جس وائس ایجنٹ کو ہم لانچ کرنے والے تھے، وہ بار بار کالرز کی بات کاٹ رہا تھا، جس کی وجہ سے کٹاؤ کی شرح (truncation rate) 18% تک پہنچ گئی اور ہمیں لانچ سے محض دس دن پہلے 'اینڈ آف ٹرن' (end-of-turn) لاجک کو دوبارہ لکھنے پر مجبور ہونا پڑا۔ خاموشی کے ٹائم آؤٹ کے اصول میں گرامر چیکس اور بیک چینل ڈیٹیکشن (back-channel detection) شامل کرنے سے، ہم مداخلتوں کو کم کر کے 3% تک لے آئے اور ان طویل، بے جان خاموشیوں کا خاتمہ کر دیا جو سسٹم کو غیر فعال محسوس کرواتی تھیں۔
کیوں صرف ایک خاموشی کا ٹائم آؤٹ کافی نہیں تھا
ہمارے اصل ڈیزائن میں 700 ms کے کسی بھی وقفے کو اس اشارے کے طور پر لیا جاتا تھا کہ صارف بات مکمل کر چکا ہے۔ ایک کنٹرول شدہ ڈیمو میں—جہاں ایک ہی اسپیکر پرسکون کمرے میں مکمل جملے بول رہا ہو—یہ اصول بالکل ٹھیک کام کرتا ہے۔ تاہم، حقیقی کالرز سوچنے کے لیے رکتے ہیں، نمبروں کو گروہوں میں تقسیم کرتے ہیں، اور یہ ظاہر کرنے کے لیے کہ وہ سن رہے ہیں، "uh-huh" یا "mm-hmm" جیسے الفاظ کا استعمال کرتے ہیں۔ ایجنٹ ان میں سے ہر وقفے کو بات کے اختتام کے طور پر سمجھ لیتا تھا۔
312 پروڈکشن کالز کے تجزیے سے دو مسائل سامنے آئے۔ پہلا یہ کہ ایجنٹ اس وقت بیچ میں بول پڑتا تھا جب اسپیکر ابھی اگلا جملہ تیار کر رہا ہوتا تھا، جس سے 18% ٹرنز متاثر ہوتے تھے۔ دوسرا یہ کہ جب ہم نے مداخلتوں کو روکنے کے لیے ٹائم آؤٹ کو بڑھا کر 1500 ms کر دیا، تو سسٹم سست ہو گیا اور شور والے لائنوں پر اٹکنے لگا۔ پس منظر کے شور کی وجہ سے خاموشی کا کاؤنٹر بار بار ری سیٹ ہو جاتا تھا، اس لیے ایجنٹ کبھی یہ فیصلہ نہیں کر پاتا تھا کہ صارف بات مکمل کر چکا ہے۔
ایک عدد کے بجائے تین سگنلز
ہم نے ایک مقررہ ٹائم آؤٹ کے بجائے ایک چھوٹی سی اسٹیٹ مشین (state machine) بنائی جو تین اشاروں پر نظر رکھتی ہے:
- خاموشی کا دورانیہ (Silence duration) – صارف کتنی دیر سے خاموش ہے۔
- گرامر (Grammar) – کیا ٹرانسکرپٹ ایک مکمل نحوی اکائی کے ساتھ ختم ہوتا ہے یا کسی ادھورے لفظ جیسے "the" یا "and" پر؟
- بیک چینل ڈیٹیکشن (Back-channel detection) – کیا آخری آواز ایک حقیقی بات تھی (مثلاً بولا ہوا جواب) یا محض ایک مختصر اعتراف جیسے "yeah"؟
ان سگنلز کے ساتھ ہم نے خاموشی کے دو بجٹ (budgets) متعین کیے:
- مکمل ٹرانسکرپٹ (Completed transcript) – جب تجزیہ شدہ متن مکمل نظر آئے، تو ہم 550 ms کا مختصر ٹائم آؤٹ لگاتے ہیں۔ اس سے ایجنٹ پھرتیلا رہتا ہے اور فوری جواب دیتا ہے۔
- ادھورا ٹرانسکرپٹ (Dangling transcript) – جب آخری لفظ یہ ظاہر کرے کہ صارف جملے کے درمیان میں ہے، تو ہم ٹائم آؤٹ کو بڑھا کر 1300 ms کر دیتے ہیں، تاکہ بولنے والے کو بات جاری رکھنے کا موقع ملے۔
دو اضافی حفاظتی اقدامات غلط مداخلتوں کو روکتے ہیں:
- کم از کم گفتگو کا دورانیہ (Minimum speech duration) – ایک مختصر "mm-hmm" کو مکمل بات نہیں سمجھا جاتا، اس لیے ایجنٹ فیصلہ کرنے سے پہلے ایک طویل جملے کا انتظار کرتا ہے۔
- ہارڈ کیپ (Hard cap) – پس منظر کے شور کے باوجود، خاموشی کی ایک زیادہ سے زیادہ حد ایجنٹ کو ایک مناسب مدت کے بعد جواب دینے پر مجبور کرتی ہے، جس سے سسٹم کے مسلسل اٹکنے سے بچا جا سکتا ہے۔
نتائج اور وائس AI کے لیے اس کا کیا مطلب ہے
تین سگنل والا سسٹم نافذ کرنے کے بعد، کٹاؤ کی شرح 18% سے گر کر 3% رہ گئی۔ کالرز کو اب ایجنٹ کا ان کے اوپر بولنا سنائی نہیں دیتا تھا، اور پہلے والا "بے جان خاموشی" کا مسئلہ بھی ختم ہو گیا۔ ایجنٹ اب جوابدہ اور شائستہ محسوس ہوتا ہے، بالکل ویسے ہی جیسے انسان گفتگو کے تبادلے کو سنبھالتے ہیں۔
وائس اسسٹنٹ بنانے والے ڈویلپرز کے لیے سبق واضح ہے: ایک کنفیگ فائل میں موجود ایک واحد مستقل (constant) بول چال کے عمل کی باریکیوں کو نہیں سمجھ سکتا۔ ایک ہلکی پھلکی اسٹیٹ مشین جو خاموشی کی لمبائی، گرامر کی تکمیل، اور بیک چینل اشاروں کا جائزہ لیتی ہے، بھاری کمپیوٹیشنل بوجھ ڈالے بغیر بات چیت کے تبادلے کی درستگی کو ڈرامائی طور پر بہتر بنا سکتی ہے۔
ممکنہ نقصانات اور کھلے سوالات
گرامر پارسنگ اور بیک چینل کلاسیفیکیشن شامل کرنے سے پروسیسنگ کے مراحل بڑھ جاتے ہیں۔ ٹیموں کو اس بات کی تصدیق کرنی چاہیے کہ اضافی لیٹنسی (latency) گفتگو کی روانی میں ہونے والے فائدے کو ختم نہ کر دے۔ یہ طریقہ کار ایک حد تک درست ٹرانسکرپٹ پر انحصار کرتا ہے؛ شور والے ماحول یا مخصوص لہجوں والی گفتگو میں، گرامر کے اشارے غلط ہو سکتے ہیں، جس سے سسٹم کو دوبارہ طویل ٹائم آؤٹ پر واپس جانا پڑ سکتا ہے۔
مستقبل کے کام میں ایسے موافقت پذیر (adaptive) ٹائم آؤٹ تھریش ہولڈز پر غور کیا جا سکتا ہے جو انفرادی کالرز کی عادات سے سیکھتے ہیں، یا بیک چینل ڈیٹیکٹر کو مضبوط بنانے کے لیے prosodic خصوصیات (pitch, energy) کو شامل کیا جا سکتا ہے۔ اس تکنیک کو بڑے کانٹیکٹ سینٹرز میں استعمال کرنے سے پہلے اس بات کی نگرانی کرنا ضروری ہوگا کہ یہ بہتری اہم پیمانوں—جیسے کسٹمر کی اطمینان، کال مکمل ہونے کا وقت، اور غلطیوں کی شرح—پر کیا اثر ڈالتی ہے۔
خلاصہ: بات کے اختتام کو محض ایک خاموشی کے ٹائمر کے بجائے کثیر سگنل پر مبنی فیصلے کے طور پر دیکھنا، مداخلت کی غلطیوں کو کئی گنا کم کر دیتا ہے اور اس قدرتی بہاؤ کو بحال کرتا ہے جس کی صارفین وائس ایجنٹس سے توقع کرتے ہیں۔