Parloa বানায় গ্রাহকের পছন্দের সেবা এজেন্ট

Parloa-এর শুরুর দিকে, সহ-প্রতিষ্ঠাতা Stefan Ostwald এক দিন একটি বীমা কল সেন্টারের ভেতরে কাটান, যেখানে তার দল প্রাথমিক ভয়েস অভিজ্ঞতা তৈরি করছিল. এজেন্টদের পাশে বসে তিনি একই ধরনের কথোপকথন বারবার শুনলেন: পাসওয়ার্ড রিসেট, পলিসি-সংক্রান্ত প্রশ্ন, নিয়মিত পরিবর্তন. তিনি বুঝলেন, এই কাজের বড় অংশই অটোমেট করা সম্ভব.

এই অভিজ্ঞতার পর, বার্লিনভিত্তিক Parloa⁠(একটি নতুন উইন্ডোতে খোলে) উচ্চ-পরিমাণ গ্রাহক ইন্টারঅ্যাকশন অটোমেট করতে নিয়মভিত্তিক ভয়েস এজেন্ট তৈরি শুরু করে.

ChatGPT আসার পর কোম্পানিটি বিকশিত হয়ে এখনকার AI Agent Management Platform (AMP) তৈরি করে, যা GPT‑5.4‑সহ নতুন প্রজন্মের মডেলের ওপর নির্মিত.

AMP এন্টারপ্রাইজগুলোকে বৃহৎ পরিসরে গ্রাহকসেবা ইন্টারঅ্যাকশন ডিজাইন, ডিপ্লয় এবং পরিচালনার পথ দেয়. কঠোর intent ও flow ম্যাপ করার বদলে, দলগুলো স্বাভাবিক ভাষায় আচরণ নির্ধারণ করে, অভ্যন্তরীণ সিস্টেমে সংযোগ দেয় এবং বিল্ট-ইন সিমুলেশন ও মূল্যায়ন ব্যবহার করে দ্রুত উন্নতি করে.

সহজ রাউটিং থেকে জটিল, বহু-ধাপের অনুরোধ পর্যন্ত সবকিছু সামলে Parloa এসব ইন্টারঅ্যাকশন শুরু থেকে শেষ পর্যন্ত চালায়. মূল লক্ষ্য হলো প্রোডাকশনে ধারাবাহিকতা, যেখানে পারফরম্যান্স, লেটেন্সি এবং edge case—সবই গুরুত্বপূর্ণ. সেখানে পৌঁছাতে, Parloa ডিপ্লয় করার আগে বাস্তব গ্রাহক পরিস্থিতির সঙ্গে মডেলগুলো ধারাবাহিকভাবে পরীক্ষা করে.

Parloa-এর Agent Management Platform (AMP) এমনভাবে ডিজাইন করা, যাতে ব্যবসায়িক ব্যবহারকারী ও বিষয়ভিত্তিক বিশেষজ্ঞরা কোড না লিখেই AI এজেন্ট তৈরি করতে পারেন.

“AMP দিয়ে বিভিন্ন ব্যবসায়িক ইউনিটের বিষয়ভিত্তিক বিশেষজ্ঞদের দিয়ে সত্যিই এজেন্ট তৈরি করানো এবং API সংযোগ করানো যায়, অনেক বেশি সরল ও সহজভাবে,” বলেন O’Reilly.

সামগ্রিকভাবে, AMP ব্র্যান্ডগুলোকে পুরো AI এজেন্ট লাইফসাইকেল পরিচালনা করতে দেয়. এটি করা হয় নন-টেকনিক্যাল দলগুলোকে লাইভে যাওয়ার আগেই কোনো এজেন্ট কীভাবে আচরণ করবে তা নির্ধারণের সহজ পথ দিয়ে. কোড লেখা বা কঠোর intent tree ম্যাপ করার বদলে, বিষয়ভিত্তিক বিশেষজ্ঞরা স্বাভাবিক ভাষায় এজেন্টের ভূমিকা, নির্দেশনা, টুল এবং সীমা নির্ধারণ করেন. এই কনফিগারেশনই মডেলকে কীভাবে প্রম্পট করা হবে এবং প্রোডাকশনে সিস্টেম কীভাবে আচরণ করবে তার ভিত্তি হয়.

সংজ্ঞায়িত হওয়ার পর, ডিপ্লয়মেন্টের আগে এজেন্টটি পরীক্ষা করা হয়. GPT‑5.4‑এর মতো মডেল ব্যবহার করে Parloa গ্রাহক কথোপকথন সিমুলেট করে; এক মডেল কলারের ভূমিকায় থাকে, আরেকটি কনফিগার করা এজেন্ট চালায়. দলগুলো সরাসরি এসব ইন্টারঅ্যাকশন পর্যালোচনা করতে পারে, বাস্তবসম্মত পরিস্থিতির বিপরীতে পরিবর্তন পরীক্ষা করতে পারে এবং লাইভে যাওয়ার আগে দ্রুত পুনরাবৃত্তি করতে পারে.

এরপর একই মডেলগুলো deterministic check ও LLM-কে বিচারক হিসেবে ব্যবহার করা scoring-এর মিশ্রণে এসব কথোপকথন মূল্যায়নে ব্যবহৃত হয়. এতে বোঝা যায় এজেন্ট নির্দেশনা মেনেছে কি না, টুল সঠিকভাবে ব্যবহার করেছে কি না এবং প্রত্যাশামতো কাজ শেষ করেছে কি না.

লাইভ কথোপকথনের সময়, AMP-এর orchestration layer এজেন্ট কনফিগারেশন ও কথোপকথনের প্রসঙ্গসহ একটি OpenAI মডেলকে প্রম্পট করে উত্তর তৈরি করতে, RAG-এর মাধ্যমে তথ্য উদ্ধার করতে, অথবা গ্রাহকের backend-এর সঙ্গে ইন্টারঅ্যাক্ট করতে টুল চালু করতে. বাস্তব জগতের পারফরম্যান্সে স্পষ্ট উন্নতি দেখালেই Parloa এই layer-টি সর্বশেষ প্রজন্মের মডেল দিয়ে ধারাবাহিকভাবে আপডেট করে.

কথোপকথনের পরে, পৃথক OpenAI-চালিত workflow ইন্টারঅ্যাকশনটির সারাংশ তৈরি করে, গ্রাহকের intent শ্রেণিবদ্ধ করে এবং নির্ধারিত নিয়মের বিপরীতে পারফরম্যান্স মূল্যায়ন করে.

এজেন্টগুলো যত জটিল হয়েছে, একটি মাত্র monolithic প্রম্পট বজায় রাখা তত কঠিন হয়েছে. ছোট পরিবর্তনও অনাকাঙ্ক্ষিত পার্শ্বপ্রতিক্রিয়া আনতে পারত. এ সমস্যা সমাধানে Parloa একটি modular পদ্ধতি চালু করে. প্রমাণীকরণ, বুকিং পরিবর্তন বা অ্যাকাউন্ট আপডেটের মতো কাজ আলাদা sub-agent-এ ভাগ করা যায়, যা নির্দেশনা অনুসরণ উন্নত করে এবং সময়ের সঙ্গে সিস্টেম উন্নয়ন সহজ করে.

একই সঙ্গে, যেখানে নির্ভরযোগ্যতা সবচেয়ে গুরুত্বপূর্ণ, সেখানে প্ল্যাটফর্মটি deterministic control যুক্ত করে. এন্টারপ্রাইজগুলো structured API chain এবং event-based logic নির্ধারণ করতে পারে, যাতে গুরুত্বপূর্ণ ধাপগুলো সঠিক ক্রমে ঘটে; এতে কথোপকথনের নমনীয়তা ও পূর্বানুমানযোগ্য execution-এর ভারসাম্য থাকে.

কোনো এজেন্ট লাইভে যাওয়ার আগেই বাস্তবসম্মত গ্রাহক ইন্টারঅ্যাকশন সিমুলেট করতে Parloa GPT‑4.1, GPT‑5‑mini এবং অন্য মডেল ব্যবহার করে, তারপর LLM-কে বিচারক হিসেবে ব্যবহার ও deterministic rule মিলিয়ে সেসব ইন্টারঅ্যাকশন মূল্যায়ন করে. এর ফলে দলগুলো edge case পরীক্ষা করতে পারে, দ্রুত উন্নতি করতে পারে এবং গ্রাহকদের ব্যর্থতার মুখে ফেলার আগেই পারফরম্যান্স যাচাই করতে পারে.

Parloa মূলত বড় এন্টারপ্রাইজের সঙ্গে কাজ করে, যেখানে সক্ষমতার মতোই ধারাবাহিকতাও গুরুত্বপূর্ণ.

“নতুন কোনো মডেল বের হলে, আমরা সেটির ওপর আমাদের benchmarking suite চালাই,” বলেন Senior Applied Scientist Matthäus Deutsch. “আমাদের জন্য খুব গুরুত্বপূর্ণ যে জিনিসগুলো শুধু তাত্ত্বিক benchmark-এ নয়, বাস্তব use case-এও কাজ করুক.”

অ্যাবস্ট্র্যাক্ট benchmark-এর ওপর নির্ভর না করে, Parloa বাস্তব প্রোডাকশন এজেন্টকে প্রতিফলিত করে এবং সেগুলোকে simulation ও evaluation pipeline-এর মধ্য দিয়ে চালায়. বাস্তবসম্মত অবস্থায় এসব পরীক্ষা নির্দেশনা অনুসরণের নির্ভরযোগ্যতা, API call-এর ধারাবাহিকতা, লেটেন্সি এবং সামগ্রিক পারফরম্যান্স মাপে.

এই মূল্যায়নগুলো নির্ধারণ করে কোন মডেল প্রোডাকশনের জন্য প্রস্তুত. বাস্তব গ্রাহক পরিস্থিতিতে যেসব মডেল নির্ভরযোগ্যভাবে কাজ করে, শুধু সেগুলোই ডিপ্লয় করা হয়.

“এন্টারপ্রাইজ গ্রাহকদের জন্য migration-এর বাস্তব খরচ আছে,” বলেন Deutsch. “একবার কোনো সিস্টেম প্রোডাকশনে কাজ করতে শুরু করলে, তারা সেটিকে স্থিতিশীল রাখে এবং সুবিধা স্পষ্ট হলেই শুধু বদলায়.”

ফলে, বৃহৎ পরিসরেও সিস্টেমগুলো প্রোডাকশনে পূর্বানুমানযোগ্যভাবে আচরণ করে. লক্ষ লক্ষ গ্রাহক ইন্টারঅ্যাকশন জুড়ে, বেশির ভাগ কথোপকথন ঘর্ষণ ছাড়াই সমাধান হয়. কল মানব এজেন্টের কাছে রাউট হলেও, escalation খুব কমই ব্যর্থতার কারণে ঘটে. একটি ডিপ্লয়মেন্টে, একটি বৈশ্বিক travel কোম্পানি মানব এজেন্টের অনুরোধ 80% কমিয়েছে.

এই মূল্যায়ন-প্রথম মানসিকতা Parloa-এর একটি মূল পার্থক্যকারী হয়ে উঠেছে, যা প্রোডাকশনে নির্ভরযোগ্যতা বিসর্জন না দিয়ে দ্রুত এগোতে সাহায্য করে.

টেক্সটভিত্তিক chat-এর তুলনায় ভয়েস ভিন্ন ধরনের সীমাবদ্ধতা নিয়ে আসে. প্রতিটি ইন্টারঅ্যাকশন কম-লেটেন্সির একটি pipeline দিয়ে চলে: speech-to-text, মডেল reasoning এবং text-to-speech.

এই pipeline লেটেন্সিকে অত্যন্ত গুরুত্বপূর্ণ করে তোলে. মডেল layer-এ সামান্য বিলম্বও জমে কলারের কাছে চোখে পড়ার মতো বিরতি তৈরি করে, যা মডেল নির্বাচন ও অপ্টিমাইজেশনের ধরন নির্ধারণ করে.

রিয়েল-টাইম use case-এর জন্য পারফরম্যান্স অপ্টিমাইজ করতে Parloa OpenAI-এর সঙ্গে ঘনিষ্ঠভাবে কাজ করে, লেটেন্সি, response quality এবং instruction following-এ গুরুত্ব দেয়. লাইভ গ্রাহক ইন্টারঅ্যাকশনে rollout করার আগে দলটি production-like পরিবেশে নতুন মডেল iteration ধারাবাহিকভাবে মূল্যায়ন ও stress-test করে.

Parloa ভয়েস stack-এর প্রতিটি উপাদান আলাদাভাবে মূল্যায়ন করে:

• স্পিচ-টু-টেক্সট সিস্টেম word error rate-এর জন্য পরীক্ষা করা হয়, বিশেষ করে policy number বা account identifier-এর মতো সংবেদনশীল input-এর ক্ষেত্রে.
• টেক্সট-টু-স্পিচ মডেল blind listening test-এর মাধ্যমে মূল্যায়ন করা হয়, যাতে বাস্তব ব্যবহারকারীর কাছে কণ্ঠ কতটা স্বাভাবিক শোনায় তা বোঝা যায়. এরপর প্রোডাকশন পরিবেশে ধারাবাহিক পারফরম্যান্স নিশ্চিত করতে এসব ফল বাস্তব গ্রাহক ইন্টারঅ্যাকশনের সঙ্গে মিলিয়ে দেখা হয়.
• স্পিচ-টু-স্পিচ মডেল বর্তমানে প্রোডাকশন প্রস্তুতির জন্য মূল্যায়ন করা হচ্ছে, লেটেন্সি, নির্ভুলতা এবং খরচে জোর দিয়ে.

শুরু থেকেই এসব সিস্টেম বৈশ্বিক ডিপ্লয়মেন্টের জন্য তৈরি করা হয়েছে. Benchmark একাধিক ভাষা জুড়ে বিস্তৃত, আর গ্রাহকরা বিশ্বজুড়ে নানা অঞ্চলে কাজ করেন. এই বহুভাষিক কঠোরতা Parloa-এর ইউরোপীয় শিকড় এবং এন্টারপ্রাইজ গ্রাহকদের প্রত্যাশা—দুটিকেই প্রতিফলিত করে; তারা এক ভাষা বা এক অঞ্চলে নয়, বাজারজুড়ে ধারাবাহিক পারফরম্যান্স চান.

আজ Parloa-এর এজেন্টরা retail, travel এবং insurance-সহ নানা শিল্পে লক্ষ লক্ষ কথোপকথন সামলায়, support automation থেকে teleshopping-এর মতো revenue-generating flow পর্যন্ত নানা use case সমর্থন করে.

Parloa মনে করে গ্রাহকসেবা পুরোপুরি multimodal অভিজ্ঞতায় বিকশিত হচ্ছে.

একটি কথোপকথন ফোনে শুরু হতে পারে, chat-এ চলতে পারে এবং পথে link বা interactive element যুক্ত হতে পারে. প্রতিটি ধাপকে আলাদা flow হিসেবে দেখার বদলে, AMP এটিকে একক ইন্টারঅ্যাকশন হিসেবে সামলানোর জন্য ডিজাইন করা. সময়ের সঙ্গে, AI এজেন্টগুলো website ও mobile app-এর মতোই গ্রাহক যাত্রার কেন্দ্রীয় অংশ হয়ে উঠতে পারে.

এন্টারপ্রাইজগুলো গ্রাহক ইন্টারঅ্যাকশনের ক্রমবর্ধমান অংশ অটোমেট করার দিকে এগোতে থাকায়, Parloa বৈশ্বিক পরিসরে কাজ করার মতো যথেষ্ট নির্ভরযোগ্য, নমনীয় এবং আস্থাযোগ্য AI এজেন্ট তৈরিতে মনোযোগী.