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 ऐसे एजेंट हैं जो काम तो पूरा कर देते हैं—लेकिन संदर्भ, तात्कालिकता या भावनाओं को नहीं समझते। और जब कॉल करने वाले को यह दिखता है, तो भरोसा कम हो जाता है और बातचीत की गुणवत्ता भी गिर जाती है।

हमारी हाल की लाइव वर्कशॉप: स्वाभाविक लगने वाले AI एजेंट बनाना में, Luigi Sambuy (Forward Deployed Engineering) ने बताया कि रोबोटिक लगने वाले एजेंट और सचमुच इंसानी महसूस होने वाले एजेंट में क्या फर्क 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 प्रस्तुति को सही बनाना।

जो एजेंट कॉलर की भावनाओं को नहीं अपनाता, तात्कालिकता को नहीं समझता और हर सवाल का जवाब एक ही सपाट लय में देता है, वह अपने जवाब सही होने पर भी हमेशा कृत्रिम लगेगा। ग्राहक सिर्फ़ अपनी समस्या का हल नहीं चाहते—वे चाहते हैं कि समाधान के दौरान उनकी बात सुनी जाए।

स्वाभाविक लगने वाले एजेंट की चार विशेषताएं

1. लय और प्रवाह - एकरस पढ़ने के बजाय स्वाभाविक गति, ठहराव और स्पीड में बदलाव
2. भावनाओं का प्रतिबिंब - परेशान कॉलर को चिंता के साथ जवाब देना और अच्छी खबर पर गर्मजोशी दिखाना
3. संदर्भ - यूज़र की हिस्ट्री, बिज़नेस सिस्टम और सांस्कृतिक/क्षेत्रीय संकेत शामिल करना, ताकि जवाब सामान्य न लगें
4. पहचान - पहले से उपलब्ध डिफ़ॉल्ट के बजाय ब्रांड के लिए खास तौर पर बनाई गई वॉइस

डेमो: काम करते हुए एक स्वाभाविक लगने वाला एजेंट

परिस्थिति: एक ग्राहक अपना 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 बताए गए रिज़र्वेशन समय और वास्तव में बुक किए गए समय के बीच छोटा-सा अंतर पकड़ा और अनुमान लगाने के बजाय स्पष्ट किया
• उसने बिना कहे रिज़र्वेशन को रात 9 बजे के लिए बदल 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 करने वाला, गर्मजोश और बिना जल्दबाज़ी का लहजा अपनाया

यह क्यों मायने रखता है: यह किसी अलग मॉडल या ज़्यादा शक्तिशाली प्लेटफ़ॉर्म की वजह से नहीं हुआ। यह प्रॉम्प्ट की वजह से हुआ। सिस्टम प्रॉम्प्ट ने एजेंट को वाक्य के बीच में खुद को सुधारने, "कुछ ढूँढते समय" स्वाभाविक रूप से बात अधूरी छोड़ने और कॉलर के अनुसार अपना भावनात्मक लहजा बदलने की अनुमति दी—यही तकनीकें आज प्लेटफ़ॉर्म पर काम करने वाली हर टीम के लिए उपलब्ध हैं।

स्वाभाविक एजेंट बनाने के सात तरीके

1. भावनात्मक टैग - v3 कन्वर्सेशनल मॉडल के एक्सप्रेसिव मोड और Eleven v4 के साथ उपलब्ध; लहजे में विविधता लाने का सबसे बड़ा तरीका
2. बैकग्राउंड नॉइज़ - ज़्यादा परिचित, इंसानी संदर्भ के लिए ऑफिस की माहौल वाली आवाज़ें, शहर की आवाज़ें या टाइपिंग की आवाज़
3. सिस्टम प्रॉम्प्ट में लहजा - असल में ज़्यादातर फर्क यहीं होता है
4. तत्परता सेटिंग्स (eager / normal / patient) - 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 साफ़-सुथरे ऑडियो के बजाय जानबूझकर बैकग्राउंड में फ़ोन की घंटियां जोड़ती हैं, क्योंकि पारंपरिक कॉन्टैक्ट सेंटर से आने वाले ग्राहक उस हल्के दबे हुए लहजे के आदी होते हैं
7. वॉइस डिज़ाइन या क्लोनिंग - पहले से उपलब्ध कोई 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 पुरुष, जिसकी आवाज़ हेडसेट से आती हुई लगे")। 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 एजेंट और स्वाभाविक एजेंट के बीच ज़्यादातर फर्क 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 गंभीर बात के बाद जवाब देने से पहले थोड़ी खामोशी रखने की स्पष्ट अनुमति दें।

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

तत्परता सोच-समझकर सेट करें।तेज़, ज़्यादा जानकारी वाले संवादों के लिए eager सही है; जब किसी को दस्तावेज़ या नंबर ढूँढने के लिए समय चाहिए, तब patient सही है। हर जगह डिफ़ॉल्ट रूप से eager रखने पर एजेंट स्वाभाविक के बजाय दबाव डालने वाला लग सकता है।

हर नोड के लिए अपना LLM चुनें।सरल रूटिंग चरणों के लिए हल्के, तेज़ मॉडल इस्तेमाल करें और वास्तविक निर्णय लेने वाले नोड्स के लिए अधिक सक्षम मॉडल चुनें। 

महसूस होने वाली लेटेंसी को "स्वाभाविक" होने का हिस्सा मानें।मॉडल चुनने के अलावा, speculative turn generation (कॉलर के बोलते रहने पर ही मॉडल को जवाब बनाना शुरू करने देना) और soft-timeout फ़िलर शब्द, दोनों ही ठहराव को कम लंबा महसूस कराते हैं, भले ही वास्तविक रिस्पॉन्स टाइम न बदला हो।

अनुवाद के बजाय लोकलाइज़ करें।ऐसी वॉइस चुनें जिन्हें वास्तव में लक्षित भाषा में ट्रेन किया गया हो, उच्चारण शब्दकोश इस्तेमाल करें, और एक ही भाषा वाले उपयोग मामलों में बेहतर प्रदर्शन के लिए 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 अब भी एक अच्छा विकल्प है।

अपने एजेंट की निगरानी करें।लाइव कॉल के बिना एजेंट को वैलिडेट करने के लिए सिमुलेशन 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 हर टर्न का सेंटिमेंट एनालिसिस इस्तेमाल करें—फिर उस सिग्नल से प्रॉम्प्ट को बेहतर बनाएं।

पूरा सेशन देखें

पूरा वेबिनार यहाँ देखें।