أطلقت Parloa وكلاء AI صوتيين لدعم الشركات الكبرى باستخدام نماذج OpenAI

كشفت Parloa، شركة برلينية متخصصة في تطوير منصات خدمة العملاء، عن كيفية استخدامها لنماذج OpenAI لإطلاق وكلاء ذكاء اصطناعي بقدرات صوتية لدى الشركات الكبرى. تساعد منصة AMP على ما هو أكثر من مجرد الرد على المكالمات—فهي تساعد على تصميم واختبار ونشر الأنظمة التي يجب أن تعمل بشكل موثوق في وضع الوقت الفعلي.

كيف يعمل AMP

بدأت قصة Parloa بتحدٍ عملي بحت. قضى أحد المؤسسين المشاركين للشركة، ستيفان أوستوالد، يوماً في مركز اتصالات التأمين ورأى كيف يتعامل الموظفون بشكل متكرر مع طلبات متطابقة: إعادة تعيين كلمات المرور، أسئلة حول السياسات، تغييرات روتينية للحساب. في البداية، كانت الشركة تبني بوتات صوتية قائمة على القواعد، لكن مع ظهور ChatGPT والنماذج الجديدة من OpenAI، تحولت إلى منصة إدارة وكلاء الذكاء الاصطناعي، أو AMP. الآن لم يعد التركيز على السيناريوهات المحددة بصرامة، بل على منصة حيث يمكن للشركات بناء واختبار ونشر خدمات صوتية قائمة على LLM.

الفكرة الأساسية لـ AMP هي أنه يمكن استخدامه ليس فقط من قبل المطورين. تحدد فرق الأعمال أو خبراء المجال دور الوكيل والتعليمات والقيود والأدوات المتصلة باللغة الطبيعية، دون أشجار النية ودون وصف يدوي لكل خطوة. يمكن بعد ذلك تشغيل النظام من خلال المحاكاة: نموذج يلعب دور العميل، والآخر يلعب دور الوكيل المكون. ترى الفرق كيف يستجيب الوكيل، وما إذا كان يستدعي واجهات برمجية التطبيقات بشكل صحيح، وما إذا كان يبقى ضمن حدود السيناريو. يمكنهم تعديل التكوين بسرعة قبل أي مكالمات حقيقية.

المراهنة على التقييم

تراهن Parloa بقوة على نهج evaluation-first. بالنسبة لعملاء الشركات، فإن العروض التوضيحية الجميلة ليست كافية—فهم يحتاجون إلى القابلية للتنبؤ في الإنتاج، لأن الانتقال إلى نموذج جديد يتضمن دائماً تكاليف ومخاطر. لذلك لا تأخذ الشركة المعايير المجردة في ظاهرها. بدلاً من ذلك، تبني مجموعات اختبار خاصة بها تعكس سيناريوهات دعم العملاء الحقيقية. تقيس هذه مدى اتباع النموذج للتعليمات، وموثوقية استدعاء الأدوات، وما هي كمون الاستجابة، وكيفية تعامل النظام مع الحالات الحدية.

تقول

Parloa: «النماذج لها أهمية فقط عندما تعمل في الإنتاج»، وهكذا تشرح Parloa نهجها للأنظمة الصوتية في الوقت الفعلي.

إذا أظهر النموذج نتائج جيدة على الورق، فهذا ليس كافياً. يتم إرسال فقط التكوينات التي تمر باستمرار على عمليات المحاكاة والفحوصات الآلية إلى الإنتاج. تجمع المنصة بين LLM-as-a-judge والقواعس الحتمية: تتحقق بعض التقييمات من جودة الاستجابة والامتثال للتعليمات، بينما تضمن أخرى حدوث الخطوات الحرجة بالترتيب الصحيح. هذا النهج يحقق بالفعل نتائج تجارية: في نشر واحد، قللت شركة سفر عالمية كبرى عدد التصعيدات إلى المشغلين المباشرين بنسبة 80%.

الصوت بدون توقف

بالنسبة لـ Parloa، فإن واجهة الصوت هي تحدٍ هندسي متميز. بخلاف الدردشة النصية، يشعر كل ثانية مباشرة من قبل المستخدم. يجب أن تعمل خط الأنابيب بأكمله بكمون أدنى: يتعرف النظام أولاً على الكلام، ثم ينتج النموذج الرد، ثم يبدأ تجميع الكلام. حتى الإيقاف البسيط في طبقة النموذج يصبح صمتاً ملحوظاً في المكالمة، لذا تعمل Parloa مع OpenAI لتحسين ليس فقط جودة الاستجابة بل أيضاً السرعة والمتانة والامتثال للتعليمات.

• يتم التحقق من التعرف على الكلام من خلال معدل خطأ الكلمات، خاصة على البيانات الحساسة مثل أرقام السياسات وأرقام تعريف الحساب.
• يتم تقييم تجميع الكلام من خلال اختبارات الاستماع العمياء لفهم مدى طبيعة صوت الصوت للأشخاص الحقيقيين.
• يتم اختبار نماذج speech-to-speech بشكل منفصل لجاهزية الإنتاج من حيث الكمون والدقة والتكلفة.
• يتم تشغيل معايير متعددة اللغات عبر الأسواق المختلفة، لأن عملاء الشركات يحتاجون إلى موثوقية متساوية ليس في بلد واحد بل على المستوى العالمي.

اليوم، تتعامل وكلاء Parloa مع ملايين المحادثات في التجزئة والسفر والتأمين. تنظر الشركة إلى ما وراء مجرد المكالمات الهاتفية: يمكن لسيناريو دعم واحد أن يبدأ على الهاتف ويستمر في الدردشة ويشمل روابط أو عناصر تفاعلية مع تطور المحادثة. في هذا النهج، لا تعمل القنوات بمعزل عن بعضها البعض. بالنسبة للعميل، يجب أن تكون هذه محادثة سلسة واحدة، وليس مجموعة من نقاط الاتصال المجزأة، وهذا هو النموذج الذي تبني Parloa منصتها حوله.

ماذا يعني هذا

تُظهر قصة Parloa أن سوق دعم المؤسسات ينتقل بعيداً عن أشجار IVR البسيطة نحو منصات كاملة لإدارة وكلاء الذكاء الاصطناعي. الفائزون هنا لن يكونوا الذين لديهم أكثر نموذج ضخماً، بل أولئك الذين يمكنهم التحقق من الأداء مقابل السيناريوهات الحقيقية والحفاظ على كمون منخفض والتكامل بأمان مع الأنظمة التجارية الداخلية.