Alde izugarria dago IAko ahots-agenteak demoletan nola entzuten diren eta lehen hilabetean produkzioan nola funtzionatzen duten artean. Ez teknologia funtzionatzen ez duelako —funtzionatzen du, eta ondo funtzionatzen du— baizik eta produkzioan agertzen diren arazoak demoletan inork aipatzen ez dituenak direlako.
Gida hau bere enpresan ahots-agente bat ezartzea planteatzen duen eta benetan zeri aurre egin beharko dion jakin nahi duen ororentzat da.
Azentua eta hizkera kolokialaren arazoa
Speech-to-text ereduak batez ere ingelesezko audio corpus handiekin eta, neurri txikiagoan, gaztelania estandarrarekin entrenatuta daude. Emaitza da ahoskera neutroekin oso ondo funtzionatzen dutela, eta eskualdeko azentua markatua dutenekin gutxiago.
Euskara, hizkuntza gisa, ez da arazoa —agentea euskaraz ulertzeko eta erantzuteko ezin hobeto konfigura daiteke. Arazoa da bilbotar azentu bizitsuarekin egindako gaztelania, euskarazko hitzak gaztelaniazko esaldien barruan erabiltzea, eta Bilboko edozein biztanlek eguneroko dei batean naturaltasunez erabiltzen dituen tokiko esaera arruntak.
Ez da arazo gaindiezina. Hiru elementuen konbinazioarekin konpontzen da: ahots-ezagutze ereduaren doikuntza, negozioaren termino ohikoenak biltzen dituen hiztegi pertsonalizatu baten konfigurazioa eta elkarrizketa-fluxuen diseinua, agenteak konfirmazioa eska dezan transkripzioak nahiko konfiantza-mailarik ez duenean. Hala ere, lana eta produkzioko probak eskatzen ditu —benetako deiez—, sistema modu leunean funtzionatu aurretik.
Nabaritzen den latentzia eta nabaritzen ez dena
Agentearen erantzuneko etena natural —ez artifiziala— sentitzen den latentzia-ataria zortziehun milisegundoren inguruan dago. Segundo baten gainetik, solaskideak zerbait ez dela guztiz gizatiarra nabaritzen hasten da.
Latentzia hori modu koherentean lortzeko, sistemaren hiru osagaiak —STT, LLM, TTS— azpiegitura berean egon behar dute edo geografikoki oso gertu. Hornitzaile baten STT, beste baten LLM eta hirugarren baten TTS erabiltzeak, haien arteko sare-deiekin, latentzia biderkatu egiten du.
Frankfurteko VPS batean, LLaMA lokal batekin, Deepgram STTrako eta ElevenLabs TTSrako, batez besteko latentzia sei ehun eta bederatzi ehun milisegundo artean dago karga baldintza normaletan. Erabilera gailurretan edo modeloak prozesamendu gehiago eskatzen duten kontsulta konplexuekin, segundoa gainditu dezake.
Sistemaren diseinuak kasu hauek kontuan hartu behar ditu: zer egiten duen agenteak prozesamenduak espero baino gehiago irauten duenean, nola adierazten dion solaskideari prozesatzen ari dela, geldialdi deseroso bihurtu gabe.
Inork aurreikusten ez duen kasua: bezero haserrea
Kontsulta argi batekin deitzen duten bezero adeitsuetarako elkarrizketa-fluxuak diseinatzea erlatiboki erraza da. Bezero haserretuetarako fluxuak diseinatzea nabarmen zailagoa da, eta oso gutxitan egiten da ondo lehen inplementazioan.
Bere eskaera berandu iritsi zelako kexatzeko deitzen duen bezero batek ez du ahots-agente batekin hitz egin nahi. Entzungo dion, bere frustrazioa ulertuko dion eta ekintza konkretu bat hartuko duen pertsona batekin hitz egin nahi du. Agenteak dei hori kontsulta estandar bat balitz bezala prozesatzen saiatzen bada, esperientzia aktiboki txarra da.
Sistemak deialdiaren tonu emozionala detektatzeko gai izan behar du —hizkuntza-eredu modernoek nahiko ondo egiten duten zerbait— eta frustrazio handia detektatzen duenean berehala gizaki-agente batera eskalatu behar du, kontsultaren edukia edozein dela ere.
Deiaren eskualdaketa giza agenteari puntu horretara arte esandakoaren testuinguru osoarekin egin behar da, giza agenteak hutsetik hasi ez dezan eta bezeroak bere arazoa errepikatu behar ez dezan.
Inoiz gelditzen ez den mantentze-lana
Produkzioan dagoen ahots-agente bat ez da amaiera-data duen proiektu bat. Etengabeko mantentze-lana behar duen sistema bat da.
Astero agertzen dira agenteak behar bezala kudeatu ez zituen kontsultekin deiak. Kasu horiek berrikusi behar dira, zergatik huts egin zuten ulertu eta agentaren elkarrizketa-fluxuak edo ezagutza-oinarria eguneratu, hurrengo aldian hobeto funtzionatzeko.
Prezioak aldatzen dira. Ordutegiak aldatzen dira. Eskuragarri dauden zerbitzuak aldatzen dira. Negozioaren aldaketa bakoitza agente-konfigurazioan eguneratu behar da.
Gaur hobekien sonatzen den ahots-ereduak hiru hilabete barru bertsio hobetua izan dezake. Eredua eguneratzeak doikuntzak eska ditzake lokuzio-abiaduran, pausaldien kudeaketan eta sintesi-parametroetan.
Ahots-agente bat ezartzen duenak argi izan behar du ekoizpeneko lehen hilabetea doikuntza intentsiboaren aldia dela. Hirugarren hilabeteko emaitzak lehen hilabetekoak baino nabarmen hobeak dira, eta seigarren hilabetekoak hirugarrenekoak baino hobeak. Etengabeko hobekuntza prozesuaren parte da.
Noiz du zentzua eta noiz ez
Ahots-agente batek zentzua du negozioak deiak galtzen dituenean denak hartu ezin dituelako —ordutegiaz kanpo, eskariaren gailurretan, taldea zerbitzuan lanpetuta dagoenean— eta galtzen diren dei gehienak informazio-eskaerak edo hitzordu-eskaerak direnean, agenteak ondo ebatz ditzakeenak.
Ez du zentzurik negozioaren balioa taldeak eskaintzen duen harreman pertsonal eta humanoan datzan kasuetan —aholkularitza espezializatua, maila altuko zerbitzu bat—, ahots-agentek beti berotasun gutxiago transmitituko baitu bezeroa ezagutzen duen pertsona batek baino.
Erabakia hartzeko irizpiderik erabilgarriena hau da: astero jasotzen dituzun deien zenbat ebatz litzake ondo-ondo bi asteko prestakuntza duen langile berri batek, ezagutza espezializaturik gabe? Erantzuna ehuneko berrogeita hamar baino gehiago bada, ahots-agenteak zentzua du.