ਜਿਸ ਵੌਇਸ-ਏਜੰਟ (voice-agent) ਨੂੰ ਅਸੀਂ ਸ਼ਿਪ ਕਰਨ ਵਾਲੇ ਸੀ, ਉਹ ਲਗਾਤਾਰ ਕਾਲਰਾਂ ਨੂੰ ਵਿਚਾਲੇ ਹੀ ਕੱਟ ਰਿਹਾ ਸੀ, ਜਿਸ ਨਾਲ ਟ੍ਰੰਕੇਸ਼ਨ ਰੇਟ (truncation rate) 18% ਤੱਕ ਪਹੁੰਚ ਗਿਆ ਸੀ ਅਤੇ ਲਾਂਚ ਤੋਂ ਸਿਰਫ਼ ਦਸ ਦਿਨ ਪਹਿਲਾਂ ਸਾਨੂੰ 'ਐਂਡ-ਆਫ-ਟਰਨ' (end-of-turn) ਲੌਜਿਕ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਣ ਲਈ ਮਜਬੂਰ ਹੋਣਾ ਪਿਆ। ਸਾਈਲੈਂਸ-ਟਾਈਮਆਊਟ (silence-timeout) ਨਿਯਮ ਵਿੱਚ ਵਿਆਕਰਨ ਦੀ ਜਾਂਚ (grammar checks) ਅਤੇ ਬੈਕ-ਚੈਨਲ ਡਿਟੈਕਸ਼ਨ (back-channel detection) ਜੋੜ ਕੇ, ਅਸੀਂ ਰੁਕਾਵਟਾਂ ਨੂੰ ਘਟਾ ਕੇ 3% ਕਰ ਦਿੱਤਾ ਅਤੇ ਉਹ ਲੰਬੇ, ਨਿਰਜੀਵ ਸੁੰਨ (dead silences) ਖਤਮ ਕਰ ਦਿੱਤੇ ਜਿਨ੍ਹਾਂ ਕਾਰਨ ਸਿਸਟਮ ਸੁਣਨਯੋਗ ਨਹੀਂ ਲੱਗ ਰਿਹਾ ਸੀ।
ਇੱਕ ਸਿੰਗਲ ਸਾਈਲੈਂਸ ਟਾਈਮਆਊਟ ਕਿਉਂ ਕਾਫ਼ੀ ਨਹੀਂ ਸੀ
ਸਾਡੇ ਅਸਲ ਡਿਜ਼ਾਈਨ ਵਿੱਚ 700 ms ਦੇ ਕਿਸੇ ਵੀ ਵਿਰਾਮ (pause) ਨੂੰ ਇਸ ਸੰਕੇਤ ਵਜੋਂ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ ਕਿ ਉਪਭੋਗਤਾ ਨੇ ਬੋਲਣਾ ਖਤਮ ਕਰ ਦਿੱਤਾ ਹੈ। ਇੱਕ ਕੰਟਰੋਲਡ ਡੈਮੋ ਵਿੱਚ—ਜਿੱਥੇ ਇੱਕ ਬੁਲਾਰਾ ਸ਼ਾਂਤ ਕਮਰੇ ਵਿੱਚ ਪੂਰੇ ਵਾਕ ਬੋਲਦਾ ਹੈ—ਉਹ ਨਿਯਮ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਅਸਲ ਕਾਲਰ ਸੋਚਣ ਲਈ ਰੁਕਦੇ ਹਨ, ਨੰਬਰਾਂ ਨੂੰ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਦੇ ਹਨ, ਅਤੇ ਇਹ ਦਿਖਾਉਣ ਲਈ ਕਿ ਉਹ ਸੁਣ ਰਹੇ ਹਨ "ਅੱਛਾ" ਜਾਂ "ਹਾਂ-ਹਾਂ" ਵਰਗੇ ਸ਼ਬਦ ਵਰਤਦੇ ਹਨ। ਏਜੰਟ ਨੇ ਉਹਨਾਂ ਵਿੱਚੋਂ ਹਰ ਵਿਰਾਮ ਨੂੰ ਗੱਲਬਾਤ ਦੇ ਅੰਤ ਵਜੋਂ ਲਿਆ।
312 ਪ੍ਰੋਡਕਸ਼ਨ ਕਾਲਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਦੋ ਸਮੱਸਿਆਵਾਂ ਸਾਹਮਣੇ ਆਈਆਂ। ਪਹਿਲੀ, ਜਦੋਂ ਬੁਲਾਰਾ ਅਗਲੇ ਵਾਕ ਦੀ ਤਿਆਰੀ ਕਰ ਰਿਹਾ ਸੀ, ਏਜੰਟ ਨੇ ਵਿਚਾਲੇ ਹੀ ਬੋਲਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ, ਜਿਸ ਨਾਲ 18% ਵਾਰ (turns) ਖਰਾਬ ਹੋ ਗਏ। ਦੂਜੀ, ਜਦੋਂ ਅਸੀਂ ਰੁਕਾਵਟਾਂ ਨੂੰ ਰੋਕਣ ਲਈ ਟਾਈਮਆਊਟ ਨੂੰ ਵਧਾ ਕੇ 1500 ms ਕਰ ਦਿੱਤਾ, ਤਾਂ ਸਿਸਟਮ ਸੁਸਤ ਹੋ ਗਿਆ ਅਤੇ ਸ਼ੋਰ ਵਾਲੀਆਂ ਲਾਈਨਾਂ 'ਤੇ ਲਟਕਣ ਲੱਗ ਗਿਆ। ਬੈਕਗ੍ਰਾਊਂਡ ਸ਼ੋਰ ਸਾਈਲੈਂਸ ਕਾਊਂਟਰ ਨੂੰ ਵਾਰ-ਵਾਰ ਰੀਸੈੱਟ ਕਰ ਰਿਹਾ ਸੀ, ਜਿਸ ਕਾਰਨ ਏਜੰਟ ਨੂੰ ਕਦੇ ਇਹ ਅਹਿਸਾਸ ਨਹੀਂ ਹੋ ਰਿਹਾ ਸੀ ਕਿ ਉਪਭੋਗਤਾ ਦੀ ਗੱਲ ਖਤਮ ਹੋ ਗਈ ਹੈ।
ਤਿੰਨ ਸੰਕੇਤ ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ਦੀ ਜਗ੍ਹਾ ਲੈਂਦੇ ਹਨ
ਅਸੀਂ ਫਿਕਸਡ ਟਾਈਮਆਊਟ ਤੋਂ ਹਟ ਕੇ ਇੱਕ ਛੋਟੀ ਸਟੇਟ ਮਸ਼ੀਨ (state machine) ਬਣਾਈ ਜੋ ਤਿੰਨ ਸੰਕੇਤਾਂ 'ਤੇ ਨਜ਼ਰ ਰੱਖਦੀ ਹੈ:
- ਸਾਈਲੈਂਸ ਡਿਊਰੇਸ਼ਨ (Silence duration) – ਉਪਭੋਗਤਾ ਕਿੰਨੀ ਦੇਰ ਤੋਂ ਚੁੱਪ ਹੈ।
- ਵਿਆਕਰਨ (Grammar) – ਕੀ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਇੱਕ ਮੁਕੰਮਲ ਵਾਕ ਨਾਲ ਖਤਮ ਹੁੰਦੀ ਹੈ ਜਾਂ ਕਿਸੇ ਅਧੂਰੇ ਸ਼ਬਦ ਜਿਵੇਂ ਕਿ “the” ਜਾਂ “and” ਨਾਲ?
- ਬੈਕ-ਚੈਨਲ ਡਿਟੈਕਸ਼ਨ (Back-channel detection) – ਕੀ ਆਖਰੀ ਆਵਾਜ਼ ਇੱਕ ਅਸਲ ਜਵਾਬ ਸੀ (ਜਿਵੇਂ ਕਿ ਬੋਲਿਆ ਗਿਆ ਉੱਤਰ) ਜਾਂ “ਹਾਂ” ਵਰਗੀ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਪ੍ਰਤੀਕਿਰਿਆ ਸੀ?
ਇਹਨਾਂ ਸੰਕੇਤਾਂ ਨਾਲ ਅਸੀਂ ਦੋ ਸਾਈਲੈਂਸ ਬਜਟ (silence budgets) ਤੈਅ ਕੀਤੇ:
- ਮੁਕੰਮਲ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ (Completed transcript) – ਜਦੋਂ ਪਾਰਸ ਕੀਤਾ ਗਿਆ ਟੈਕਸਟ ਮੁਕੰਮਲ ਲੱਗਦਾ ਹੈ, ਅਸੀਂ 550 ms ਦਾ ਛੋਟਾ ਟਾਈਮਆਊਟ ਲਾਗੂ ਕਰਦੇ ਹਾਂ। ਏਜੰਟ ਤੇਜ਼ ਰਹਿੰਦਾ ਹੈ ਅਤੇ ਤੁਰੰਤ ਜਵਾਬ ਦਿੰਦਾ ਹੈ।
- ਅਧੂਰੀ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ (Dangling transcript) – ਜਦੋਂ ਆਖਰੀ ਟੋਕਨ ਇਹ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਕਿ ਉਪਭੋਗਤਾ ਵਾਕ ਦੇ ਵਿਚਕਾਰ ਹੈ, ਅਸੀਂ ਟਾਈਮਆਊਟ ਨੂੰ ਵਧਾ ਕੇ 1300 ms ਕਰ ਦਿੰਦੇ ਹਾਂ, ਤਾਂ ਜੋ ਬੁਲਾਰੇ ਨੂੰ ਆਪਣੀ ਗੱਲ ਜਾਰੀ ਰੱਖਣ ਲਈ ਸਮਾਂ ਮਿਲ ਸਕੇ।
ਦੋ ਵਾਧੂ ਸੁਰੱਖਿਆ ਪ੍ਰਬੰਧ (guards) ਗਲਤ ਰੁਕਾਵਟਾਂ ਨੂੰ ਰੋਕਦੇ ਹਨ:
- ਘੱਟੋ-ਘੱਟ ਬੋਲਣ ਦੀ ਮਿਆਦ (Minimum speech duration) – ਇੱਕ ਛੋਟਾ ਜਿਹਾ “ਹਾਂ-ਹਾਂ” ਪੂਰਾ ਵਾਕ ਨਹੀਂ ਮੰਨਿਆ ਜਾਂਦਾ, ਇਸ ਲਈ ਏਜੰਟ ਫੈਸਲਾ ਲੈਣ ਤੋਂ ਪਹਿਲਾਂ ਲੰਬੇ ਵਾਕ ਦੀ ਉਡੀਕ ਕਰਦਾ ਹੈ।
- ਹਾਰਡ ਕੈਪ (Hard cap) – ਬੈਕਗ੍ਰਾਊਂਡ ਸ਼ੋਰ ਦੇ ਬਾਵਜੂਦ, ਇੱਕ ਵੱਧ ਤੋਂ ਵੱਧ ਸਾਈਲੈਂਸ ਸੀਮਾ ਏਜੰਟ ਨੂੰ ਇੱਕ ਉਚਿਤ ਸਮੇਂ ਤੋਂ ਬਾਅਦ ਜਵਾਬ ਦੇਣ ਲਈ ਮਜਬੂਰ ਕਰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਲਗਾਤਾਰ ਲਟਕਣ ਦੀ ਸਮੱਸਿਆ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਨਤੀਜੇ ਅਤੇ ਵੌਇਸ AI ਲਈ ਇਸਦਾ ਕੀ ਮਤਲਬ ਹੈ
ਤਿੰਨ-ਸੰਕੇਤ ਵਾਲੇ ਸਿਸਟਮ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਟ੍ਰੰਕੇਸ਼ਨ ਰੇਟ 18% ਤੋਂ ਘਟ ਕੇ 3% ਰਹਿ ਗਿਆ। ਕਾਲਰਾਂ ਨੂੰ ਹੁਣ ਏਜੰਟ ਨੂੰ ਆਪਣੇ ਉੱਪਰ ਬੋਲਦੇ ਹੋਏ ਨਹੀਂ ਸੁਣਨਾ ਪੈਂਦਾ ਸੀ, ਅਤੇ ਪਹਿਲਾਂ ਵਾਲੀ “ਨਿਰਜੀਵ ਚੁੱਪ” (dead silence) ਦੀ ਸਮੱਸਿਆ ਖਤਮ ਹੋ ਗਈ। ਏਜੰਟ ਹੁਣ ਤੇਜ਼ ਅਤੇ ਨਿਮਰ ਲੱਗਦਾ ਹੈ, ਜੋ ਕਿ ਮਨੁੱਖੀ ਗੱਲਬਾਤ ਦੇ ਤਰੀਕੇ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ।
ਵੌਇਸ ਅਸਿਸਟੈਂਟ ਬਣਾਉਣ ਵਾਲੇ ਡਿਵੈਲਪਰਾਂ ਲਈ ਸਬਕ ਸਪੱਸ਼ਟ ਹੈ: ਇੱਕ ਕੌਂਫਿਗ ਫਾਈਲ ਵਿੱਚ ਇੱਕ ਸਿੰਗਲ ਕੰਸਟੈਂਟ (constant) ਬੋਲਚਾਲ ਦੇ ਸੂਖਮ ਵੇਰਵਿਆਂ ਨੂੰ ਨਹੀਂ ਫੜ ਸਕਦਾ। ਇੱਕ ਹਲਕੀ ਸਟੇਟ ਮਸ਼ੀਨ ਜੋ ਸਾਈਲੈਂਸ ਦੀ ਲੰਬਾਈ, ਵਿਆਕਰਨ ਦੀ ਮੁਕੰਮਲਤਾ, ਅਤੇ ਬੈਕ-ਚੈਨਲ ਸੰਕੇਤਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੀ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਭਾਰੀ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲੋਡ ਦੇ ਗੱਲਬਾਤ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਕਾਫ਼ੀ ਸੁਧਾਰ ਸਕਦੀ ਹੈ।
ਸੰਭਾਵੀ ਨੁਕਸਾਨ ਅਤੇ ਖੁੱਲ੍ਹੇ ਸਵਾਲ
ਵਿਆਕਰਨ ਪਾਰਸਿੰਗ ਅਤੇ ਬੈਕ-ਚੈਨਲ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਜੋੜਨ ਨਾਲ ਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਪੜਾਅ ਵਧ ਜਾਂਦੇ ਹਨ। ਟੀਮਾਂ ਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਵਾਧੂ ਲੇਟੈਂਸੀ (latency) ਗੱਲਬਾਤ ਦੀ ਸੁਗਮਤਾ ਵਿੱਚ ਹੋਏ ਸੁਧਾਰ ਨੂੰ ਖਤਮ ਨਾ ਕਰ ਦੇਵੇ। ਇਹ ਪਹੁੰਚ ਇੱਕ ਕਾਫ਼ੀ ਸਹੀ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ; ਸ਼ੋਰ ਵਾਲੇ ਮਾਹੌਲ ਵਿੱਚ ਜਾਂ ਅੰਗਰੇਜ਼ੀ ਦੇ ਲਹਿਜੇ (accented speech) ਵਾਲੀ ਬੋਲੀ ਵਿੱਚ, ਵਿਆਕਰਨ ਦੇ ਸੰਕੇਤ ਕਮਜ਼ੋਰ ਹੋ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਸਿਸਟਮ ਨੂੰ ਲੰਬੇ ਟਾਈਮਆਊਟ 'ਤੇ ਵਾਪਸ ਜਾਣਾ ਪੈ ਸਕਦਾ ਹੈ।
ਭਵਿੱਖ ਦੇ ਕੰਮ ਵਿੱਚ ਅਡੈਪਟਿਵ ਟਾਈਮਆਊਟ ਥ੍ਰੈਸ਼ਹੋਲਡ (adaptive timeout thresholds) ਦੀ ਖੋਜ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜੋ ਵਿਅਕਤੀਗਤ ਕਾਲਰਾਂ ਦੀਆਂ ਆਦਤਾਂ ਤੋਂ ਸਿੱਖਦੇ ਹਨ, ਜਾਂ ਬੈਕ-ਚੈਨਲ ਡਿਟੈਕਟਰ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ ਪ੍ਰੋਸੋਡਿਕ ਫੀਚਰਸ (pitch, energy) ਨੂੰ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤਕਨੀਕ ਨੂੰ ਵੱਡੇ ਕੰਟੈਕਟ-ਸੈਂਟਰ ਡਿਪਲੋਇਮੈਂਟਸ ਤੱਕ ਵਧਾਉਣ ਤੋਂ ਪਹਿ