ما الذي يتطلبه بناء وكلاء صوتيين بالذكاء الاصطناعي وتوسيع نطاقهم بفعالية دون أن ينهاروا
عندما بدأت تحليل عمليات النشر الفعلية للوكلاء الصوتيين بالذكاء الاصطناعي، اتّضح لي أمر بسرعة كبيرة. نادرًا ما كان بناء الوكيل نفسه هو الجزء الصعب. فمع نماذج الكلام واللغة الحديثة، يمكن أن يحدث إنشاء نموذج أولي وظيفي لمساعد صوتي بسرعة مدهشة.
يظهر التحدّي الحقيقي عندما تنتقل تلك الأنظمة من العروض التوضيحية المضبوطة إلى محادثات حقيقية مع العملاء. في بيئات الإنتاج، يجب على كل وكيل صوتي بالذكاء الاصطناعي أن يتعامل مع مدخلات غير متوقعة، وأن يحافظ على توقيت محادثة طبيعي، وأن يتكامل مع أنظمة الاتصالات الهاتفية، وأن يبقى مستقرًا حتى عند حدوث آلاف المكالمات في وقت واحد.
عند تلك النقطة، لم تعد المشكلة تصميم المحادثة بل هندسة البنية التحتية. فموثوقية الذكاء الاصطناعي الصوتي تعتمد على الأنظمة التي تعالج الصوت، وتوجّه المكالمات، وتدير حالة المحادثة، وتوسّع السعة دون أن تُفسد التجربة.
إن فهم سبب فشل الوكلاء الصوتيين في الإنتاج هو الخطوة الأولى لفهم كيف يجب أن يُبنَوا.
تبدو كثير من أنظمة الذكاء الاصطناعي الصوتي مثيرة للإعجاب أثناء العروض التوضيحية، لكنها تتعثّر بمجرد نشرها في بيئات مكالمات حقيقية.
السبب بسيط. عادةً ما تُختبر أنظمة العروض التوضيحية في ظروف مضبوطة بمدخلات متوقعة وحركة اتصالات محدودة. أما بيئات الإنتاج فتتصرف بشكل مختلف تمامًا. تصل المكالمات بشكل غير متوقع، ويقاطع العملاء المحادثات، وتفشل عمليات التكامل، ويصبح زمن استجابة النظام مرئيًا فورًا للمتصل.
تظهر عدة نقاط فشل بشكل متكرر عندما ينتقل الوكلاء الصوتيون إلى الإنتاج.
يُعدّ حجم المكالمات المرتفع أحد أكثر المسبّبات شيوعًا. غالبًا ما تعجز الأنظمة المصمّمة لاختبار محدود عن التعامل مع أعداد كبيرة من المحادثات المتزامنة. وعندما يرتفع الطلب فجأة، يتدهور الأداء بسرعة وتصبح تأخيرات الاستجابة ملحوظة.
تخلق قفزات زمن الاستجابة مشكلة كبرى أخرى. فالتفاعلات الصوتية تعمل بشكل آني. حتى التأخيرات الصغيرة بين تحدّث العميل واستجابة النظام يمكن أن تعطّل انسياب المحادثة وتجعل التفاعل يبدو غير طبيعي.
تصبح موثوقية التكامل حاسمة أيضًا. فالوكلاء الصوتيون نادرًا ما يعملون بمعزل عن غيرهم. غالبًا ما يعتمدون على خدمات خارجية مثل أنظمة الجدولة أو قواعد بيانات العملاء أو منصّات الدفع. وإذا استجابت تلك التكاملات ببطء أو فشلت تمامًا، فقد تتوقف المحادثة.
يُعدّ التعامل مع التصعيد نقطة ضعف متكررة أخرى. يستطيع كثير من الوكلاء الصوتيين الإجابة عن الأسئلة الروتينية لكنهم يتعثّرون عندما يقع طلب خارج سير العمل الآلي. فبدون مسارات تصعيد موثوقة إلى موظفين بشريين، تنهار المحادثات.
يُدخل الاتصال الهاتفي طبقة إضافية من التعقيد. فالوكلاء الصوتيون يجب أن يعملوا داخل شبكات الاتصالات الهاتفية، ما يعني التعامل مع توجيه المكالمات وتدفّقات الصوت وموثوقية الشبكة في وقت واحد.
تكشف هذه المشكلات حقيقة مهمة. تفشل أنظمة الذكاء الاصطناعي الصوتي في الإنتاج لا لأن نموذج اللغة ضعيف، بل لأن البنية التحتية المحيطة لا تستطيع تحمّل حركة محادثات حقيقية.
يُشغَّل الوكلاء الصوتيون بالذكاء الاصطناعي عبر خط أنابيب نظام آني يحوّل المدخلات المنطوقة إلى استجابة ذكية. فعلى عكس أنظمة الدردشة التي تعالج الرسائل النصية خطوة بخطوة، يجب على الذكاء الاصطناعي الصوتي معالجة الصوت والاستدلال وتوليد الكلام بشكل مستمر مع الحفاظ على توقيت محادثة طبيعي.
يتكوّن نظام الذكاء الاصطناعي الصوتي في الإنتاج عادةً من خمس طبقات أساسية تعمل معًا في أجزاء من الألف من الثانية.
الخطوة الأولى في كل تفاعل صوتي هي تحويل الصوت المنطوق إلى نص.
تعالج أنظمة التعرّف على الكلام صوت المتصل بشكل آني وتولّد نسخة نصية يمكن لنظام الذكاء الاصطناعي فهمها. تُعدّ الدقة والسرعة حاسمتين في هذه المرحلة لأن الأخطاء تنتشر عبر بقية خط الأنابيب.
فإذا أساء النظام تفسير ما قاله المتصل، فقد يكون كل قرار يليه غير صحيح أيضًا.
بمجرد نسخ الكلام إلى نص، يجب على النظام أن يحدّد ما يريده المتصل فعلًا.
تحلّل هذه الطبقة معنى المحادثة، وتحدّد النية، وتقرّر كيف ينبغي للوكيل أن يستجيب. يعتمد الوكلاء الصوتيون الحديثون على نماذج اللغة الكبيرة لتفسير السياق وتوليد الاستجابات وتوجيه انسياب التفاعل.
يجب على نظام الاستدلال أيضًا أن يحافظ على الوعي بالأجزاء السابقة من المحادثة حتى يستطيع الوكيل الاستجابة بترابط بدلًا من التعامل مع كل سؤال باعتباره تفاعلًا جديدًا.
بعد أن يحدّد النظام الاستجابة الصحيحة، يجب أن يحوّل تلك الاستجابة إلى لغة محادثة طبيعية.
تنتج هذه الخطوة الرسالة التي سيوصلها الوكيل إلى المتصل. في الأنظمة المصمّمة جيدًا، يراعي توليد الاستجابة أيضًا إيقاع المحادثة ووضوحها ونبرتها حتى يبدو التفاعل طبيعيًا لا آليًا.
يجب بعد ذلك تحويل الاستجابة المولَّدة إلى صوت باستخدام أدوات الذكاء الاصطناعي أو واجهات API الصوتية، حتى يتمكّن المتصل من سماعها.
تُركّب أنظمة تحويل النص إلى كلام صوتًا شبيهًا بالبشر من النص المولَّد. وتؤثر جودة هذه الخطوة وسرعتها مباشرةً في مدى طبيعية المحادثة.
يمكن أن يعطّل التركيب الصوتي البطيء أو غير الطبيعي انسياب المحادثة حتى لو كان نظام الاستدلال قد أدّى عمله بشكل صحيح.
خلف طبقات المحادثة تقع البنية التحتية التي تُبقي المكالمة قائمة.
تدير طبقة الاتصالات الهاتفية توجيه المكالمات وبثّ الصوت والاتصال بين المتصل ونظام الذكاء الاصطناعي. في الوقت نفسه، يتتبّع نظام تنسيق المحادثة حالة الحوار، ويتذكّر المعلومات التي جُمعت سابقًا في المكالمة، ويحدّد ما ينبغي أن يحدث بعد ذلك.
تضمن طبقة التنسيق هذه أن يتصرف الوكيل باتساق عبر التفاعل بأكمله بدلًا من الاستجابة لأسئلة منعزلة.
يجب أن تعمل كل هذه الطبقات معًا بشكل آني.
منذ اللحظة التي ينتهي فيها المتصل من الكلام، يجب على النظام أن يتعرّف على الكلام، ويفسّر الطلب، ويولّد استجابة، ويركّب الصوت، ويوصل الرد بسرعة كافية للحفاظ على توقيت محادثة طبيعي.
حتى التأخيرات الصغيرة يمكن أن تعطّل التفاعل.
عندما يتباطأ أي جزء من خط الأنابيب أو يفشل، يختبر المتصل ذلك الفشل فورًا. ولهذا فإن موثوقية بنية النظام بأكملها أهمّ بكثير من أداء أي نموذج منفرد داخلها.
للوهلة الأولى، قد يبدو الوكلاء الصوتيون بالذكاء الاصطناعي مشابهين لروبوتات الدردشة. فكلاهما يفسّر مدخلات المستخدم ويولّد استجابات باستخدام نماذج اللغة. لكن في الواقع، تختلف تحديات البنية التحتية اختلافًا كبيرًا.
تعمل أنظمة الدردشة في بيئة طلب واستجابة حيث يكتب المستخدمون رسالة وينتظرون الرد. وقد يكون التأخير لبضع ثوانٍ مقبولًا لأن التفاعل غير متزامن.
تعمل المحادثات الصوتية ضمن قيود توقيت أضيق بكثير. فللحوار البشري نوافذ استجابة طبيعية، تُقاس غالبًا بأجزاء من الثانية. وعندما يستجيب نظام صوتي ببطء شديد، يدرك المتصل التأخير فورًا وتبدأ المحادثة تبدو متعطّلة.
على مستوى الأنظمة، يجب على الذكاء الاصطناعي الصوتي الموثوق أن يحلّ خمسة قيود في البنية التحتية:
يؤثر كل قيد من هذه القيود في ما إذا كان التفاعل يبدو طبيعيًا أم ينهار تحت الاستخدام الحقيقي.
تعمل المحادثات الصوتية ضمن توقعات توقيت صارمة. فعندما يتحدّث شخص على الهاتف، يتوقع استجابة تكاد تكون فورية بعد توقفه عن الكلام.
يمكن أن يجعل تأخير لبضع ثوانٍ فقط المتصل يفترض أن النظام فشل أو أن المكالمة انقطعت. لذلك يجب على البنية التحتية للذكاء الاصطناعي الصوتي معالجة التعرّف على الكلام والاستدلال وتوليد الاستجابة وتركيب الصوت ضمن نوافذ استجابة ضيقة للغاية.
يُعدّ الحفاظ على زمن الاستجابة هذا عبر أحجام كبيرة من المكالمات المتزامنة أحد التحديات الهندسية الرئيسية للذكاء الاصطناعي الصوتي.
تعالج أنظمة الدردشة رسائل منفصلة. أما الأنظمة الصوتية فتعالج تدفّقات صوتية مستمرة.
يجب على النظام الاستماع إلى كلام المتصل بشكل آني، وتحديد متى انتهى المستخدم من الكلام، وتقرير متى يكون من الآمن الاستجابة دون مقاطعة المحادثة. يتطلب هذا بنية تحتية للبثّ قادرة على معالجة المدخلات الصوتية بشكل مستمر بدلًا من التعامل مع طلبات منعزلة.
تصبح إدارة تدفّقات الصوت بموثوقية أكثر تعقيدًا عند حدوث آلاف المحادثات في وقت واحد.
نادرًا ما تتبع المحادثات البشرية قواعد صارمة لتبادل الأدوار. فالمتصلون يقاطعون، ويتوقفون، ويغيّرون الاتجاه في منتصف الجملة، أو يطرحون أسئلة متعددة في الدور نفسه.
يجب على أنظمة الذكاء الاصطناعي الصوتي أن تكتشف متى يبدأ المتصل بالكلام مجددًا وأن توقف استجابة الوكيل أو تعدّلها. وإذا فشل النظام في التعرّف على المقاطعات، تصبح المحادثة محرجة أو غير قابلة للاستخدام.
لذلك يُعدّ التعامل الصحيح مع تبادل الأدوار في المحادثة مكوّنًا حاسمًا للتفاعل الصوتي الطبيعي.
على عكس أنظمة الدردشة التي تعمل بالكامل عبر البنية التحتية للويب، يجب على الذكاء الاصطناعي الصوتي أن يعمل داخل شبكات الاتصالات الهاتفية.
يتطلب هذا إدارة توجيه المكالمات، والحفاظ على تدفّقات الصوت، والتعامل مع موثوقية الشبكة، والتكامل مع بروتوكولات الاتصالات الهاتفية مثل SIP. وإذا فشلت طبقة الاتصالات الهاتفية، تتوقف المحادثة حتى لو كان نموذج الذكاء الاصطناعي نفسه يعمل بشكل صحيح.
لذلك يجب على البنية التحتية للذكاء الاصطناعي الصوتي أن تجمع بين أنظمة المحادثة وموثوقية الاتصالات التقليدية.
تتطور المحادثات الصوتية تدريجيًا عبر أدوار متعددة. فالمتصلون غالبًا ما يشيرون إلى أجزاء سابقة من المحادثة أو يقدّمون المعلومات خطوة بخطوة.
يجب على النظام الحفاظ على السياق عبر التفاعل بأكمله حتى يفهم الوكيل ما تمّت مناقشته بالفعل. فبدون تتبّع موثوق لحالة المحادثة، تصبح الاستجابات بسرعة غير متسقة أو متكررة.
يُعدّ الحفاظ على هذه الحالة عبر العديد من المحادثات المتزامنة تحديًا رئيسيًا آخر في البنية التحتية.
تفسّر هذه التحديات لماذا تؤدّي كثير من أنظمة الذكاء الاصطناعي الصوتي أداءً جيدًا في العروض التوضيحية لكنها تتعثّر في بيئات الإنتاج.
يمكن لوكيل العرض التوضيحي أن يعمل مع حركة اتصالات محدودة وظروف شبكة مثالية. أما أنظمة الإنتاج فيجب أن تتحمّل آلاف المحادثات الآنية مع الحفاظ على زمن الاستجابة واستقرار الاتصالات الهاتفية وسياق المحادثة.
في الواقع، تعتمد موثوقية نظام الذكاء الاصطناعي الصوتي على تصميم البنية التحتية أكثر بكثير مما تعتمد على ذكاء نموذج اللغة نفسه.
عندما يسأل الناس كيف يتوسّع الوكلاء الصوتيون بالذكاء الاصطناعي، نادرًا ما تكون الإجابة عن النموذج نفسه. فالقيد الحقيقي هو البنية التحتية التي يجب أن تعالج المحادثات المباشرة بشكل آني.
لا يتعامل نظام الذكاء الاصطناعي الصوتي مع طلبات بسيطة. فكل مكالمة نشطة تتطلب خط معالجة مستمرًا يشغّل التعرّف على الكلام والاستدلال اللغوي وتركيب الكلام مع الحفاظ على اتصال هاتفي مستقر.
عندما تحدث مئات أو آلاف المكالمات في وقت واحد، يجب على النظام أن يتحمّل آلاف خطوط الأنابيب هذه دفعةً واحدة دون زيادة زمن الاستجابة أو كسر انسياب المحادثة.
يُدخل هذا مشكلة توسّع مختلفة تمامًا مقارنةً بأنظمة البرمجيات النموذجية.
في الأنظمة الصوتية في الإنتاج، يعتمد التوسّع في المقام الأول على ثلاث قدرات في البنية التحتية:
إذا فشل أي من هذه العناصر، فسيختبره المتصل فورًا. تتوقف المحادثات، أو تتداخل الاستجابات، أو يصبح النظام غير مستجيب.
لهذا السبب فإن توسيع نطاق الذكاء الاصطناعي الصوتي ليس في الأساس مشكلة تعلّم آلي. إنه مشكلة هندسة بنية تحتية.
تبدو معظم أنظمة الذكاء الاصطناعي الصوتي مستقرة أثناء اختبار التطوير. وعادةً لا تظهر الإخفاقات إلا بعد أن يبدأ النظام بالتفاعل مع متصلين حقيقيين.
تُدخل بيئات الإنتاج ظروفًا نادرًا ما يلتقطها الاختبار المضبوط. فأنماط وصول المكالمات غير متوقعة، ويقاطع المستخدمون المحادثات بشكل متكرر، وتستجيب الأنظمة الداعمة بزمن استجابة غير متسق.
نقطة الضغط الأولى هي تقلّب الطلب. فحركة المكالمات غالبًا ما تصل في دفعات ناتجة عن انقطاعات الخدمة أو دورات الفوترة أو إطلاق المنتجات أو الحملات التسويقية. والأنظمة المصمّمة لحركة ثابتة تصبح بسرعة مثقلة عندما تصل مئات المكالمات خلال دقائق.
يفشل الوكلاء الصوتيون بالذكاء الاصطناعي في الإنتاج عندما تعجز البنية التحتية عن الحفاظ على استجابة آنية تحت حمل غير متوقع.
أكثر الإخفاقات شيوعًا هو تضخّم زمن الاستجابة. فالمحادثات الصوتية تتطلب توقيت استجابة أقل من ثانية. وعندما يزداد حمل النظام، تتراكم حتى التأخيرات الصغيرة عبر التعرّف على الكلام والاستدلال وتركيب الكلام. وبمجرد أن يتجاوز زمن الاستجابة بضع ثوانٍ، يقاطع المتصلون الوكيل أو يفترضون أن النظام توقف عن الاستجابة.
مشكلة متكررة أخرى هي تأخّر الاعتماد الخارجي. فالوكلاء الصوتيون غالبًا ما يعتمدون على قواعد بيانات العملاء أو أنظمة الجدولة أو خدمات الدفع. وإذا استجابت هذه التكاملات ببطء، تتوقف المحادثة بينما ينتظر النظام البيانات.
موثوقية التصعيد متطلب تشغيلي آخر. فعندما تعجز الأتمتة عن حلّ طلب، يجب على النظام تحويل المتصل إلى موظف بشري مع الحفاظ على السياق. وإذا فشلت آلية التصعيد، يضطر المتصل إلى إعادة بدء المحادثة وتكرار المعلومات.
في بيئات الإنتاج تتراكم هذه المشكلات بسرعة. تفشل الأنظمة الصوتية لا لأنها لا تستطيع توليد الاستجابات، بل لأن البنية التحتية المحيطة لا تستطيع تحمّل محادثات آنية تحت الضغط التشغيلي.
بمجرد أن تبدأ أنظمة الذكاء الاصطناعي الصوتي في التعامل مع حركة عملاء حقيقية، تتغيّر أولويات فريق الهندسة بسرعة. فالتطوير المبكّر يميل إلى التركيز على جودة المحادثة وتصميم الـ prompt. أما بعد النشر، فيتحوّل التركيز إلى استقرار النظام.
ما تكتشفه الفرق في الإنتاج هو أن مشكلات الموثوقية نادرًا ما تأتي من نموذج اللغة نفسه. بل تظهر في البنية التحتية المحيطة التي يجب أن تتحمّل المحادثات الآنية.
تظهر عدة دروس تشغيلية بشكل متكرر بمجرد أن يعمل الوكلاء الصوتيون على نطاق واسع.
تغيّر هذه الدروس كيفية بناء أنظمة الذكاء الاصطناعي الصوتي. فيبتعد التركيز عن بناء وكلاء عرض توضيحي أفضل ويتجه نحو تصميم بنية تحتية قادرة على تحمّل آلاف المحادثات الحقيقية دون فقدان الاستقرار.
بعد الاطلاع على ما يكفي من عمليات نشر الصوت في الإنتاج، وجدت أن بنية الأنظمة الموثوقة تبدأ تبدو مختلفة جدًا عن وكلاء العروض التوضيحية المبكّرة.
يبدأ كثير من مشاريع الذكاء الاصطناعي الصوتي المبكّرة كنماذج أولية للمحادثة مبنية فوق نماذج اللغة. وفي البيئات المضبوطة تبدو تعمل جيدًا. لكن بمجرد أن تبدأ تلك الأنظمة بالتعامل مع حركة مكالمات حقيقية، تصبح القيود مرئية بسرعة. فيتوقف التحدّي عن كونه مدى جودة استجابة الوكيل ويصبح ما إذا كان النظام قادرًا على تحمّل محادثات آنية بموثوقية.
ما رأيته مرارًا في أنظمة الإنتاج هو أن الموثوقية تعتمد على بضعة قرارات في البنية التحتية.
الأول هو استقرار المعالجة الآنية. فكل مكالمة نشطة تشغّل خط أنابيب مستمرًا يؤدّي التعرّف على الكلام والاستدلال اللغوي وتركيب الكلام أثناء حدوث المحادثة. وإذا ازداد زمن الاستجابة في أي مكان من خط الأنابيب هذا، فسيشعر المتصلون به فورًا في المحادثة.
الثاني هو بنية واعية بالتزامن. فالأنظمة الصوتية يجب أن تدعم أعدادًا كبيرة من المحادثات المتزامنة دون السماح لمكالمة واحدة بإبطاء أخرى. وفي الواقع يتطلب هذا بنية تحتية موزّعة تتيح لأعباء الكلام والاستدلال أن تتوسّع أفقيًا مع ازدياد الحركة.
المتطلب الثالث هو موثوقية الاتصالات الهاتفية. فعلى عكس أنظمة الدردشة التي تعمل بالكامل عبر البنية التحتية للويب، يعمل الوكلاء الصوتيون داخل شبكات الهاتف. ويجب أن يبقى توجيه المكالمات وبثّ الصوت واستقرار الاتصال متسقًا حتى عندما تتقلّب حركة المكالمات بشكل كبير.
نمط آخر رأيته عبر أنظمة الإنتاج هو أهمية القابلية للمراقبة التشغيلية. فالفرق التي تشغّل الأتمتة الصوتية تحتاج إلى رؤية زمن استجابة النظام وحمل المكالمات النشطة ومعدلات نجاح المكالمات بشكل آني. فبدون تلك الرؤية، غالبًا ما تُكتشف مشكلات الأداء فقط بعد أن يبدأ العملاء باختبار محادثات متعطّلة.
هذا هو السياق الذي تصبح فيه أنظمة مثل Retell منطقية بالنسبة لي. تركّز بنية المنصّة بشكل أقل على بناء وكلاء عرض توضيحي مبهرين وأكثر على دعم البنية التحتية اللازمة لعمليات النشر الحقيقية. ويشمل ذلك التعامل مع المكالمات القابل للتوسّع، وخطوط المعالجة الآنية، والتكامل مع الاتصالات الهاتفية المصمّم لأعباء الصوت في الإنتاج.
ما يدركه هذا النهج هو أمر تتعلّمه كثير من الفرق بالطريقة الصعبة في النهاية. لا ينهار الذكاء الاصطناعي الصوتي لأن النموذج لا يستطيع توليد الاستجابات. بل ينهار عندما تعجز البنية التحتية المحيطة بالنموذج عن تحمّل محادثات حقيقية على نطاق واسع.
بعد الاطلاع على ما يكفي من عمليات النشر في الإنتاج، يتّضح أمر واحد. لم يعد بناء وكيل صوتي بالذكاء الاصطناعي هو الجزء الصعب. فنماذج الكلام واللغة الحديثة تجعل ذلك بسيطًا نسبيًا.
يبدأ التحدّي الحقيقي بمجرد أن يتفاعل النظام مع متصلين حقيقيين.
يعمل الذكاء الاصطناعي الصوتي داخل محادثات مباشرة، ما يعني أن البنية التحتية يجب أن تتحمّل زمن استجابة منخفضًا واتصالات هاتفية مستقرة وأعدادًا كبيرة من التفاعلات المتزامنة دون كسر انسياب المحادثة. وعندما تفشل عمليات النشر، نادرًا ما تكون المشكلة النموذج. بل النظام المحيط به.
لهذا السبب تتعامل عمليات نشر الذكاء الاصطناعي الصوتي الناجحة بشكل متزايد مع الأتمتة الصوتية باعتبارها بنية تحتية. وتعكس منصّات مثل Retell هذا التحوّل بالتركيز على التعامل مع المكالمات القابل للتوسّع، وخطوط المعالجة الآنية، وأنظمة الاتصالات الهاتفية المصمّمة لبيئات الإنتاج.
بمجرد التعامل مع الذكاء الاصطناعي الصوتي بهذه الطريقة، يتغيّر السؤال. فلم يعد ما إذا كان الوكيل يستطيع الاستجابة. بل ما إذا كان النظام الذي وراءه يستطيع تحمّل محادثات حقيقية على نطاق واسع.
يُبنى الوكلاء الصوتيون بالذكاء الاصطناعي باستخدام خط أنابيب آني يجمع بين التعرّف على الكلام ونماذج اللغة وأنظمة تحويل النص إلى كلام. فيُنسَخ الصوت الوارد إلى نص، ويفسّره نموذج الاستدلال، ثم يُحوَّل مجددًا إلى كلام. وتدير البنية التحتية للاتصالات الهاتفية وتنسيق المحادثة المكالمة مع الحفاظ على السياق طوال التفاعل.
يعتمد الوكلاء الصوتيون بالذكاء الاصطناعي على بنية تحتية متعددة الطبقات تشمل خدمات التعرّف على الكلام، ونماذج الاستدلال اللغوي، وتركيب تحويل النص إلى كلام، وشبكات الاتصالات الهاتفية، وأنظمة تنسيق المحادثة. يجب أن تعمل هذه المكوّنات معًا بشكل آني حتى تبقى المحادثات مستجيبة بينما تعالج المنصّة عدة مكالمات متزامنة.
يفشل الوكلاء الصوتيون بالذكاء الاصطناعي عادةً في الإنتاج لأن البنية التحتية لا تستطيع تحمّل أعباء المحادثة الآنية. وتشمل الأسباب الشائعة قفزات زمن الاستجابة، واتصالات الاتصالات الهاتفية غير المستقرة، والأنظمة المثقلة أثناء ارتفاعات المكالمات، وإخفاقات في التكاملات الخارجية مثل أنظمة CRM أو منصّات الجدولة التي يعتمد عليها الوكيل لإنجاز المهام.
يتوسّع الوكلاء الصوتيون بالذكاء الاصطناعي عبر تشغيل عدة خطوط أنابيب للمحادثة في وقت واحد عبر بنية تحتية موزّعة. فكل مكالمة نشطة تعالج التعرّف على الكلام والاستدلال وتوليد الاستجابة بالتوازي. وتتيح إدارة التزامن والبنية التحتية المرنة للنظام زيادة السعة ديناميكيًا مع ارتفاع حجم المكالمات.
يحافظ نظام الذكاء الاصطناعي الصوتي الموثوق على زمن استجابة منخفض، واتصال هاتفي مستقر، وأداء متسق تحت حجم مكالمات مرتفع. وتعتمد الموثوقية على تصميم البنية التحتية، بما في ذلك المعالجة الموزّعة وأنظمة المراقبة وآليات التعافي من الأعطال ومسارات التصعيد التي تحوّل المكالمات إلى موظفين بشريين عندما تبلغ الأتمتة حدودها.
See how much your business could save by switching to AI-powered voice agents.
Total Human Agent Cost
AI Agent Cost
Estimated Savings
رقم هاتف تجريبي من Retell Clinic Office
Start building smarter conversations today.
.avif)
.avif)
