Eszközök

Mesterséges intelligenciával generált szöveg

A Google Duplex telefonos ügyintézése megjelent a Gemini feladataiban

A Google a Google Duplex telefonos mesterségesintelligencia-rendszerét beépítette a Gemini alkalmazás feladatkezelő funkciójába.

A Google Duplex telefonos ügyintézése megjelent a Gemini feladataiban

A Google a Gemini alkalmazás Tasks funkciójába is beépítette a Duplex telefonos képességeit. A vállalat közlése szerint a személyes AI-asszisztens így a felhasználó nevében vállalkozásokat hívhat fel, és olyan ügyeket intézhet, mint egy éttermi vagy fodrászidőpont egyeztetése.

Az élő telefonbeszélgetés különösen összetett feladat: a résztvevők eltérhetnek a várható forgatókönyvtől, félbeszakíthatják vagy módosíthatják mondanivalójukat, a megszólalások sorrendjét pedig gyakran apró hangszínbeli jelzések határozzák meg. A Google szerint a természetes beszélgetéshez a beszédfelismerésnek, a kontextus értelmezésének és a beszédszintézisnek egyetlen, alacsony késleltetésű rendszerben kell együttműködnie.

A Duplex útja a Geminiig

A Google közel egy évtizede mutatta be a Duplexet. A kezdetben szűk feladatokra tervezett technológia később több termék közös beszélgetési infrastruktúrájává vált.

A COVID-19-világjárvány idején a rendszerrel a gyorsan változó nyitvatartási és szolgáltatási adatokat is ellenőrizték. A vállalat 2023-ban közölte, hogy a Duplex telefonhívásaiból származó üzleti információk összesen több mint ezermilliárdszor jelentek meg a Google Search és a Google Maps felületén.

A Google Androiddal és hardverrel foglalkozó csapatai közben eszközön futó alkalmazásokon is dolgoztak. A vállalat 2019-től kezdve öt egymást követő Pixel-generáción vezetett be Pixel Call Assist funkciókat. A modellek ma is támogatják többek között a Call Screen és a Hold for Me működését: előbbi az ismeretlen hívók szűrésében, utóbbi a várakoztatás végén az ügyintézővel való kapcsolat kezelésében segít, amíg a felhasználó vissza nem tér a hívásba.

2025-ben és 2026-ban az alapmodellek a Google Search és az Ask Maps szolgáltatásban is szélesebb körű, önálló telefonos ügyintézést tettek lehetővé. Ezekkel például árajánlatokat, termékek elérhetőségét vagy szolgáltatások szabad időpontjait lehet ellenőrizni, a kisállat-kozmetikától az autójavításig.

Három technológiai korszak

A Duplex fejlesztése a modern nagy nyelvi modellek, sőt a transzformerarchitektúra megjelenése előtt kezdődött. Az első rendszer szűk feladatkörökben működött, és anonimizált, adott feladattípushoz tartozó telefonbeszélgetéseken tanított, egyedi rekurrens neurális hálózatokat használt. Mivel ezek nem rendelkeztek előtanításból származó általános tudással, külön tanítóadatokra volt szükségük például az éttermi foglalások és az ünnepi nyitvatartás ellenőrzésének kezeléséhez.

A generatív alapmodellek megjelenésével a Duplex hibrid rendszerekre váltott. 2022-ben már a LaMDA modellt is használta élő hívásokban. Az előtanított modellek könnyebben kezelték a váratlan fordulatokat és kitérőket, de a Google szerint a korai változatok kevésbé voltak kiszámíthatók, és időnként lassabban működtek. Ezért a rugalmas megfogalmazást determinisztikus állapotkövetéssel és szigorú szabályokkal egészítették ki.

A jelenlegi rendszerben a feladat szabad szöveges utasítással is megadható, így nem kell minden új üzlettípushoz vagy kéréshez külön párbeszédmodellt építeni. A Gemini egyesíti a multimodális értelmezést, a tervezést és a párbeszéd generálását. A Google példái szerint ez olyan részletek kezelését is lehetővé teszi, mint az ablak melletti asztal vagy a babakocsi számára szükséges hely kérése, illetve egy autószerviz-időpont egyeztetése naptári ütközések mellett.

Zaj, késleltetés és üzleti döntési lehetőségek

A vállalat szerint a webes adatokon végzett előtanítás önmagában nem tanítja meg, hogyan zajlanak a hívások elfoglalt üzletekkel. A Duplex a korábbi beszélgetések kontextusát is felhasználhatja annak megítélésére, hogy egy kérésnek van-e esélye sikerre. Például figyelembe veheti, ha egy vállalkozás hétvégén nem fogad nagy csoportoktól foglalást. A hívás során az udvarias, közvetett elutasításokat is értelmeznie kell, miközben röviden és hatékonyan beszélget.

A telefonvonalak tömörített hangja, a konyhai zaj, az utcai forgalom vagy a háttérbeszélgetések szintén nehezítik a működést. A Google alacsony késleltetésű, folyamatos feldolgozásra hangolta a rendszert; egyedi akusztikai és beszélgetési ritmust kezelő modellek segítik a zaj, a szünetek és a beszédváltások felismerését.

A Google közlése szerint minden Duplex-hívás elején egyértelműen jelzik, hogy a Google automatizált AI-rendszere telefonál. A vállalkozások a Google Business Profile beállításaiban leiratkozhatnak az automatikus hívásokról, vagy a beszélgetés során is kérhetik, hogy ne hívják őket többé.

A fogadó félnek nem kell szoftvert telepítenie vagy külön foglalási rendszert működtetnie: a hívást a szokásos telefonján fogadhatja. Az egyszer megszerzett információk későbbi kérdésekre is választ adhatnak; a Google Maps például megjeleníthet a Duplex által összegyűjtött adatokat a teraszról, az állatbarát helyekről, a parkolásról vagy heti programokról.

Tágabb feladatok a Gemini alkalmazásban

A Google szerint a telefonos kapcsolat akkor is lehetővé teszi az ügyintézést, amikor nem áll rendelkezésre online foglalási űrlap vagy programozási felület. A vállalat azt is közölte, hogy a Tasks a legújabb Gemini 4 modellekkel – köztük a Gemini 4 Hydrogen és a Gemini 4 Neon modellel – összetettebb munkafolyamatokat is támogathat. Ilyen a közüzemi számlák elemzése, a tranzakciók biztonságos feldolgozása az Agent Payments Protocol segítségével, valamint a felhasználóval való egyeztetés e-mailen és Rich Communication Services (RCS) üzeneteken keresztül.