فقط حرف زدن کافی نیست؛ چرا «بومی‌سازی» پاشنه آشیل ایجنت‌های صوتی هوش مصنوعی است؟

بازار ایجنت‌های صوتی هوش مصنوعی با سرعتی باورنکردنی در حال انفجار است. پیش‌بینی‌ها نشان می‌دهند ارزش این صنعت از ۲.۴ میلیارد دلار در سال ۲۰۲۴ به ۴۷.۵ میلیارد دلار تا سال ۲۰۳۴ می‌رسد. از طرف دیگر، مؤسسه پژوهشی گارتنر (Gartner) پیش‌بینی کرده که تا سال ۲۰۲۸، حدود ۷۰ درصد از مسیرهای خدمات مشتریان مستقیماً با یک رابط کاربری هوش مصنوعی گفتاری آغاز خواهد شد.

برای برندهای بین‌المللی، جذابیت این فناوری کاملاً روشن است. هوش مصنوعی صوتی این پتانسیل کم‌نظیر را در اختیار آن‌ها می‌گذارد تا در بازارهای مختلف، زبان‌های گوناگون و مناطق زمانی متفاوت، پشتیبانی یکپارچه و مقیاس‌پذیری را به مشتریان تحویل دهند.

اما این مسیر یک چالش بزرگ و پرخطر هم دارد؛ این‌که هوش مصنوعی صوتی دقیقاً به همان دردی دچار شود که سال‌ها مراکز پشتیبانی برون‌سپاری‌شده با آن دست‌به‌گریبان بودند: تفاوت‌های زبانی و فرهنگی که باعث قطع ارتباط مؤثر و کلافگی شدید بین برند و مشتری می‌شد.

به باور مدیران ارشد فناوری در کانکتا (Konecta):

با پیشرفت سریع هوش مصنوعی صوتی، شاید موانع زبانی رفته‌رفته کم‌رنگ شوند؛ اما هم‌زبان بودن با یک نفر، هرگز به معنای فهمیدن و درک واقعی او نیست.

زبان فقط تکه‌ای از این پازل بزرگ است. مشتریان در هر تعامل، لهجه‌ها، تکیه‌کلام‌ها، عادات رفتاری و انتظارات فرهنگی خاص خودشان را به همراه می‌آورند و توقع دارند پشتیبانی هوشمند، واقعیت زندگی آن‌ها را منعکس کند.

به همین خاطر، «بومی‌سازی» باید به یک آزمون بنیادین برای سنجش عملکرد هوش مصنوعی صوتی تبدیل شود، نه یک تمرین ساده ترجمه که در آخرین مراحل توسعه سرهم‌بندی می‌شود.

معنای واقعی «محلی بودن» برای هوش مصنوعی صوتی چیست؟

لهجه‌ها، گویش‌ها، اصطلاحات خاص و هنجارهای فرهنگی حتی میان کسانی که به یک زبان مشترک صحبت می‌کنند تفاوت‌های چشمگیری دارند. مثلاً در اسکاتلند، مشتری به جای «Yes» ممکن است بگوید «Aye»، برای چیزهای کوچک از لفظ «Wee» استفاده کند یا وقتی می‌خواهد بگوید «دارم می‌روم خرید»، از عبارت بومی «Getting the messages» استفاده کند! زبان رسماً انگلیسی است، اما فهمیدن این مکالمه نیازمند درک عمیق از شیوه صحبت کردن مردم آن منطقه است.

فرهنگ‌ها در میزان صراحت و ادب هم با هم فرق دارند. حتی نکته به‌ظاهر ساده‌ای مثل نحوه صدا زدن مشتری اهمیت زیادی دارد. در بعضی فرهنگ‌ها، استفاده از القاب و نام خانوادگی نشانه حیاتی احترام است، در حالی که در جاهای دیگر صدا زدن با اسم کوچک کاملاً عادی و صمیمانه تلقی می‌شود. حالا فرض کنید یک ایجنت صوتی بیش از حد خودمانی صحبت کند؛ این رفتار ممکن است نوعی بی‌ادبی برداشت شود. برعکس، اگر زیادی خشک و اداری باشد، حس سرما و غیرطبیعی بودن به مشتری می‌دهد.

خلاصه این‌که فقط به این دلیل که صدای هوش مصنوعی شبیه من است، معنایش این نیست که حرفم را هم می‌فهمد یا توانایی پشتیبانی مناسب از مشتریان بازار محلی من را دارد.

این‌ها جزئیات ظاهری یا حاشیه‌ای نیستند. این تفاوت‌های ظریف دقیقاً مشخص می‌کنند که آیا ایجنت هوش مصنوعی قصد و نیت کاربر را متوجه شده و جواب درستی می‌دهد یا نه؛ و در نهایت همین نکات است که اعتماد یا بی‌اعتمادی مشتری به کل سیستم را رقم می‌زند.

دیگر خبری از صداهای بی‌روح و روباتیک گذشته نیست

البته شکی نیست که هوش مصنوعی جهش فوق‌العاده‌ای داشته است. دلیلی دارد که این همه برند بزرگ روی هوش مصنوعی صوتی برای ارتقای تجربه مشتری سرمایه‌گذاری می‌کنند؛ این صداها حالا به شدت طبیعی و باورپذیر شده‌اند. کافی است به پلتفرم محبوبی مثل ایلون‌لبز (ElevenLabs) نگاه کنید.

این استارتاپ موفقیت چشمگیر خود را روی صداهای تولیدشده با هوش مصنوعی ساخته که نه فقط کلمات را می‌خوانند، بلکه ریتم، لحن و احساساتی که به صدا روح انسانی می‌بخشد را هم بازآفرینی می‌کنند. فناوری ElevenLabs از شبیه‌سازی دقیق صدا گرفته تا مکالمات چندزبانه و ایجنت‌های گفتاری را در بر می‌گیرد و صدای مصنوعی را از یک پدیده فانتزی به ابزاری کاربردی تبدیل کرده که کسب‌وکارها می‌توانند در مقیاس بالا از آن استفاده کنند.

روزگاری که با شنیدن اولین کلمه از یک صدای مصنوعی متوجه روباتیک بودنش می‌شدید گذشته است. صداهای دیجیتالی اولیه مثل «مایکروسافت سم» (Microsoft Sam) جای هیچ شکی باقی نمی‌گذاشتند که دارید با یک ماشین صحبت می‌کنید! اما امروزه تشخیص مرز بین انسان و هوش مصنوعی بسیار دشوار شده است. هر چقدر هوش مصنوعی صوتی طبیعی‌تر می‌شود، مکالمه با آن کمتر شبیه کار با یک ابزار فناوری و بیشتر شبیه ارتباط با یک انسان واقعی به نظر می‌رسد.

قدرت این فناوری در ایجاد حس حضور فراتر از بخش خدمات مشتریان هم رفته است. حتی بازیگران مشهوری مثل متیو مک‌کانهی (Matthew McConaughey) نیز از فناوری صدای هوش مصنوعی حمایت کرده‌اند؛ سیستمی که می‌تواند بدون نیاز به ضبط مداوم، بازی و لحن خاص آن‌ها را بازآفرینی کند و نشان می‌دهد سرنخ‌های صوتی چقدر در ادراک ما اثرگذارند.

با این حال، پیشرفته‌ترین تجربیات صوتی هنوز همه‌گیر نشده‌اند و خیلی از کاربران همچنان با هوش مصنوعی صوتی نارس و ضعیف سروکار دارند. از طرفی، انسان‌ها در تشخیص کوچک‌ترین ناهماهنگی‌های حسی فوق‌العاده تیزبین هستند؛ پدیده‌ای که اثر «دره وهمی» (Uncanny Valley) نامیده می‌شود.

یک مکث نابجا، تکیه غلط روی کلمات یا پاسخی با ذوق‌زدگی عجیب، خیلی سریع این حس طبیعی بودن را نابود می‌کند. بافت فرهنگی محلی هم این چالش را پیچیده‌تر می‌کند؛ یک صدا ممکن است از نظر صوتی بی‌نقص باشد، اما از نظر فرهنگی کاملاً بی‌ربط به نظر برسد. جالب اینجاست که هر چه هوش مصنوعی به لحن انسان نزدیک‌تر می‌شود، این لغزش‌های کوچک بیشتر به چشم می‌آیند.

برندهای جهانی نمی‌توانند به یک نسخه واحد بسنده کنند

اینجا همان نقطه‌ای است که شرکت‌های بزرگ باید جلوی وسوسه دیدن هوش مصنوعی صوتی به عنوان یک «محصول تک‌نسخه‌ای برای همه دنیا» بایستند.

شاید یک مدل پیشتاز (Frontier Model) پایه و زیرساخت لازم را فراهم کند، اما عملکردش باید حتماً با داده‌های بومی و مکالمات واقعی مشتریان آزموده شود تا معنای «پاسخ ایده‌آل» را در موارد زیر یاد بگیرد:

• حس همدلی و درکی که خشم و کلافگی مشتری شاکی را فروبنشاند.

• اصطلاحات و تکیه‌کلام‌های خاصی که مردم آن منطقه در واقعیت به کار می‌برند.

• فراز و فرود صوتی و لحنی که در گوش مخاطب کاملاً طبیعی بنشیند.

هیچ‌کدام از این موارد را نمی‌شود صرفاً از یک مدل هوش مصنوعی کلی استخراج کرد؛ این‌ها چیزهایی هستند که باید بازار به بازار و برند به برند به سیستم یاد داده شوند. ایجنت‌های صوتی موفق چرخه‌ای از بازخورد مستمر خواهند داشت که دائماً مکالمات را در بازارهای گوناگون پایش می‌کند، نقاط اصطکاک و سوءتفاهم را می‌شناسد، تجربه مکالمه را اصلاح می‌کند و دوباره مورد سنجش قرار می‌دهد.

تیم‌های محلی هم می‌توانند نقشی حیاتی در این مسیر داشته باشند و تجربه و شناخت خود از بازار بومی را وارد روند توسعه کنند، نه این‌که فقط یک محصول نهایی آماده را تحویل بگیرند.

این فرایندی نیست که بشود آن را پایان‌یافته دانست؛ زبان روزمره و اصطلاحات کوچه و بازار مدام تغییر می‌کنند، انتظارات مشتریان عوض می‌شود و اصطلاحات و ترندهای جدیدی شکل می‌گیرند که در داده‌های اولیه آموزش مدل حضور نداشته‌اند.

حرف آخر: درک شدن مهم‌تر از بلد بودن زبان است

اشتباه کردن در این زمینه می‌تواند به اعتبار یک برند ضربه جدی بزند؛ زیرا هر چه هوش مصنوعی صوتی طبیعی‌تر رفتار کند، توقع مشتریان هم از درک کلامی آن بالاتر می‌رود.

به‌عنوان نمونه، شورای شهر دربی در بریتانیا اخیراً با دستیار هوش مصنوعی خود به نام «دارسی» (Darcie) به چنین مشکلی برخورد؛ این دستیار با وجود ارتقا برای پشتیبانی از ۹ زبان جدید، نتوانست لهجه غلیظ یک مجری بومی دربی‌شر را که از اصطلاحات محلی مثل «mardy» (بدقلق) و «duck» (عزیزم) استفاده می‌کرد، متوجه شود!

این اتفاق یادآوری هوشمندانه‌ای است که نشان می‌دهد «چندزبانه بودن» به هیچ وجه به معنای «بومی‌سازی» نیست. وقتی سیستمی دائماً لهجه مشتری را نفهمد یا اصطلاحات روزمره را تشخیص ندهد، کاربر آن را صرفاً یک نقص فنی نخواهد دید، بلکه آن را بی‌توجهی خود سازمان برداشت می‌کند.

در نهایت، برندهایی که بیشترین منفعت را از رونق هوش مصنوعی صوتی خواهند برد، آن‌هایی نیستند که ایجنت‌هایشان به تمام ۷۱۷۰ زبان شناخته‌شده دنیا صحبت می‌کنند؛ بلکه آن‌هایی برنده میدان خواهند بود که مشتری در گفتگو با آن‌ها، واقعاً حس کند شنیده و فهمیده شده است.