कन्वर्सेशनल AI डिज़ाइन: कैसे बनाएं और भी इंसानी यूज़र एक्सपीरियंस
- लेखक
- Jack Limebear
- प्रकाशित
- आखिरी बार अपडेट किया गया
सुनेंइस आर्टिकल को सुनें
कन्वर्सेशनल AI डिज़ाइन का मतलब पहले डिसीजन ट्री बनाना होता था। शुरुआती चैटबॉट और IVR मेन्यू सख्त, पहले से लिखी गई शाखाओं पर काम करते थे: बिलिंग के लिए 1 दबाएं, "हां" या "नहीं" कहें और उम्मीद करें कि ग्राहक का सवाल आपके अनुमानित रास्तों में से किसी एक से मेल खाए। यह मॉडल केवल तब तक काम करता था, जब तक बातचीत उसी दायरे में रहती थी जो आपने पहले से बनाया था।
AI एजेंट्स ने यह बाधा हटा दी। अब वे रीयल टाइम में बातचीत को समझ सकते हैं, नॉलेज बेस से जानकारी ले सकते हैं, टूल कॉल कर सकते हैं और पहले कही गई बातों को याद रख सकते हैं, इसलिए वे अब किसी तय स्क्रिप्ट तक सीमित नहीं हैं।
हालांकि, इस बदलाव ने कन्वर्सेशनल AI डिज़ाइन की ज़रूरत खत्म नहीं की। बल्कि, मानक और ऊंचे हो गए। किसी सख्त स्क्रिप्ट का सहारा न होने पर, एजेंट की पर्सोना, वर्कफ़्लो और डिसीजन पॉइंट्स इतने अच्छी तरह तय होने चाहिए कि वे पहले से तय बातचीत के बजाय खुली, रीयल-टाइम बातचीत में भी काम करें।
इस गाइड में जानें कि चैट और वॉइस एजेंट्स के लिए कन्वर्सेशनल AI डिज़ाइन का असल मतलब क्या है, जिन मेट्रिक्स के आधार पर आपका मूल्यांकन होता है उनके लिए यह क्यों मायने रखता है, और इसे ज़्यादा स्वाभाविक बनाने के लिए आपको क्या ऑप्टिमाइज़ करना चाहिए। इसे सही करें और आप ऐसे AI एजेंट्स तैनात कर सकते हैं जो ग्राहकों से जुड़ें और तेज़, बेहतर सेवा दें।
सारांश
- कन्वर्सेशनल AI डिज़ाइन का मतलब है AI एजेंट के संवाद को इस तरह संरचित और ऑप्टिमाइज़ करना कि बातचीत स्वाभाविक लगे।
- वॉइस AI, टेक्स्ट की तुलना में कम गलतियों को माफ़ करता है, क्योंकि चैट इंटरफ़ेस में अनदेखी रह जाने वाली वॉइस, लेटेंसी और टाइमिंग की समस्याएं वॉइस बातचीत को रोबोटिक बना सकती हैं।
- ElevenAgents में ऐसे फीचर्स का संयोजन है जिनसे आप वॉइस, पर्सोना और बातचीत के प्रवाह को नियंत्रित कर सकते हैं और हर चैनल पर लेटेंसी ऑप्टिमाइज़ कर सकते हैं, ताकि इंसानों जैसे AI वॉइस और चैट एजेंट्स बनाए जा सकें।
कन्वर्सेशनल AI डिज़ाइन क्या है?
कन्वर्सेशनल AI डिज़ाइन, AI एजेंट के व्यवहार को कॉन्फ़िगर करने की UX प्रक्रिया है। इसमें उसकी पर्सोना से लेकर उसके इस्तेमाल किए जाने वाले गार्डरेल्स, वर्कफ़्लो और नॉलेज बेस तक सब शामिल है। ये सभी मिलकर बातचीत को प्रोडक्ट अनुभव के किसी भी दूसरे हिस्से जितना सहज बनाते हैं।
हालांकि, यह कॉन्फ़िगरेशन हर जगह एक जैसी नहीं होती। एजेंट्स एक ही कॉन्फ़िगरेशन से चैट, वॉइस या SMS जैसे कई चैनलों पर चल सकते हैं। हर चैनल की अपनी सीमाएं हैं, लेकिन वॉइस में ये सबसे सख्त होती हैं। जब वॉइस एजेंट के चैनलों में से एक हो, तो उसे वॉइस चुननी और बोलनी होती है, रीयल टाइम में गति और टर्न-टेकिंग संभालनी होती है, और जवाब इतनी जल्दी देना होता है कि विराम कॉल कटने जैसा न लगे। चैट में यह सब वैकल्पिक हो सकता है, जहां थोड़ा धीमा या अधूरा जवाब शायद ही बातचीत को बाधित करता है।
चैट एजेंट के लिए कन्वर्सेशनल AI डिज़ाइन लागू करते समय किन बातों पर ध्यान देना है, और वॉइस इसमें क्या अतिरिक्त जोड़ता है, यह जानें।
ग्राहक इन सभी पहलुओं को जानबूझकर नहीं आंकते। उन्हें बस तब पता चलता है जब कुछ गड़बड़ लगता है, और यही एहसास पूरे एजेंट पर उनके भरोसे को कम करने के लिए काफी है, जिससे वे लक्ष्य प्रभावित हो सकते हैं जिनके लिए आपने इसे तैनात किया था।
बेहतरीन यूज़र अनुभव के लिए कन्वर्सेशनल AI डिज़ाइन क्यों ज़रूरी है
ऊपर बताए गए हर पहलू का, टर्न-टेकिंग से लेकर लेटेंसी और पर्सोना तक, उस अहम पल में आपके ब्रांड के बारे में ग्राहक की धारणा पर असर पड़ता है, जब वह समर्थक या आलोचक बन सकता है। यही धारणा सीधे उन मेट्रिक्स में दिखती है जिनके आधार पर टीमों का मूल्यांकन होता है।
- ज़्यादा संतुष्टि और समाधान दर: जब एजेंट तुरंत जवाब देता है और असहज ढंग से बीच में नहीं टोकता, तो ग्राहक बातचीत को बेहतर रेट करते हैं।
- कम बातचीत छोड़ना: ग्राहक सिर्फ लंबे इंतज़ार के कारण बातचीत नहीं छोड़ते। अपेक्षाओं से अलग डिलीवरी—चाहे कॉल में अजीब विराम हो या चैट में रूखा, ब्रांड से मेल न खाने वाला जवाब—बातचीत खत्म करने की वही इच्छा पैदा कर सकती है।
- तेज़ समाधान समय: स्पष्ट बातचीत-प्रवाह सेटिंग्स और अच्छी तरह मैप किए गए वर्कफ़्लो का मतलब है कम अटके हुए रास्ते, बार-बार पूछे गए सवाल और "मैं आपको ट्रांसफर करता हूं" वाले पल।
- मानव एजेंट्स को कम एस्केलेशन: जब एजेंट बातचीत के प्रवाह को स्वाभाविक रूप से संभालता है और तय वर्कफ़्लो का पालन करता है, तो वह ग्राहक को किसी व्यक्ति से बात करने के लिए मजबूर करने के बजाय पहली कोशिश में ज़्यादा मामलों का समाधान करता है।
उदाहरण के लिए, eDreams ODIGEO को देखें, जो दुनिया के सबसे बड़े ऑनलाइन ट्रैवल प्लेटफ़ॉर्म्स में से एक है। उन्होंने पांच प्रमुख भाषाओं में ElevenAgents के साथ AI एजेंट्स तैनात किए और समाधान की गति में दो अंकों का सुधार तथा कॉल ट्रांसफर दरों में दो अंकों की कमी देखी। इसमें लो-लेटेंसी वॉइस सिंथेसिस और हर कॉल की शुरुआत में अधिक सटीक इंटेंट रिकग्निशन का भी योगदान था। ऐसे नतीजे केवल बातचीत के डिज़ाइन के अलावा कई पहलुओं पर निर्भर करते हैं, लेकिन वे दिखाते हैं कि अच्छा कन्वर्सेशनल AI डिज़ाइन क्या संभव बनाता है।
ElevenAgents में कन्वर्सेशनल AI डिज़ाइन कैसे काम करता है
ElevenAgents में आप पर्सोना, वॉइस, टर्न-टेकिंग, हैंडऑफ़ और लेटेंसी जैसी चीज़ों को ऑप्टिमाइज़ कर सकते हैं—यही वे कारक हैं जो तय करते हैं कि एजेंट इंसानों जैसा लगेगा या नहीं। जानें कि हर पहलू को कैसे कॉन्फ़िगर और ऑप्टिमाइज़ करें, ताकि आपका एजेंट असली बातचीत में अपनी भूमिका अच्छी तरह निभा सके।
पर्सोना और वॉइस चयन
पर्सोना ग्राहक का पहला प्रभाव तय करती है, और असंगति बातचीत शुरू होने से पहले ही भरोसा कम कर देती है। दोस्ताना रिटेल ब्रांड के लिए बहुत औपचारिक पर्सोना ग्राहकों को उपयोगी बात कहने से पहले ही एजेंट पर शक करने लगती है। इसे सिस्टम प्रॉम्प्ट में बनाना शुरू करें, जहां आप किसी और चीज़ से पहले एजेंट की भूमिका, व्यक्तित्व और गार्डरेल्स तय करते हैं।
वॉइस एजेंट्स के लिए, पर्सोना वॉइस में भी झलकनी चाहिए। किसी वित्तीय कॉल के लिए बहुत अनौपचारिक वॉइस वही संदेश देती है जो टेक्स्ट में बेमेल पर्सोना देती है, इसलिए वॉइस चुनना भी उसी काम का हिस्सा है। शुरुआत यहां से करें:
- वॉइस चयन: वॉइस को अपने ब्रांड, ऑडियंस और विषय के अनुसार चुनें। एक्सेंट, जेंडर और टोन, सभी किसी खास कॉलर का भरोसा बनाने और बातचीत का माहौल तय करने में मदद करते हैं।
- बहुभाषी सहायता: सभी मार्केट्स में एक ही वॉइस डिफ़ॉल्ट करने के बजाय, हर समर्थित भाषा के लिए वॉइस चुनें। भाषाओं में जबरन इस्तेमाल की गई एक ही वॉइस कम से कम एक भाषा में विदेशी लगती है, जिससे वह भरोसा कम होता है जो आप बनाना चाहते हैं।
ElevenAgents आपको वॉइस लाइब्रेरी में 11,000+ वॉइसेज़ का एक्सेस देता है, जहां आप एक्सेंट, कैरेक्टर और इस्तेमाल के मामले से खोज सकते हैं, इसलिए आपको शायद ही कभी बिल्कुल शुरुआत से काम करना पड़ता है। अगर इनमें से कोई उपयुक्त न हो, तो आपके पास दो और विकल्प हैं: छोटे ऑडियो सैंपल से मौजूदा वॉइस क्लोन करें या शुरुआत से एक वॉइस डिज़ाइन करें और टेक्स्ट प्रॉम्प्ट में अपनी पसंद की उम्र, एक्सेंट, टोन और गति बताएं।
बातचीत-प्रवाह सेटिंग्स
वॉइस में बातचीत सबसे सख्त समय-सीमा पर चलती है। चैट के उलट, जहां विराम सिर्फ खाली जगह है, कॉल में लय का टूटना तुरंत सन्नाटे या कॉल कटने जैसा लगता है। यह लय सही बनाना वॉइस एजेंट को बातचीत का स्वाभाविक हिस्सा महसूस कराने का सबसे बड़ा उपाय है, और इसकी शुरुआत टर्न-टेकिंग मॉडल से होती है।
ElevenLabs का टर्न-टेकिंग मॉडल रिसर्च-आधारित सिस्टम है, जो सिर्फ रुकने और बोलने वाले के वास्तव में बोलना खत्म करने के बीच फर्क पहचानने के लिए बनाया गया है। इससे यह तय कर पाता है कि एजेंट को कब जवाब देना चाहिए, बजाय किसी तय देरी के आधार पर अनुमान लगाने के।
इसके अलावा, बातचीत के प्रवाह को सही करने के लिए आप इन सेटिंग्स को बदल सकते हैं:
- टर्न टाइमआउट: जवाब देने से पहले एजेंट कितनी देर चुप रहता है, ताकि ग्राहक के सोचते समय वह बीच में न बोले या ग्राहक के खत्म करने के बाद उसे इंतज़ार में न रखे।
- सॉफ्ट टाइमआउट: प्रोसेसिंग के दौरान आए विराम को भरने के लिए एजेंट का छोटा वाक्यांश, जैसे "एक पल" या "मैं देखता हूं," ताकि ग्राहक को कॉल कटने का न लगे। ऐसा फिलर इस्तेमाल न करें जो कोई तय समय बताए, जैसे "एक सेकंड", क्योंकि असल रिस्पॉन्स टाइम अलग-अलग होते हैं।
- बात के बीच बोलना: जब ग्राहक एजेंट के ऊपर बोलना शुरू करे, तो एजेंट बोले या रुक जाए। स्वाभाविक बातचीत के लिए इसे चालू करें। कानूनी डिस्क्लेमर, सुरक्षा निर्देश और ऐसी किसी भी बात के लिए इसे बंद करें जिसे पूरा सुनना ज़रूरी है।
- टर्न ईगरनेस: ग्राहक के बोलना बंद करने के बाद एजेंट कितनी जल्दी जवाब देता है। "Eager" कस्टमर सर्विस के लिए सही है, जहां तेज़ जवाब सबसे ज़रूरी होते हैं। फोन नंबर या ईमेल एड्रेस जैसी ग्राहक जानकारी लेते समय "Patient" बेहतर है, ताकि एजेंट ग्राहक को नंबर के बीच में न रोके। सामान्य बातचीत के लिए "Normal" अच्छा डिफ़ॉल्ट है।
यहां छोटे बदलाव भी बड़ा असर डालते हैं। टाइमआउट में हल्का सा बदलाव भी ऐसे एजेंट के बीच फर्क ला सकता है जो ध्यान देने वाला लगे और ऐसे एजेंट के बीच जो लोगों को बीच में रोक रहा हो।
वर्कफ़्लो, हैंडऑफ़ डिज़ाइन और स्क्रिप्टिंग
वर्कफ़्लो वे जगह हैं जहां ElevenAgents में कन्वर्सेशनल AI डिज़ाइन का बड़ा हिस्सा व्यवहार में आता है। वे तय करते हैं कि क्या होगा और कब होगा: डिसीजन पॉइंट्स, एस्केलेशन पाथ, हैंडऑफ़—वह सब जो अन्यथा एजेंट के इम्प्रोवाइज़ करने के लिए छोड़ दिया जाता।
आपके एजेंट को बेहतर बनाने के लिए वर्कफ़्लो दो अन्य सिस्टम्स के साथ काम करते हैं। सिस्टम प्रॉम्प्ट एजेंट का मूल व्यवहार तय करता है, जैसे उसकी भूमिका, टोन और वह क्या कहेगा या नहीं कहेगा, खास मौकों पर जैसे अभिवादन या हैंडऑफ़। प्रोसीजर्स किसी एक स्पष्ट रूप से तय काम के लिए ज़्यादा निर्देशात्मक विकल्प हैं, जैसे ग्राहक की पहचान सत्यापित करना या रिटर्न की प्रक्रिया बताना। ग्राहक की बात के आधार पर अलग-अलग रास्ते अपनाने के बजाय, वे बातचीत जैसी भी हो, शुरुआत से अंत तक एक तय क्रम का चरण-दर-चरण पालन करते हैं।
अपने एजेंट को बनाना शुरू करने का सबसे आसान तरीका पहले से बने एजेंट टेम्पलेट्स इस्तेमाल करना है, जिनमें वर्कफ़्लो और सिस्टम प्रॉम्प्ट, दोनों के लिए शुरुआती आधार होता है। यानी आपको शुरुआत से बनाने के बजाय फाइनट्यून करना होता है। इन्हें अपना बनाने के लिए आप इन बदलावों से शुरुआत कर सकते हैं:
- डिसीजन मैपिंग: हर डिसीजन पॉइंट पर एजेंट को क्या करना है, इसे ठीक-ठीक मैप करें, ताकि शुरुआत से समाधान तक पूरी बातचीत तय हो। सबएजेंट नोड्स की मदद से आप प्रवाह के खास बिंदुओं पर सिस्टम प्रॉम्प्ट, मॉडल या वॉइस तक बदल सकते हैं, ताकि संवेदनशील वेरिफ़िकेशन चरण कॉल में पहले हुई सामान्य बातचीत की तुलना में सख्त गार्डरेल्स के तहत चल सके।
- एस्केलेशन ट्रिगर्स: किसी मानव को हैंडऑफ़ करने के लिए स्पष्ट ट्रिगर्स तय करें, जिन्हें उसी समय फैसला करने के लिए एजेंट पर छोड़ने के बजाय वर्कफ़्लो में शामिल किया गया हो। उदाहरण के लिए, दो कोशिशों के बाद समस्या हल न हो, ग्राहक सुपरवाइज़र मांगे, या लेनदेन इतना संवेदनशील या उच्च-मूल्य का हो कि किसी व्यक्ति की ज़रूरत पड़े, तो एस्केलेट करें।
- हैंडऑफ़ संदर्भ: सिस्टम प्रॉम्प्ट में तय करें कि ट्रांसफर से पहले एजेंट को क्या इकट्ठा करना चाहिए, जैसे ऑर्डर ID या अकाउंट नंबर, और किन स्थितियों में हैंडऑफ़ होना चाहिए। फिर इन सहेजी गई जानकारियों को ट्रांसफर टूल के कॉन्फ़िगरेशन से मैप करें, ताकि वे अपने-आप ट्रांसफर हो जाएं और ग्राहक को मानव प्रतिनिधि को अपनी बात दोहरानी न पड़े।
- स्क्रिप्टेड वाक्यांश: सिस्टम प्रॉम्प्ट में अहम पलों के लिए सटीक शब्द तय करें। शुरुआती अभिवादन, एरर मैसेज, कानूनी डिस्क्लेमर और एस्केलेशन हैंडऑफ़ को कभी भी एजेंट के उसी समय इम्प्रोवाइज़ करने के लिए नहीं छोड़ना चाहिए। "मुझे अभी उस जानकारी तक पहुंचने में दिक्कत हो रही है" जैसी सटीक लाइन, कुछ गड़बड़ होने पर एजेंट के वाक्य गढ़ने के अनुमान से ज़्यादा भरोसेमंद है।
वर्कफ़्लो खुद ElevenAgents में एक विज़ुअल ग्राफ़ के रूप में बनाया जाता है, जिसमें हर डिसीजन पॉइंट और एस्केलेशन ट्रिगर ऐसे नोड के रूप में मैप होता है जिसे आप सीधे देख और एडिट कर सकते हैं।
लाइव होने के बाद, एनालिटिक्स उसी ग्राफ़ पर असली बातचीत का डेटा ओवरले करता है, ताकि आप ठीक-ठीक देख सकें कि ग्राहक कहां अटक रहे हैं या बातचीत छोड़ रहे हैं, और बिना अनुमान लगाए उसे ठीक कर सकें।
लेटेंसी और परफ़ॉर्मेंस
लेटेंसी उन सबसे बड़े कारकों में से एक है जो तय करते हैं कि बातचीत इंसानों जैसी लगेगी या नहीं। धीमा जवाब ग्राहक को यह याद दिलाने के सबसे तेज़ तरीकों में से एक है कि वे मशीन से बात कर रहे हैं, भले ही बातचीत की बाकी हर बात अच्छी चल रही हो।
एजेंट चैट पर चले या वॉइस पर, पाइपलाइन का हर हिस्सा अपनी लेटेंसी जोड़ता है। इनमें से कुछ दोनों पर लागू होते हैं। दूसरे केवल तब लागू होते हैं जब वॉइस भी इसमें शामिल हो।
- LLM: हर मॉडल चुनने में लागत, रीजनिंग क्वालिटी और गति के बीच संतुलन बनाना होता है, और सही संतुलन बातचीत पर निर्भर करता है। FAQs या अपॉइंटमेंट कन्फ़र्मेशन जैसी सरल, बार-बार होने वाली बातचीत अनुभव खराब किए बिना तेज़, हल्के मॉडल पर चल सकती है। वित्तीय सलाह या कई चरणों वाली ट्रबलशूटिंग जैसे जटिल कामों के लिए, थोड़ा धीमा जवाब देने पर भी आमतौर पर बेहतर रीजनिंग मॉडल के लिए भुगतान करना सही रहता है।
- नॉलेज बेस और RAG: एजेंट के जवाब देने से पहले हर नॉलेज बेस लुकअप एक राउंड ट्रिप जोड़ता है, इसलिए छोटा और केंद्रित नॉलेज बेस, व्यापक रूप से खोजे जाने वाले नॉलेज बेस से तेज़ जवाब देता है।
- इंटीग्रेशंस और टूल कॉल्स: हर बाहरी टूल कॉल, जैसे Salesforce में ऑर्डर देखना या कैलेंडर में उपलब्धता जांचना, अपना राउंड ट्रिप जोड़ता है। टूल के स्पष्ट विवरण लिखें ताकि एजेंट यह तय करने में न रुके कि किसे कॉल करना है, और केवल वही टूल कॉल करें जिनकी बातचीत को सच में ज़रूरत हो।
- भौगोलिक क्षेत्र और डेटा होस्टिंग: अपने ElevenAgents क्षेत्र को उस क्षेत्र से मिलाएं जहां आपका डेटा होस्ट है, और फोन-आधारित डिप्लॉयमेंट के लिए अपने टेलीफोनी प्रोवाइडर के क्षेत्र से भी मिलाएं (Twilio, SIP या अन्य)। अगर एजेंट का क्षेत्र और कॉल गेटवे का क्षेत्र दुनिया के अलग-अलग सिरों पर हैं, तो यह दूरी बातचीत शुरू होने से पहले ही लेटेंसी जोड़ देती है।
- स्पीच टू टेक्स्ट (केवल वॉइस): एजेंट के किसी बात पर विचार करने से पहले Scribe ग्राहक की बात को ट्रांसक्राइब करता है। लाइव बातचीत के लिए बैच वर्ज़न के बजाय रीयल-टाइम वर्ज़न (Scribe v2 Realtime) इस्तेमाल करें, क्योंकि बैच वर्ज़न गति के बजाय सटीकता के लिए बनाया गया है।
- टर्न-टेकिंग (केवल वॉइस): यह तय करता है कि एजेंट जवाब देने का निर्णय कब लेता है, जिसके बारे में ऊपर विस्तार से बताया गया है। इसे खुद में एक लेटेंसी कारक के रूप में याद रखना उपयोगी है, क्योंकि टर्न खत्म होने का पता लगाने में हिचकने वाला मॉडल, बाकी पाइपलाइन शुरू होने से पहले ही देरी जोड़ देता है।
- टेक्स्ट टू स्पीच और वॉइस चयन (केवल वॉइस): डिफ़ॉल्ट और सिंथेटिक वॉइसेज़, साथ ही इंस्टेंट वॉइस क्लोन्स, प्रोफेशनल वॉइस क्लोन्स से तेज़ जवाब देते हैं। प्रोफेशनल वॉइस क्लोन्स का इस्तेमाल सिर्फ वहीं करें जहां अतिरिक्त गुणवत्ता लेटेंसी के समझौते के लायक हो।
लेटेंसी को और करीब से समझने के लिए, देखें लेटेंसी ऑप्टिमाइज़ेशन के सर्वोत्तम तरीके और यह कि लेटेंसी को कैसे मापा और रिपोर्ट किया जाता है पूरी पाइपलाइन में।
ElevenAgents के साथ अपना पहला एजेंट डिज़ाइन करें
यहां बताए गए तरीके ही व्यवहार में AI एजेंट के लिए कन्वर्सेशनल AI डिज़ाइन हैं। यह सब ElevenAgents में मूल रूप से उपलब्ध है और नो-कोड कंसोल से कॉन्फ़िगर किया जा सकता है, ताकि आप ऐसा एजेंट बना सकें जो केवल सवालों के सही जवाब देने के बजाय असली बातचीत करे।
जो टीमें इसमें व्यावहारिक मदद चाहती हैं, उनके लिए ElevenLabs के फॉरवर्ड डिप्लॉयड इंजीनियर्स आपकी टीम के साथ सीधे काम करते हैं ताकि प्रोडक्शन-रेडी एजेंट का दायरा तय किया जाए, उसे बनाया और लॉन्च किया जाए। एजेंट लाइव होने के बाद वे परफ़ॉर्मेंस को फाइनट्यून करने में भी मदद करते हैं।
चाहे आप इसे खुद बना रहे हों या मदद ले रहे हों, फर्क देखने का सबसे तेज़ तरीका इसे आज़माना है। आज ही एजेंट बनाकर या हमारी सेल्स टीम से बात करके शुरुआत करें।
