CP v2

Tag: Kalbos atpažinimas

  • Danijos „Interhuman AI“ kuria socialinio intelekto DI: atpažins dvejonę, sutrikimą ir pritarimą

    Danijos „Interhuman AI“ kuria socialinio intelekto DI: atpažins dvejonę, sutrikimą ir pritarimą

    Dirbtinis intelektas vis geriau supranta, ką pasakome žodžiais, tačiau kasdienėje komunikacijoje lemiamą dalį sudaro tonas, pauzės, veido mimikos ir kūno kalba. Šie signalai dažnai nulemia, ar pašnekovas pasitiki, sutinka, dvejoja ar yra sutrikęs, tačiau daugumai šiandienos DI sistemų jie vis dar lieka sunkiai „matomi“.

    Kopenhagoje veikiantis startuolis „Interhuman AI“ siekia tą spragą užpildyti kurdamas socialinio intelekto technologiją. Įmonė pristatė naujausią savo modelį „Inter-2“, kuris realiu laiku analizuoja socialinius signalus tekste, garse ir vaizde, kad DI galėtų reaguoti ne tik į žodžius, bet ir į žmogų.

    Pasak komandos, „Inter-2“ vienu metu vertina veido išraiškas, balso intonaciją, žvilgsnio krypties pokyčius, laikyseną ir galvos gestus. Taip aptinkama 12 signalų, tarp jų įsitraukimas, dvejonė, neužtikrintumas, sutrikimas, pritarimas ir nepritarimas.

    Nuo kalbos modelių prie socialinių ženklų

    „Interhuman AI“ bendraįkūrėjai Frederik Sally ir Paula Petcu teigia, kad idėja išryškėjo, kai plačiai paplito didieji kalbos modeliai ir pokalbių sistemos. Nors jos pakeitė sąveiką su technologijomis, jos menkai atsižvelgia į tai, kaip žmogus kalba, kokią emociją slepia ar kokį signalą siunčia pauzėmis.

    „Iš čia ir kilo klausimas: ar galime sujungti kalbos modelius su vaizdo ir garso analize iš kameros bei mikrofono ir pridėti papildomą jutimo sluoksnį, kad suprastume, ką vartotojas iš tikrųjų komunikuoja?“, – sakė Paula Petcu.

    Komanda pirmąjį prototipą kūrė kaip DI trenerį, kuris reaguotų į turinį ir pateikimo manierą. Toks principas vėliau išsivystė į platesnę kryptį, kurią įmonė vadina dirbtiniu socialiniu intelektu, kai sistema bando atkurti žmogui būdingą gebėjimą skaityti situacijos kontekstą.

    Kur tai gali praversti?

    Praktinių pritaikymų spektras platus: nuo įmonių mokymų iki sveikatos priežiūros. Pavyzdžiui, darbo pokalbiuose ar derybų treniruotėse DI galėtų pateikti ne tik teksto analizę, bet ir įžvalgas apie tai, kaip skamba kandidato atsakymai, ar kada jis pradeda dvejoti.

    Skaitmeninėje sveikatoje socialiniai signalai svarbūs nuotolinėse konsultacijose ir pagalbos linijose, kur neteisingai suprastas stresas ar susierzinimas gali lemti netinkamus sprendimus. Kuriant robotiką ar pagalbinius asistentus, gebėjimas pastebėti nepritarimą ar diskomfortą tampa tiesiogiai susijęs su sauga.

    „Šiandienos modeliai yra įspūdingai pajėgūs, bet socialiai kurti. Jie atsako į žodžius, o ne į žmogų, kuris juos parašė. Teisingas atsakymas, pateiktas netinkamu momentu, vis tiek yra blogas atsakymas“, – sakė Frederik Sally.

    Duomenys, skaidrumas ir privatumo rizikos

    Didžiausias iššūkis socialiniam DI yra tai, kad žmonių elgsena labai individuali: pauzė gali reikšti neužtikrintumą, bet gali reikšti ir apgalvojimą. Dėl to tokiems modeliams reikia itin įvairių duomenų ir kruopštaus anotavimo, kad sistema nepainiotų signalų skirtinguose kontekstuose.

    „Interhuman AI“ teigia siekianti, kad išvados būtų atsekamos: naudotojas turėtų suprasti, kokie požymiai lėmė konkretų vertinimą. Toks skaidrumas ypač svarbus situacijose, kur sprendimai gali turėti pasekmių žmogaus karjerai, sveikatai ar paslaugų prieinamumui.

    „Norime, kad būtų galima atsekti, kas lėmė, jog tam tikru momentu buvo atpažinta dvejonė. Jei DI sprendžia ką nors apie mano ateitį, noriu turėti galimybę tai kvestionuoti“, – sakė Frederik Sally.

    Kartu daugėja ir rizikų: socialinių signalų atpažinimas gali būti panaudotas manipuliacijai, ypač jei technologija būtų pritaikoma realiame pasaulyje stebint nepažįstamus žmones. Įmonė teigia jau nubrėžusi tam tikras ribas, su kuo dirbtų, ir akcentuoja atitiktį BDAR bei saugumo auditų svarbą.

    Europoje kuriami DI modeliai turi veikti griežtesnėje reguliavimo aplinkoje, o tai, startuolio vertinimu, gali tapti konkurenciniu pranašumu plečiantis į kitas rinkas. „Interhuman AI“ planuoja toliau plėsti modelių šeimą ir gerinti veikimą sudėtingesnėse situacijose, įskaitant balso kanalą be vaizdo bei kelių žmonių pokalbius.

  • Švedų DI startuolis „Klang“ pritraukė 1,32 mln. eurų ir pristatė atvirą švedų kalbos modelį

    Švedų DI startuolis „Klang“ pritraukė 1,32 mln. eurų ir pristatė atvirą švedų kalbos modelį

    Helsingborge įsikūręs švedų dirbtinio intelekto startuolis „Klang“ pritraukė 1,32 mln. eurų investiciją, o įmonės vertė šiame etape siekė 13,2 mln. eurų. Bendrovė kuria sprendimus, kurie pokalbius įrašų pavidalu paverčia tekstu, juos apibendrina ir analizuoja, orientuodamasi į susitikimus, interviu ir kitus dialogus.

    Finansavimo raundą, kaip skelbiama, palaikė esami akcininkai, o tarp investuotojų minimi technologijų verslininkai ir rizikos kapitalo ekosistemai artimi vardai. „Klang“ teigia, kad lėšas planuoja nukreipti tolesniam DI vystymui, produktų plėtrai ir tarptautinei plėtrai, taip pat numato samdyti apie 10 žmonių.

    Pagrindinis žingsnis: atviras švedų kalbos atpažinimas

    Kartu su investicijų naujiena „Klang“ paskelbė išleidusi atvirą kalbos atpažinimo modelį švedų kalbai, pavadintą „Pianissimo“. Įmonė akcentuoja, kad modelis apmokytas atpažinti švedų kalbą ir dialektus, o svarbi detalė praktiniam naudojimui yra tai, kad jis gali veikti lokaliai įprastame nešiojamajame kompiuteryje.

    Pasak bendrovės, „Pianissimo“ paremtas „Nvidia“ atviru kalbos atpažinimo modeliu „Parakeet“, tačiau buvo papildomai optimizuotas švedų kalbai ir jos tarmėms. „Klang“ teigia, kad vidiniuose testuose tikslumas buvo panašus į Švedijos nacionalinės bibliotekos publikuojamą atvirą modelį „KB Whisper Large“, o sparta esą išaugo maždaug 60 kartų.

    Atviras modelis, ypač kai jis gali veikti lokaliai, yra svarbus dėl kelių priežasčių: mažesnės delsos realiu laiku, mažesnių infrastruktūros kaštų ir galimybės jautresnius duomenis tvarkyti įrenginyje, jų neišsiunčiant į nuotolinius serverius. Tokie sprendimai vis dažniau pasirenkami organizacijose, kurios nori suderinti našumą su duomenų apsaugos ir atitikties reikalavimais.

    Vizija: paieškoma organizacijos pokalbių atmintis

    „Klang“ savo ilgalaikį tikslą apibūdina kaip platformą, kuri taptų įmonių ir organizacijų pokalbių paieškoma atmintimi. Idėja neapsiriboja vien perrašymu į tekstą: siekiama, kad DI suprastų kontekstą, niuansus, dialektus ir ryšius tarp skirtingų pokalbių.

    „Mūsų vizija tokia, kad tai, kas pasakyta, niekada nepradingtų. Norime sukurti tobulą kiekvieno pokalbio atmintį – atmintį, kuri ne tik prisimena, kas buvo pasakyta, bet ir supranta pokalbį ne prasčiau, o kartais net geriau nei žmonės kambaryje“, – sakė „Klang“ bendraįkūrėjas ir vadovas Niklas Silfverström.

    Tokia kryptis atliepia platesnę rinkos tendenciją: įmonės vis aktyviau ieško būdų, kaip „nepaskandinti“ žinių susitikimų užrašuose, skambučiuose ar vidinėse konferencijose. Praktikoje tai reiškia augantį poreikį sprendimams, kurie ne tik transkribuoja, bet ir pateikia santraukas, išskiria sprendimus, užduotis, rizikas bei padeda greitai rasti konkrečias citatas.

    Plėtra: Šiaurės šalys, Beniliuksas, DACH ir Japonija

    Įmonė teigia, kad vysto ir eksploatuoja technologiją Švedijoje, akcentuodama dėmesį Europos duomenų apsaugos principams. Tarptautinės plėtros plane minimos Šiaurės šalys, Beniliukso regionas, DACH rinka bei Japonija.

    „Klang“ taip pat nurodo, kad 2026 metų rugpjūčio 12 dieną startavo Japonijoje, kur naudotojai gali įrašyti, transkribuoti ir apibendrinti pokalbius per japonų kalbai pritaikytą sąsają. Bendrovė skelbia lokalizavusi tiek internetinę platformą, tiek „iOS“ ir „Android“ programėles.

    „Kuriame vis daugiau technologijų, kurioms reikia transkribavimo realiu laiku, tačiau trūko atviro modelio, pritaikyto švedų kalbai, kuris suderintų aukštą kokybę ir mums reikalingą spartą. Tai, kad „Pianissimo“ veikia įprastoje vartotojiškoje įrangoje, atveria visiškai naujus paslaugų tipus“, – sakė „Klang“ DI vadovas ir bendraįkūrėjas Mattias Fält.

    Rinkoje, kur transkribavimo ir susitikimų santraukų sprendimai sparčiai komoditizuojasi, „Klang“ strategija investuoti į nuosavus kalbos ir šnekos modelius gali tapti bandymu išsiskirti specifinėmis kalbomis, dialektais ir realaus laiko greičiu. Jei pažadamas našumo ir kokybės santykis pasitvirtins realiuose diegimuose, atviri modeliai gali tapti reikšmingu svertu tiek plėtrai, tiek partnerystėms su kitais kūrėjais.