Новая технология объединяет в единый контур собственные языковую модель, голосовой движок и операционную систему. Для обучения используется датасет, сформированный на основе реальных диалогов в системах, находящихся в промышленной эксплуатации в 30 организациях из 9 различных отраслей.
Компания targetai, разработчик решений для автоматизации клиентского сервиса на базе генеративного искусственного интеллекта, представила прорывную технологию генерации естественной речи для голосовых ИИ-агентов. Разработка ориентирована на компании, использующие голосовых ИИ-агентов для обработки входящих и исходящих обращений. В таких сценариях качество взаимодействия определяется не только правильностью ответа, но и тем, насколько естественно и уместно он звучит в разговоре с клиентом.
Ключевая особенность представленной технологии — подход к подготовке данных для дообучения моделей (fine-tuning). Датасет формируется на основе реальных диалогов, которые проходят дополнительную обработку и обогащение. Это позволяет учитывать особенности общения в клиентском сервисе и использовать опыт эксплуатации ИИ-агентов для дальнейшего развития технологии.
В отличие от подходов, при которых голосовая модель обучается преимущественно на заранее подготовленных записях, использование данных из реальных диалогов позволяет ориентировать разработку на практические задачи: обработку перебиваний, работу с контекстом разговора и адаптацию речи к различным сценариям обслуживания. Конкретные результаты зависят от состава обучающей выборки и параметров внедрения.
В основе разработки — единый технологический контур, объединяющий голосовой движок targetspeak, операционную систему targetOS и собственную языковую модель targetLM. Языковая модель отвечает за формирование содержания ответа, голосовой движок — за его воспроизведение, а операционная система обеспечивает работу ИИ-агента в заданном контуре конкретной организации. Подобный подход позволяет развивать речевые и диалоговые возможности в связке с клиентским сервисом, а не рассматривать синтез речи как изолированную функцию. Голосовой ИИ должен распознать речь клиента, определить его намерение, сформировать подходящий ответ и озвучить его так, чтобы разговор оставался естественным и управляемым. В отличие от текстовых сценариев, в голосовом канале общения задержка между репликами напрямую влияет на естественность разговора и его продолжительность, а как следствие — на общую удовлетворенность клиента.
Технология опирается на практический опыт targetai: на данный момент компания внедрила 50 голосовых помощников в трех десятках организаций из девяти отраслей, среди которых финансовый сектор, фармацевтика, страхование и энергосбыт.
В targetai рассматривают работу с данными из промышленной эксплуатации как основу для последовательного улучшения голосовых агентов. При этом использование реальных диалогов предполагает их предварительную обработку с учётом требований к защите персональных данных и информационной безопасности.
«Мы пристально наблюдаем за международным опытом, ориентируемся на лучшие примеры и считаем, что обучение ИИ для клиентского сервиса требует отдельной экспертизы и специализированных методов оценки. За рубежом эту задачу решают, в частности, с помощью бенчмарков вроде Tau-Bench, которые проверяют, насколько ИИ-агент справляется с реальными бизнес-сценариями. Мы развиваем собственный подход к оценке по аналогичным принципам: важно проверять не только качество отдельных ответов, но и способность агента решать задачу целиком — соблюдать бизнес-правила, корректно взаимодействовать с клиентом и достигать заданного результата. Мы считаем перспективным развивать модели и методы обучения, адаптированные к конкретным задачам бизнеса и метрикам клиентского сервиса».
Андрей Зименков, генеральный директор targetai