في خدمة العملاء، يعد معرفة الوقت المناسب للتحدث أو الصمت بنفس أهمية محتوى الردود. في مقالة مدونة، تشرح شركة إيلفين لابس كيف تدير وكلاؤها الصوتيون هذا التبادل في الأدوار، أو « تبادل الأدوار »، في الذكاء الاصطناعي المحادثي.
يجب على الوكلاء إيجاد توازن دقيق: الصمت لفترة كافية للسماح للمتحدث بالتحدث، دون الانتظار طويلاً لدرجة أن الكمون (فترة الاستجابة) والصمت المحرج يضران بجودة التبادل. ولتحقيق ذلك، يجب على النماذج تقييم نية الكلام بسرعة، بدلاً من الاعتماد على مؤقتات صمت صارمة. تؤكد إيلفين لابس أن بنيتها الموحدة تحلل باستمرار النبرة والإيقاع وسياق الكلمات.
ثلاث قرارات في كل تبادل
وفقاً للمقال، يتبع النموذج المحادثي قواعد تحدد الوقت الأنسب للرد، الاستمرار في الكلام أو الاستماع. في الحالة الأولى، يرد الوكيل مباشرة: عند طلب الرصيد، يشير إلى « The account balance is $57.34. »، أي « رصيد الحساب هو 57.34 دولاراً ».
للاحتفاظ بالدور، يستمر النموذج في الكلام ويشير إلى أنه لم ينتهِ، حتى عندما يتوقف مؤقتاً. في المثال المذكور، يعلن الوكيل الرصيد، ثم يذكر دفعة معلقة بنفس المبلغ، قبل أن يسأل عما إذا كان المتصل يرغب في معرفة موعد خصم هذه الدفعة دون رسوم تأخير. في الحالة الثالثة، يصمت الوكيل بينما يشرح العميل وضعه. يظهر المثال عميلاً يؤكد أنه أرسل دفعه منذ عدة أيام؛ يرد الوكيل بأنه عادة ما يستغرق ثلاثة أيام للمعالجة ولن يتم تطبيق أي رسوم تأخير.
غالباً ما تتحدث وثائق المطورين عن كشف الدور أو « end-of-turn detection ». توصف الأنظمة التي تجمع بين كشف النشاط الصوتي (VAD، الذي يصنف الصوت إلى كلام أو صمت) مع فهم اللغة لتحديد ما إذا كان المتحدث قد انتهى بأنها « semantic VAD ».
سلسلة معالجة في الوقت الفعلي
وفقاً لإيلفين لابس، تعالج خدمة إيلفين إيجينتس هذه القرارات في ثلاث مراحل. يصنف كشف النشاط الصوتي (VAD) تدفق الصوت إلى كلام أو صمت عدة عشرات من المرات في الثانية، ثم يحدد كشف النية ما إذا كان المتحدث قد انتهى بالفعل أو أنه فقط يأخذ استراحة. يمكن لعلامات مثل نبرة صوت هابطة أو جملة نحوية مكتملة أن تؤكد نهاية الدور، بينما تشير نبرة صوت معلقة أو ترددات مثل « اممم… » إلى استراحة.
فترة الاستجابة عامل رئيسي، لأنها قد تدفع المتصل إلى التخلي عن المحادثة. وفقاً لأبحاث نُشرت في مجلة Journal of Cognition، فإن الفجوات بين تبادل الأدوار بين البشر تبلغ في المتوسط حوالي 200 مللي ثانية حسب الثقافات. تشير إيلفين لابس إلى أنه باستخدام إيلفين v4 Turbo مع إيلفين إيجينتس، فإن متوسط فترة الكمون بين الطلب والكلام المسموع هو 142 مللي ثانية.
المقاطعات والأخطاء الشائعة
عندما يقاطع المتصل حقاً، على سبيل المثال لتصحيح تفصيل في الحساب، فإن إيلفين إيجينتس ترسل، وفقاً للشركة، إشارة توقف في أقل من 200 مللي ثانية، ويتوقف الوكيل في منتصف جمله. ومع ذلك، يجب على النماذج التمييز بين هذه المقاطعات و »الإشارات الخلفية »، وهي تلك العلامات الصغيرة للاستماع مثل « I see » أو « yeah »، والتي لا تعتبر استحواذاً على الدور.
يحدد المقال ثلاثة أعطال رئيسية: الكشف المبكر عن نهاية الدور، والصمت الطويل جداً، والكشف الخاطئ المرتبط بالضوضاء أو كلمات الموافقة. للتعامل معها، تقترح إيلفين لابس ضبط « حماسة الدور » على ثلاثة مستويات: متحمس، عادي (افتراضي)، وصبور، على سبيل المثال عندما يتهجى المتصل رقم هاتف. يمكن أيضاً ضبط وقت الانتظار، حيث يتراوح، لخدمة العملاء، بين 5 إلى 10 ثوانٍ من الصمت وفقاً للمقال، و15 إلى 30 ثانية للإشعارات القانونية.
أخيراً، تتابع فرق الجودة مؤشرين: معدل المقاطعة، الذي يقيس تكرار قيام النموذج بمقاطعة المتصل خطأً، وكمون الاستجابة. يوضح المقال أن كشف النشاط الصوتي (VAD) ليس سوى بيانات واحدة من بين أخرى: حيث يضيف كشف الدور السياق والنية وعلم النبرة.
