वेबिनार रिकैप: ऐसे AI एजेंट बनाएं जो नेचुरल लगें
- लेखक
- Luigi Sambuy
- प्रकाशित
- आखिरी बार अपडेट किया गया
सुनेंइस आर्टिकल को सुनें
ज़्यादातर टीमें ऐसा एजेंट बनाना चाहती हैं जो स्वाभाविक लगे।
ज़्यादातर टीमों को जिन एजेंट्स में कमी दिखती है, वे काम तो पूरा कर देते हैं—लेकिन संदर्भ, तात्कालिकता या भावनाओं को नहीं समझते। और जैसे ही कॉलर को यह पता चलता है, भरोसा और बातचीत की गुणवत्ता, दोनों कम हो जाते हैं।
हमारी हाल की लाइव वर्कशॉप: स्वाभाविक लगने वाले AI एजेंट्स बनाना में, लुइजी साम्बुय (फ़ॉरवर्ड डिप्लॉयड इंजीनियरिंग) ने बताया कि रोबोटिक लगने वाले एजेंट और सच में इंसानी महसूस होने वाले एजेंट में क्या अंतर होता है।
स्वाभाविक लगना जितना दिखता है, उससे ज़्यादा मुश्किल क्यों है
एजेंट्स डिप्लॉय करने वाली ज़्यादातर टीमें सटीकता की समस्या पहले ही हल कर चुकी हैं—एजेंट सही जवाब देता है, सही टेबल बुक करता है, सही फ़्लाइट रद्द करता है।
इससे ज़्यादा मुश्किल है बोलने का तरीका सही रखना।
जो एजेंट कॉलर की भावनाओं को नहीं समझता, तात्कालिकता नहीं पहचानता और हर सवाल का जवाब एक ही सपाट लय में देता है, वह अपने जवाब कितने भी सही हों, हमेशा कृत्रिम लगेगा। ग्राहक सिर्फ़ अपनी समस्या का हल नहीं चाहते—वे यह भी महसूस करना चाहते हैं कि उनकी बात सुनी जा रही है।
स्वाभाविक लगने वाले एजेंट की चार खूबियाँ
- लय और प्रवाह - एकसुरी ढंग से पढ़ने के बजाय स्वाभाविक गति, ठहराव और स्पीड में बदलाव
- भावनाओं के अनुरूप जवाब - परेशान कॉलर को चिंता के साथ जवाब देना और अच्छी खबर पर गर्मजोशी दिखाना
- संदर्भ - यूज़र हिस्ट्री, बिज़नेस सिस्टम्स और सांस्कृतिक/क्षेत्रीय संकेतों को शामिल करना, ताकि जवाब सामान्य न लगें
- पहचान - तैयार डिफ़ॉल्ट वॉइस के बजाय ब्रांड के लिए बनाई गई वॉइस
डेमो: काम करते हुए एक स्वाभाविक लगने वाला एजेंट
स्थिति: एक ग्राहक अपनी रिज़र्वेशन बदलने के लिए Rosette Restaurant को कॉल करता है। उनकी शादी की पाँचवीं सालगिरह है और उन्हें देर हो रही है।
क्या दिखाया गया:
- एजेंट ने गर्मजोशी से बातचीत शुरू की और कुछ भी करने से पहले सालगिरह का ज़िक्र किया
- उसने बताई गई रिज़र्वेशन के समय और असल में बुक किए गए समय के बीच का छोटा अंतर पकड़ लिया, और अनुमान लगाने के बजाय स्पष्टीकरण माँगा
- उसने बिना कहे रिज़र्वेशन को रात 9 बजे कर दिया और इस मौके के लिए खिड़की के पास टेबल भी ऑफ़र की
- पूरी कॉल के दौरान, एजेंट ने स्वाभाविक ठहराव, फ़िलर शब्द और मौके के हिसाब से बदलने वाला आश्वस्त, गर्मजोश और बिना जल्दबाज़ी का लहजा इस्तेमाल किया
यह क्यों मायने रखता है: यह किसी अलग मॉडल या ज़्यादा शक्तिशाली प्लेटफ़ॉर्म से नहीं आया। यह प्रॉम्प्ट से आया। सिस्टम प्रॉम्प्ट ने एजेंट को वाक्य के बीच में खुद को सुधारने, "कुछ खोजते हुए" स्वाभाविक रूप से बात अधूरी छोड़ने और कॉलर के मुताबिक अपना भावनात्मक लहजा बदलने की अनुमति दी—यही तकनीकें आज प्लेटफ़ॉर्म पर काम कर रही किसी भी टीम के लिए उपलब्ध हैं।
स्वाभाविक एजेंट बनाने के सात तरीके
- भावनात्मक टैग्स - v3 कन्वर्सेशनल मॉडल के एक्सप्रेसिव मोड में उपलब्ध; लहजे में बदलाव लाने का सबसे बड़ा तरीका
- बैकग्राउंड नॉइज़ - ज़्यादा परिचित, इंसानी संदर्भ के लिए ऑफ़िस की माहौल वाली आवाज़ें, शहर की आवाज़ें या टाइपिंग की आवाज़
- सिस्टम प्रॉम्प्ट में लहजा - असल में ज़्यादातर अंतर यहीं से आता है
- ईगरनेस सेटिंग्स (eager / normal / patient) - इंटरैक्शन को जितने समय की ज़रूरत हो, उसके अनुसार
- उच्चारण शब्दकोश / कीवर्ड्स - नामों, ब्रांड्स और विदेशी शब्दों के लिए, जिनका एजेंट वरना गलत उच्चारण कर सकता है।
- आउटपुट सेटिंग्स - कुछ टीमें साफ़-सुथरे ऑडियो के बजाय जानबूझकर बैकग्राउंड में फ़ोन की घंटियाँ जोड़ती हैं, क्योंकि पारंपरिक कॉन्टैक्ट सेंटर से आने वाले ग्राहक उस हल्के दबे हुए लहजे के आदी होते हैं
- वॉइस डिज़ाइन या क्लोनिंग - तैयार वॉइस चुनने के बजाय पूरी तरह कस्टम, ब्रांड के अनुरूप वॉइस बनाना। वॉइस डिज़ाइन से आप किसी खास चीज़ के लिए प्रॉम्प्ट दे सकते हैं (जैसे, "तीस की उम्र का एक पुरुष, जिसकी आवाज़ ऐसी लगे जैसे वह हेडसेट से बोल रहा हो")। वॉइस क्लोनिंग इंस्टेंट क्लोन (करीब 30 सेकंड के ऑडियो) से लेकर प्रोफ़ेशनल क्लोन (ज़्यादा सामग्री, बेहतर फ़िडेलिटी) तक उपलब्ध है।
स्वाभाविक लगने वाले एजेंट्स के लिए बेहतरीन तरीके
लहजा सीधे सिस्टम प्रॉम्प्ट में लिखें। सपाट एजेंट और स्वाभाविक एजेंट के बीच ज़्यादातर अंतर यहीं होता है। एजेंट को वाक्य के बीच में खुद को सुधारने ("जैसे लोग सच में बात करते हैं"), कुछ खोजते समय स्वाभाविक रूप से बात अधूरी छोड़ने और किसी गंभीर बात के बाद जवाब देने से पहले चुप रहने की स्पष्ट अनुमति दें।
भावनात्मक टैग्स को मौके के अनुसार रखें। किसी गंभीर या जोखिम भरे पल के लिए "excited" टैग गलत है। टैग्स को सोच-समझकर वहाँ रखें जहाँ वे बातचीत में सच में आएँगे और कॉल आगे बढ़ने पर उन्हें कॉलर की भावनात्मक स्थिति के हिसाब से बदलें (जैसे, चिंतित कॉलर के लिए शांत और आश्वस्त करने वाला लहजा, बनाम जल्दबाज़ी में व्यक्ति के लिए तेज़ लेकिन गर्मजोश लहजा)।
ईगरनेस सोच-समझकर सेट करें।ईगर तेज़, ज़्यादा जानकारी वाले संवादों के लिए काम करता है; जब किसी को दस्तावेज़ या नंबर ढूँढने के लिए समय चाहिए, तब पेशेंट काम करता है। हर जगह डिफ़ॉल्ट रूप से ईगर रखने पर एजेंट स्वाभाविक के बजाय ज़रूरत से ज़्यादा दबाव डालने वाला लग सकता है।
हर नोड के लिए सही LLM चुनें।साधारण रूटिंग स्टेप्स के लिए हल्के, तेज़ मॉडल इस्तेमाल करें और असल निर्णय लेने वाले नोड्स के लिए ज़्यादा सक्षम मॉडल चुनें।
महसूस होने वाली लेटेंसी को "स्वाभाविक" का हिस्सा मानें।मॉडल चुनने के अलावा, स्पेक्युलेटिव टर्न जनरेशन (कॉलर के बोलते रहने पर ही मॉडल को जवाब बनाना शुरू करने देना) और सॉफ्ट-टाइमआउट फ़िलर शब्द, दोनों ही ठहराव को कम लंबा महसूस कराते हैं, भले ही असली रिस्पॉन्स टाइम न बदला हो।
अनुवाद करने के बजाय स्थानीयकृत करें।ऐसी वॉइसेज़ चुनें जिन्हें सच में लक्ष्य भाषा में प्रशिक्षित किया गया हो, उच्चारण शब्दकोश इस्तेमाल करें और सिर्फ़ एक भाषा वाले उपयोग के मामलों में बेहतर परफ़ॉर्मेंस के लिए प्रॉम्प्ट भी उसी भाषा में लिखने पर विचार करें। जब अलग-अलग भाषाओं में तेज़ लेटेंसी, एक्सप्रेसिव रेंज से ज़्यादा मायने रखती हो, तो Multilingual v2 एक मज़बूत विकल्प बना रहता है।
अपने एजेंट को मॉनिटर करें।लाइव कॉल्स के बिना एजेंट को सत्यापित करने के लिए सिम्युलेशन टेस्ट्स, कॉल के बाद पास/फ़ेल स्कोरिंग के लिए मूल्यांकन मानदंड और बातचीत में एजेंट ने ठीक कहाँ गलत लहजा इस्तेमाल किया यह जानने के लिए टर्न-बाय-टर्न सेंटिमेंट एनालिसिस का उपयोग करें—फिर उस सिग्नल से प्रॉम्प्ट को बेहतर बनाएं।
पूरा सेशन देखें
पूरा वेबिनार यहाँ देखें।
