Domain-Adaptive ASR for Telephony AI Agents: Fine-tuning Canary Flash Models for Enterprise Contact Center Applications
يُثبت هذا التقرير التقني أن الضبط الدقيق لنماذج Canary Flash مفتوحة المصدر من NVIDIA على مجموعة بيانات مخصصة للاتصالات الهاتفية يقلل بشكل كبير من معدلات الخطأ في الحروف للأصوات المشوشة والمصطلحات الحساسة للأعمال، مع الحفاظ على سرعات الاستدلال في الوقت الفعلي لعمليات نشر الروبوتات الصوتية للمؤسسات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل محادثة تجري عبر خط هاتف. إن الصوت الذي ينتقل عبر هذا السلك ليس هو نفسه ذلك الصوت الواضح عالي الدقة الذي نسمعه في غرفة هادئة؛ فهو أضيق، وغالباً ما يكون مضغوطاً، وكثيراً ما تخرقه ضوضاء شارع مزدحم أو طنين سماعة هاتف رخيصة. لعقود من الزمن، كافحت أجهزة الكمبيوتر لفهم هذا النوع المحدد من الصوت. وبينما أصبح الذكاء الاصطناعي بارعاً بشكل ملحوظ في نسخ الكلام الواضح من "البودكاست" أو الاجتماعات، إلا أنه غالباً ما يتعثر عندما يواجه الواقع الفوضوي لمكالمة خدمة العملاء. وتعد هذه الفجوة عقبة رئيسية أمام الشركات التي ترغب في استخدام المساعدين الصوتيين للتعامل مع ملايين المكالمات، خاصة في المناطق التي لم يتم تدريب التكنولوجيا فيها على اللغات المحلية أو الضوضاء الخاصة بشبكات الهاتف المحلية.
لقد وضع باحثون في مجموعة "بوت نوي" (Botnoi Group) في تايلاند هدفاً لحل هذه المشكلة، وهو تعليم نموذج حاسوبي قوي مفتوح المصصدر أن يستمع كما يفعل البشر أثناء مكالمة هاتفية. لقد ركزوا على اللغة التايلاندية، وهي منطقة تفتقر إلى البيانات العامة لخطوط الكلام الهاتفية. ويظهر عملهم أنه من خلال تغذية نموذج ببيانات تسجيلات مكالمات واقعية ومفردات خاصة بالأعمال بعناية، يمكنهم تحويل نظام التعرف على الكلام العام إلى متخصص يعمل بموثوقية في مركز اتصال صاخب. والنتيجة هي نظام لا يفهم اللغة فحسب، بل يتجاهل أيضاً الضجيج، مما يجعل من الممكن لوكلاء الذكاء الاصطناعي تنفيذ مهام معقدة مثل قراءة الأسماء والعناوين دون تدخل بشري مستمر.
تمثل جوهر عملهم في أخذ نموذج ذكاء اصطناعي موجود مسبقاً وضخم يسمى "كاناري" (Canary)، والذي كان جيداً بالفعل في فهم العديد من اللغات، ومنحه تعليماً متخصصاً. أدرك الباحثون أن مجرد استخدام النموذج كما هو لن يفي باحتياجاتهم؛ فقد تم تدريب النموذج في الغالب على صوت نقي وعالي الجودة، مما جعله غير مستعد للتشوهات الناتجة عن الاتصال الهاتفي. ولإصلاح ذلك، بنوا مسار تدريب فريداً. لقد جمعوا نوعين من البيانات: تسجيلات من نظام "البوت الصوتي" الحي الخاص بهم، والذي التقط الفوضى الحقيقية للمكالمات الهاتفية، وتسجيلات لأشخاص يتحدثون إلى مطالبات في تطبيق مراسلة. ولجعل تسجيلات التطبيق تبدو مثل المكالمات الهاتفية، طبقوا مرشحات رقمية تحاكي الضغط والضوضاء الموجودة في خط الهاتف. خلقت هذه العملية مكتبة ضخمة مكونة من 77 ساعة من الصوت بجودة الهاتف، بما في ذلك مجموعة فرعية محددة تبلغ 104 ساعات مخصصة بالكامل للمهمة الصعبة المتمثلة في التعرف على الأسماء والعناوين.
باستخدام هذه المجموعة المخصصة من البيانات، قام الفريق بإجراء عملية "ضبط دقيق" (Fine-tuning) لنموذج "كاناري". والضبط الدقيق هو عملية يتعلم فيها الكمبيوتر من أمثلة جديدة لتعديل قواعده الداخلية، تماماً مثل طالب يدرس كتاباً مدرسياً معيناً للاستعداد لامتحان محدد. اختبروا النموذج في قدرته على التعرف على الكلام التايلاندي في ثلاث سيناريوهات مختلفة. أولاً، تحققوا مما إذا كان بإمكانه فهم اللغة بشكل عام. ثانياً، اختبروه على الصوت الهاتفي الصاخب. وأخيراً، اختبروه على المصطلحات التجارية الخاصة بالأسماء والعناوين. أظهرت النتائج تحسناً دراماتيكياً؛ فقبل هذا التدريب، كان النموذج يرتكب أخطاء في الصوت الهاتفي بنسبة 23 بالمائة تقريباً. وبعد التعلم من بيانات الهاتف، انخفض معدل الخطأ هذا إلى 9 بالمائة فقط. كانت هذه قفزة كبيرة، مما أثبت أن النموذج يمكنه التكيف مع الظروف الصوتية المحددة لخط الهاتف.
إن تحدي الأسماء والعناوين صعب للغاية بالنسبة لأجهزة الكمبيوتر لأن هذه الكلمات غالباً ما تكون فريدة ويمكن أن تبدو متشابهة جداً مع بعضها البعض. في الاختبارات الأولية، عانى النموذج مع هذه المصطلحات، حيث ارتكب أخطاء بنسبة 17 بالمائة تقريباً. ومع ذلك، بعد أن قدم الباحثون للنموذج جولة ثانية من التدريب تركز تحديداً على مجموعة بيانات الأسماء والعناوين، انخفض معدل الخطأ إلى أقل من 4 بالمائة. هذا المستوى من الدقة أمر بالغ الأهمية لتطبيقات المؤسسات، حيث يمكن أن يؤدي الخطأ في اسم العميل أو عنوانه إلى فشل المعاملة أو إحباط المستخدم. كما قارنت الدراسة بين نسختين من النموذج: نسخة أصغر وأسرع، وأخرى أكبر وأكثر تعقيداً. وبينما كانت النسخة الأكبر أكثر دقة قليلاً، كانت النسخة الأصغر جيدة تقريباً ولكنها تعمل بسرعة أكبر بكثير، مما يجعلها الخيار الأفضل للأنظمة التي تعمل في الوقت الفعلي والتي تحتاج إلى الاستجابة فوراً.
طوال التجارب، قاس الباحثون سرعة معالجة الكمبيوتر للصوت. ووجدوا أن النموذج الأصغر يمكنه التعامل مع عبء العمل بسرعة مذهلة، حيث يعالج الصوت بسرعة تزيد عن 600 مرة من الوقت الفعلي على الأجهزة القياسية. وهذا يعني أنه حتى شريحة كمبيوتر واحدة يمكنها التعامل مع آلاف المكالمات في وقت واحد دون تأخير. تؤكد الدراسة أنه من خلال الجمع بين نموذج قوي مسبق التدريب ومجموعة بيانات مختارة بعناية ومتخصصة في المجال، من الممكن بناء أنظمة صوتية قوية للغات وبيئات كانت تفتقر سابقاً للخدمة الكافية. لا يدعي هذا العمل أنه حل كل مشكلة في التعرف على الكلام، ولا يشير إلى أن النظام مثالي في كل موقف ممكن، بل يقدم مساراً واضحاً ومثبتاً لتكييف أدوات الذكاء الاصطناعي العامة مع عالم الاتصالات المؤسسية المحدد والصاخب وعالي المخاطر، موضحاً أنه مع البيانات الصحيحة، يمكن للآلات أن تتعلم الاستماع بقدر ما يفعل البشر عبر الهاتف.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.