Blue Machines AI ha lanciato Floe, un modello proprietario di rilevamento linguistico context-aware progettato per gli agenti di intelligenza artificiale che gestiscono conversazioni multilingue tramite voce e chat. Il sistema non si limita a identificare quale lingua compare nel messaggio dell’utente, ma cerca di stabilire se quest’ultimo intenda effettivamente cambiare la lingua della conversazione. L’obiettivo è distinguere un vero passaggio linguistico dal normale code-mixing, cioè dall’utilizzo all’interno della stessa frase di termini appartenenti a lingue differenti, un comportamento particolarmente comune nelle interazioni quotidiane in India.
Floe supporta attualmente 11 lingue: inglese, hindi, tamil, telugu, gujarati, kannada, malayalam, marathi, bengali, odia e punjabi. Il modello è stato sviluppato tenendo conto delle caratteristiche delle conversazioni multilingue indiane, nelle quali nomi di prodotti, termini finanziari, acronimi e vocaboli professionali inglesi vengono frequentemente inseriti all’interno di frasi la cui struttura grammaticale rimane appartenente a una lingua regionale. I normali sistemi di language detection possono interpretare la presenza di questi termini come un passaggio all’inglese, mentre Floe separa il concetto di presenza di una lingua da quello di preferenza linguistica dell’utente.
Per effettuare questa distinzione, il modello analizza le parole utilizzate, le parti del discorso, la struttura della frase, le espressioni molto brevi e il contesto accumulato nei turni precedenti della conversazione. Una frase come “Mera credit card block ho gaya hai”, per esempio, contiene l’espressione inglese “credit card”, ma presenta una struttura grammaticale e un’intenzione comunicativa prevalentemente hindi. In questo caso Floe può indicare all’agente di continuare a rispondere in hindi invece di interpretare automaticamente le parole inglesi come una richiesta di cambio di lingua.
Lo stesso principio viene applicato alle risposte molto brevi che ricorrono frequentemente nelle conversazioni. Espressioni come “haan”, “okay”, “correct” o “theek hai” vengono valutate all’interno del contesto invece di essere considerate isolatamente. Floe tiene quindi conto della lingua stabilita nei turni precedenti e cerca segnali sufficientemente persistenti di una transizione prima di indicare all’agente che deve cambiare la lingua utilizzata. Il modello cerca in questo modo di evitare oscillazioni continue della lingua di risposta provocate dalla presenza occasionale di singole parole appartenenti a un altro idioma.
Un altro elemento centrale riguarda la velocità di elaborazione. Secondo le misurazioni interne di Blue Machines AI, Floe ha registrato una latenza inferiore a 10 millisecondi in condizioni corrispondenti a carichi di produzione. Il modello è inoltre ottimizzato per l’inferenza su CPU, in modo che la decisione linguistica possa essere inserita direttamente nel percorso di una conversazione in tempo reale senza richiedere infrastruttura GPU per l’inferenza ordinaria e senza introdurre un ritardo percepibile nell’interazione. La scelta risponde alla necessità, soprattutto nei sistemi vocali, di identificare un eventuale cambio di lingua prima che le successive componenti della pipeline producano la risposta.
All’interno della piattaforma di Blue Machines AI, l’output di Floe può infatti essere utilizzato come segnale per orchestrare diversi componenti del sistema conversazionale. La decisione sulla lingua può influire sul riconoscimento vocale, sui modelli conversazionali, sulla sintesi vocale, sulla pronuncia, sull’impiego di terminologia regionale e sui prompt specifici per ciascuna lingua. Lo stesso dato può essere utilizzato per selezionare comunicazioni relative alla conformità normativa, gestire escalation e routing delle conversazioni e alimentare i sistemi di conversation analytics.
Floe tratta quindi la lingua di una conversazione enterprise come uno stato dinamico che può modificarsi durante l’interazione, anziché come un’impostazione definita una volta all’inizio della sessione. L’individuazione della lingua utilizzata e la scelta della lingua nella quale l’agente dovrebbe rispondere diventano due problemi distinti: il sistema valuta continuamente il contesto per stabilire quale comportamento adottare. In questo modo Blue Machines AI punta a ridurre richieste di chiarimento non necessarie, cambi di lingua errati e risposte incoerenti nelle applicazioni di assistenza clienti e negli altri flussi conversazionali multilingue.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)