वेबिनार रिकैप: ऐसे AI एजेंट बनाएं जो नेचुरल लगें

ज़्यादातर टीमें ऐसा एजेंट बनाना चाहती हैं जो स्वाभाविक लगे।

ज़्यादातर टीमों को जो कमी दिखती है, वह यह है कि एजेंट काम तो पूरा कर देते हैं — लेकिन संदर्भ, तात्कालिकता या भावनाओं को नहीं समझते। और जब कॉल करने वाले को यह पता चलता है, तो भरोसा और बातचीत की गुणवत्ता, दोनों कम हो जाते हैं।

हमारी हालिया लाइव वर्कशॉप: स्वाभाविक लगने वाले AI एजेंट बनाना में, Luigi Sambuy (Forward Deployed Engineering) ने बताया कि रोबोटिक लगने वाले एजेंट और सचमुच इंसानी लगने वाले एजेंट में क्या अंतर होता है।

स्वाभाविक लगना दिखने से ज़्यादा मुश्किल क्यों है

एजेंट 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 भी मुश्किल है जवाब देने का तरीका सही रखना।

जो एजेंट कॉल करने वाले की भावना को नहीं समझता, तात्कालिकता को नहीं पकड़ता 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 हल नहीं करवाना चाहते — वे चाहते हैं कि इस दौरान उनकी बात सुनी जाए।

स्वाभाविक लगने वाले एजेंट की चार खूबियाँ

1. लय और प्रवाह — एकरस ढंग से पढ़ने के बजाय स्वाभाविक गति, ठहराव और रफ़्तार में बदलाव
2. भावना के अनुरूप प्रतिक्रिया — परेशान कॉलर को चिंता के साथ जवाब देना और अच्छी खबर पर गर्मजोशी दिखाना
3. संदर्भ — यूज़र इतिहास, बिज़नेस सिस्टम और सांस्कृतिक/क्षेत्रीय संकेतों को शामिल करना, ताकि जवाब सामान्य न लगें
4. पहचान — तैयार डिफ़ॉल्ट वॉइस के बजाय ब्रांड के लिए बनाई गई वॉइस

डेमो: काम करते हुए स्वाभाविक लगने वाला एजेंट

परिस्थिति: 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 करने से पहले सालगिरह का ज़िक्र किया
• उसने बताई गई रिज़र्वेशन के समय और वास्तव में बुक किए गए समय में छोटा-सा अंतर पकड़ा, और अनुमान लगाने के बजाय स्पष्ट किया
• उसने बिना कहे रिज़र्वेशन को रात 9 बजे कर दिया और मौके के लिए खिड़की के पास वाली टेबल भी ऑफ़र की
• पूरी कॉल के दौरान, एजेंट ने स्वाभाविक ठहराव, बीच-बीच के शब्द और मौके के हिसाब से बदलता लहजा इस्तेमाल किया — आश्वस्त करने वाला, गर्मजोश और बिना जल्दबाज़ी के

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 ढूँढते हुए" स्वाभाविक रूप से बात अधूरी छोड़ने और कॉलर के अनुसार अपना भावनात्मक लहजा बदलने की अनुमति दी — यही तकनीकें आज प्लेटफ़ॉर्म पर बनाने वाली किसी भी टीम के लिए उपलब्ध हैं।

स्वाभाविक एजेंट बनाने के सात तरीके

1. भावनात्मक टैग — v3 कन्वर्सेशनल मॉडल के एक्सप्रेसिव मोड में उपलब्ध; लहजे में बदलाव लाने का सबसे बड़ा साधन
2. बैकग्राउंड नॉइज़ — ज़्यादा परिचित, इंसानी संदर्भ के लिए ऑफ़िस का माहौल, शहर की आवाज़ें या टाइपिंग की आवाज़
3. सिस्टम प्रॉम्प्ट में लहजा — ज़्यादातर अंतर असल में यहीं होता है
4. उत्सुकता सेटिंग्स (उत्सुक / सामान्य / धैर्यवान) — बातचीत को जितने समय की ज़रूरत हो, उसके अनुसार
5. उच्चारण शब्दकोश / कीवर्ड — नामों, ब्रांडों और विदेशी शब्दों के लिए, जिनका एजेंट वरना गलत उच्चारण कर सकता है। 
6. आउटपुट सेटिंग्स — कुछ टीमें बिल्कुल साफ़ 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
7. वॉइस डिज़ाइन या क्लोनिंग — तैयार वॉइस चुनने के बजाय पूरी तरह कस्टम, ब्रांड के अनुरूप वॉइस बनाना। वॉइस डिज़ाइन आपको किसी खास चीज़ के लिए प्रॉम्प्ट करने देता है (जैसे, "तीस की उम्र का एक पुरुष, जिसकी आवाज़ ऐसे लगे जैसे वह हेडसेट से बात कर रहा हो")। वॉइस क्लोनिंग इंस्टेंट क्लोन (लगभग 30 सेकंड का ऑडियो) से लेकर प्रोफ़ेशनल क्लोन (ज़्यादा सामग्री, बेहतर फ़िडेलिटी) तक उपलब्ध है। 

स्वाभाविक लगने वाले एजेंट के लिए बेहतरीन तरीके

लहजा सीधे सिस्टम प्रॉम्प्ट में लिखें। सपाट और स्वाभाविक एजेंट के बीच का ज़्यादातर अंतर असल में यहीं होता है। एजेंट को वाक्य के बीच में खुद को सुधारने ("जिस तरह लोग सच में बात करते हैं"), कुछ ढूँढते समय स्वाभाविक रूप से बात अधूरी छोड़ने और किसी गंभीर बात के बाद जवाब देने से पहले कुछ देर चुप रहने की स्पष्ट अनुमति दें।

भावनात्मक टैग को मौके के अनुरूप रखें। गंभीर या जोखिम भरे पल के लिए "excited" टैग गलत है। टैग को सोच-समझकर वहाँ रखें जहाँ वे बातचीत में सचमुच आएँगे, और कॉल आगे बढ़ने पर उन्हें कॉलर की भावनात्मक स्थिति के अनुसार बदलें (जैसे, चिंतित कॉलर के लिए शांत और आश्वस्त करने वाला लहजा, जबकि जल्दी में किसी व्यक्ति के लिए तेज़ लेकिन गर्मजोश लहजा)।

उत्सुकता सोच-समझकर सेट करें। उत्सुक सेटिंग तेज़, अधिक जानकारी वाले संवादों के लिए काम करती है; धैर्यवान सेटिंग तब काम करती है जब किसी को दस्तावेज़ या नंबर ढूँढने के लिए समय चाहिए। हर जगह डिफ़ॉल्ट रूप से उत्सुक सेटिंग रखने से एजेंट स्वाभाविक के बजाय दबाव डालने वाला लग सकता है।

हर नोड के लिए अपना LLM चुनें। आसान रूटिंग चरणों के लिए हल्के, तेज़ मॉडल और असली निर्णय लेने वाले नोड्स के लिए ज़्यादा सक्षम मॉडल इस्तेमाल करें। 

महसूस होने वाली लेटेंसी को "स्वाभाविक" होने का हिस्सा मानें। मॉडल चुनने के अलावा, स्पेक्युलेटिव टर्न जनरेशन (कॉलर के बोलते रहने के दौरान ही मॉडल को जवाब बनाना शुरू करने देना) और सॉफ़्ट-टाइमआउट फ़िलर शब्द, दोनों ही ठहराव को कम लंबा महसूस कराते हैं, भले ही वास्तविक जवाब देने का समय न बदला हो।

अनुवाद करने के बजाय स्थानीयकरण करें। ऐसी वॉइस चुनें जिन्हें वास्तव में लक्षित भाषा में प्रशिक्षित किया गया हो, उच्चारण शब्दकोश इस्तेमाल करें और सिर्फ़ एक भाषा वाले उपयोग मामलों के लिए बेहतर प्रदर्शन पाने हेतु प्रॉम्प्ट भी उसी भाषा में लिखने पर विचार करें। जब भाषाओं के बीच तेज़ लेटेंसी एक्सप्रेसिव रेंज से ज़्यादा मायने रखती हो, तब Multilingual v2 एक मज़बूत विकल्प बना रहता है।

अपने एजेंट की निगरानी करें। लाइव कॉल के बिना एजेंट को सत्यापित करने के लिए सिम्युलेशन टेस्ट, कॉल के बाद पास/फ़ेल स्कोरिंग के लिए मूल्यांकन मानदंड और बातचीत में एजेंट ने ठीक कहाँ गलत लहजा अपनाया, यह जानने के लिए टर्न-बाय-टर्न सेंटिमेंट विश्लेषण इस्तेमाल करें — फिर उस संकेत के आधार पर प्रॉम्प्ट को बेहतर बनाएं।

पूरा सेशन देखें

पूरा वेबिनार यहाँ देखें।