לפני כמה עשורים, אם היינו אומרים למישהו שאנחנו יכולים לבצע הזמנה של מוצר או שירות פשוט על ידי דיבור עם מכונה, אנשים היו מסווגים אותנו כמוזרים. אבל היום, זה חלום פרוע כזה שהתגשם.
ההתחלה וההתפתחות של טכנולוגיית זיהוי הדיבור היו מרתקות כמו עליית הבינה המלאכותית (AI) או למידת מכונה (ML). העובדה שאנו יכולים להשמיע פקודות למכשירים עם אפס ממשקים גלויים היא מהפכה הנדסית, שצברת מקרי שימוש מגוונים ומשנים.
כדי לשים את הדברים בפרספקטיבה, נגמר 4.2 מיליארד עוזרים קוליים פעילים היום ודיווחים מגלים שעד סוף 2024 זה יוכפל ל-8.4 מיליארד. חוץ מזה, יותר ממיליארד חיפושים מונעים קוליים מתבצעים מדי חודש. זה מעצב מחדש את הדרך בה אנו ניגשים למידע שכן למעלה מ-1% מהאנשים ניגשים לחיפוש קולי על בסיס יומי.
החלקות והנוחות שהטכנולוגיה מציעה אפשרו למומחים טכנולוגיים ליצור אסטרטגיה של יישומים מרובים, כולל:
- תמלול הערות פגישה, מסמכים משפטיים, סרטונים, פודקאסטים ועוד
- אוטומציה של שירות לקוחות באמצעות IVR - תגובה קולית אינטראקטיבית
- דמוקרטיזציה של למידה עממית בחינוך
- עוזרי ניווט בסיוע קול וביצוע פקודות ברכב
- אפליקציות מופעלות קול בקמעונאות למסחר קולי ועוד
ככל שהטכנולוגיה הזו צוברת בולטות ותלות מוגברת, עלינו להפחית מגוון אתגרי זיהוי דיבור גַם כֵּן. מהטיה מולדת בהכרה ובהבנה של מבטאים שונים ועד לדאגות פרטיות, יש לנכות כמה אתגרים וחששות כדי לסלול את הדרך לאקוסיסטם חלק המאפשר קול.
בסופו של דבר, היעילות של טכנולוגיה זו מצביעה על אימון AI ובסופו של דבר אתגרי איסוף נתוני קול. אז בואו נחקור כמה מהחששות הדחופים ביותר במגזר זה.
[קרא גם: המדריך המלא ל-Conversational AI]
אתגרי זיהוי קול בשנת 2024
מגוון שפות ומבטאים
למעשה, כל מכשיר הוא היום עוזר קולי. מטלוויזיות חכמות ועוזרים אישיים ועד לסמארטפונים ואפילו מקררים, לכל מכונה יש מיקרופון משובץ ומתחברת לאינטרנט, מה שהופך אותה למוכנה לזיהוי דיבור.
אמנם זו דוגמה מצוינת לגלובליזציה, אך יש לגשת אליה גם בהקשר של לוקליזציה. היופי בשפות הוא שיש אינספור מבטאים, ניבים, הגיות, מהירות, טון וניואנסים אחרים.
כאשר מאבקי זיהוי דיבור נמצאים בהבנת מגוון כזה בדיבור מהאוכלוסייה העולמית, זו הסיבה שחלק מהמכשירים נאבקים לאחזר את המידע הנכון שהמשתמשים מחפשים או שולפים מידע לא רלוונטי על סמך הבנתם את הקול.
עלויות גבוהות של איסוף נתונים
איסוף נתונים מאנשים מהעולם האמיתי כרוך בהשקעות כבדות. המונח איסוף נתונים הוא בעיקרו מקיף ולעתים קרובות מובן רק במעורפל. כאשר אנו מזכירים את איסוף הנתונים ואת ההוצאות הכרוכות בו, אנו מתכוונים גם למאמצים במונחים של:
- דרישות נפח נתוני הדיבור תלויות באופן דינמי בעלויות ההקלטה והמאסטרינג. חוץ מזה, ההוצאות עשויות להשתנות בהתאם לתחום היישום, כאשר נתוני דיבור רפואי יכולים להיות יקרים יותר מנתוני קול קמעונאיים, בעיקר בשל מחסור בנתונים.
- הוצאות תמלול והערות הכרוכות בהפיכת נתוני דיבור גולמיים לנתונים הניתנים לאימון במודל
- הוצאות ניקוי נתונים ובקרת איכות להסרת רעשים, צלילי רקע, שתיקות ממושכות, שגיאות בדיבור ועוד
- הוצאות הכרוכות בפיצויים לתורמים
- בעיות מדרגיות שבהן העלויות מוסלמות לאורך זמן ועוד
זמן כהוצאה באיסוף נתונים
ישנם שני סוגים נפרדים של הוצאות - כסף ושווה כסף. בעוד שעלויות מצביעות על כסף, המאמצים והזמן המושקעים באיסוף נתוני קול תורמים לערך הכסף. ללא קשר להיקף הפרויקט, איסוף נתוני קול כרוך לוחות זמנים ארוכים באיסוף נתונים.
שלא כמו איסוף נתוני תמונה, הזמן הנדרש ליישום בדיקות איכות הוא יותר. חוץ מזה, ישנם מספר גורמים המשפיעים על כל קובץ קול שנבדק בסדר. זה יכול לקחת זמן כדי:
- תקן פורמטים של קבצים כגון mp3, ogg, flac ועוד
- סימון קבצי שמע רועשים ומעוותים
- סיווג ודחיית רגשות וטונים בנתוני קול ועוד
אתגרים סביב פרטיות נתונים ורגישות
אם אתה חושב על זה, קולו של אדם הוא חלק מהביומטרי שלו. בדומה לאופן שבו זיהוי פנים ורשתית משמשים כשערים להשגת גישה לנקודת כניסה מוגבלת, גם קולו של אדם הוא מאפיין מובהק.
כאשר זה כל כך אישי, זה מתורגם אוטומטית לפרטיות של אדם. אז איך מבססים סודיות נתונים ועדיין מצליחים לעמוד בדרישות הנפח שלך בקנה מידה?
כשמדובר בשימוש בנתוני לקוחות, זה תחום אפור. משתמשים לא ירצו לתרום באופן פסיבי לתהליכי אופטימיזציית הביצועים של מודל הקול שלך ללא תמריצים. אפילו עם תמריצים, טכניקות חודרניות יכולות גם לגרום לתגובת נגד.
למרות ששקיפות היא המפתח, היא עדיין לא פותרת את דרישות הנפח שמחייבות פרויקטים.
[קרא גם: זיהוי דיבור אוטומטי (ASR): כל מה שמתחיל צריך לדעת]
פתרון לתיקון הוצאות כסף וציר זמן בנתוני קול
שותף עם ספק נתונים קוליים
מיקור חוץ הוא התשובה הקצרה ביותר לאתגר הזה. קיום צוות פנימי להרכבה, עיבוד, ביקורת והדרכה של נתונים קוליים נשמע בר ביצוע אך מייגע לחלוטין. זה דורש אינספור שעות אנושיות לביצוע, מה גם שאומר שהצוותים שלך בסופו של דבר יקדישו יותר זמן בביצוע משימות מיותרות מאשר בחידוש וחידוד תוצאות. עם אתיקה ואחריות גם במשוואה, הפתרון האידיאלי הוא לפנות לספק שירותי נתוני קול מהימן כמונו - שייפ.
פתרון לתיקון שונות של מבטא ודיאלקט
הפתרון שאין להכחישה לכך הוא הבאת גיוון עשיר בנתוני דיבור המשמשים לאימון מודלים מבוססי AI קוליים. ככל שמגוון העדות והדיאלקטים רחב יותר, כך המודל מאומן להבין הבדלים בניבים, מבטאים והגיות.
הדרך קדימה
ככל שנתקדם עוד יותר בדרך להשגת מציאות חלופית מבוססת טכנולוגיה, מודלים ופתרונות קול רק יהיו אינטגרליים יותר. הדרך האידיאלית היא לקחת את מסלול מיקור החוץ כדי להבטיח קנה מידה איכותי, אתי ומסיבי של נתוני קול מוכנים לאימון נמסרים הבטחות וביקורות לאחר איכות.
זה בדיוק מה שגם אנחנו בשיפ מצטיינים בו. מגוון נתוני הדיבור המגוון שלנו מבטיח שהדרישות של הפרויקט שלך ייענו בצורה חלקה ויושלמו גם לשלמות.
אנו קוראים לך ליצור איתנו קשר עבור הדרישות שלך.
