalapú beszélgetésben ennek különösen gyorsan kell lezajlania: a modellnek villámgyorsan elő kell hívnia a választ, különben a párbeszéd döcögőssé és gépiessé válik. Írásban egy chatbot néhány másodperces gondolkodását könnyen elnézzük, élőszóban viszont a kínos csend azonnal feltűnik.
Ahol a lánc elszakad
A másik gyenge pont a gépi beszédfelismerés (ASR, automatic speech recognition), vagyis az a lépés, amely a kimondott szót szöveggé alakítja. Wen szerint az ASR-modellek gyakran kihagynak fontos kulcsszavakat, és ez rontja a rendszer képességét a kontextus megragadására. Gay ugyanezt a láncreakció oldaláról írta le: ha az átirat pontatlan, akkor az arra épülő minden későbbi automatizált művelet is hibás lesz, és ezzel a felhasználók bizalma is elvész. Egy hangalapú rendszer több lépésből áll, és ha az elején csúszik be hiba, az végiggyűrűzik az egész folyamaton.
Gay szerint az automatizálás kulcsa három képesség: a beszélőazonosítás (ki mondta, amit mondott), a szándékfelismerés (mit akar elérni a beszélő) és a szervezeti tudással való összekapcsolás, vagyis hogy a rendszer a cég saját információit is figyelembe vegye. Az Otter ennél is továbbmegy: digitális ikreken dolgozik, amelyek megbeszéléseken képviselhetik az embereket. Hogy ez a funkció mikor és milyen formában lesz elérhető, egyelőre nem ismert.
Átláthatóság és üzleti érdekek
Mindkét vezető hangsúlyozta, hogy az eszközöknek egyértelműen jelezniük kell, ha rögzítés zajlik, vagy ha az ügyfél éppen egy mesterséges intelligenciával beszél. Az Otter olyan megbeszéléseken is értesítené a résztvevőket a chaten keresztül, ahol nincs jelen külön jegyzetelő bot. A PolyAI pedig a vállalati telefonhívásokban tartja fontosnak, hogy kiderüljön: a vonal túloldalán gép van.
A téma azért is érdekes, mert a befektetők milliárdokat költenek hang-AI startupokra: modellfejlesztőkre, ügyfélszolgálati megoldásokra, jegyzetelő alkalmazásokra és diktálóeszközökre egyaránt. A pontos összeget azonban a beszámoló nem számszerűsíti, és a HumanX konferencia pontos időpontja sem ismert. Azt is érdemes szem előtt tartani, hogy mindkét nyilatkozó olyan cég vezetője, amelynek közvetlen üzleti érdeke fűződik a terület sikeréhez. Ráadásul a PolyAI és az Otter konkrét termékeiről, árairól és elérhetőségéről sem derült ki részlet.