Parloa असे सेवा एजंट बनवते ज्यांच्याशी ग्राहकांना बोलायला आवडेल

Parloa च्या सुरुवातीच्या काळात, सह-संस्थापक Stefan Ostwald यांनी एका विमा कॉल सेंटरमध्ये एक दिवस घालवला, जिथे त्यांची टीम सुरुवातीचे व्हॉइस एक्सपीरियन्सेस तयार करत होती. एजंट्सच्या बाजूला बसून, त्यांनी तेच तेच संवाद पुन्हा पुन्हा होताना ऐकले: पासवर्ड रीसेट करणे, पॉलिसीबद्दलचे प्रश्न, नियमित बदल. त्यांच्या लक्षात आले की यातील बरेचसे काम स्वयंचलित केले जाऊ शकते.

या अनुभवानंतर बर्लिनस्थित Parloa⁠(नवीन विंडोमध्ये उघडेल) ने मोठ्या प्रमाणावरील ग्राहक संवाद स्वयंचलित करण्यासाठी नियमाधारित व्हॉईस एजंट विकसित करण्यास सुरुवात केली.

ChatGPT उदयास आल्यानंतर कंपनीने आपले तंत्र विकसित केले आणि GPT‑5.4 सह नव्या पिढीतील मॉडेलवर आधारित आजचे कृत्रिम बुद्धिमत्ता एजंट मॅनेजमेंट प्लॅटफॉर्म (AMP) तयार केले.

AMP उद्योगांना मोठ्या प्रमाणावर ग्राहक सेवा संवादांची रचना, अंमलबजावणी आणि व्यवस्थापन करण्याचा एक मार्ग देते. ठराविक हेतू आणि प्रवाहांची आखणी करण्याऐवजी, टीम नैसर्गिक भाषेत कार्यपद्धती परिभाषित करतात, अंतर्गत प्रणालींशी जोडणी करतात आणि अंगभूत सिम्युलेशन व मूल्यांकनांचा वापर करून वेगाने पुनरावृत्ती करतात.

Parloa या सर्व आंतरक्रिया सुरुवातीपासून शेवटपर्यंत चालवते, ज्यात साध्या राउटिंगपासून ते गुंतागुंतीच्या, अनेक टप्प्यांच्या विनंत्यांपर्यंत सर्व काही हाताळले जाते. प्रोडक्शनमध्ये सुसंगततेवर लक्ष केंद्रित केले जाते, जिथे परफॉर्मन्स, लेटन्सी आणि अपवादात्मक परिस्थिती या सर्वांना महत्त्व असते. हे साध्य करण्यासाठी, Parloa मॉडेल्स तैनात करण्यापूर्वी वास्तविक ग्राहक परिस्थितींमध्ये त्यांची सातत्याने चाचणी करते.

व्यावसायिक वापरकर्ते आणि विषयतज्ज्ञांना कोड रायटिंग न करता कृत्रिम बुद्धिमत्ता एजंट तयार करता यावेत, यासाठी Parloa चे एजंट मॅनेजमेंट प्लॅटफॉर्म (AMP) तयार केले आहे.

“AMP मुळे विविध व्यवसाय विभागांतील विषयतज्ज्ञ स्वतः एजंट तयार करू शकतात आणि API अधिक सुटसुटीत व सोप्या पद्धतीने जोडू शकतात,” असे O’Reilly सांगतात.

ढोबळमानाने सांगायचे झाल्यास, AMP ब्रँड्सना संपूर्ण AI एजंट लाइफसायकल व्यवस्थापित करण्याची परवानगी देते. हे करण्यासाठी, ते तांत्रिक ज्ञान नसलेल्या टीम्सना एजंट प्रत्यक्ष वापरात येण्यापूर्वीच, त्याने कसे वागावे हे परिभाषित करण्याचा एक सोपा मार्ग देते. कोड लिहिण्याऐवजी किंवा कठोर इंटेंट ट्री मॅप करण्याऐवजी, विषय तज्ञ नैसर्गिक भाषेत एजंटची भूमिका, सूचना, टूल्स आणि मर्यादा निश्चित करतात. ही रचनाच मॉडेलला कसे प्रॉम्प्ट केले जाईल आणि प्रत्यक्ष वापरात सिस्टम कशी वागेल याचा आधार बनते.

एजंट निश्चित केल्यानंतर उपयोजनापूर्वी त्याची चाचणी केली जाते. Parloa GPT‑5.4 सारख्या मॉडेलच्या मदतीने ग्राहक संभाषणांचे अनुकरण करते. यात एक मॉडेल कॉल करणाऱ्याची भूमिका निभावते आणि दुसरे कॉन्फीगर केलेला एजंट चालवते. टीम हे संवाद थेट तपासू शकतात, वास्तववादी परिस्थितींमध्ये बदलांची चाचणी घेऊ शकतात आणि प्रत्यक्ष वापरापूर्वी सुधारणा करू शकतात.

त्यानंतर निश्चित निकषांवरील तपासण्या आणि परीक्षक म्हणून LLM ने दिलेले गुण यांच्या संयोगातून त्याच मॉडेलच्या मदतीने या संभाषणांचे मूल्यमापन केले जाते. यातून एजंटने सूचनांचे पालन केले का, टूल्स योग्य प्रकारे वापरली का आणि अपेक्षेप्रमाणे कार्य पूर्ण केले का, हे समजते.

थेट संभाषणादरम्यान, AMP चा ऑर्केस्ट्रेशन लेयर, एजंट कॉन्फिगरेशन आणि संभाषणाच्या संदर्भासह एका OpenAI मॉडेलला प्रतिसाद तयार करण्यासाठी, RAG द्वारे माहिती मिळवण्यासाठी किंवा ग्राहकांच्या बॅकएंडशी संवाद साधण्यासाठी टूल्स कार्यान्वित करण्यासाठी प्रॉम्प्ट करतो. प्रत्यक्ष वापरातील कामगिरीमध्ये स्पष्ट सुधारणा दर्शविणाऱ्या नवीनतम पिढीच्या मॉडेल्ससह Parloa हा लेयर सतत अपडेट करत असतो.

संभाषणानंतर OpenAI द्वारे चालणाऱ्या स्वतंत्र कार्यप्रवाहांमधून संवादाचा सारांश तयार केला जातो, ग्राहकाच्या हेतूचे वर्गीकरण होते आणि निश्चित नियमांनुसार कार्यक्षमतेचे मूल्यमापन केले जाते.

एजंट्स अधिक गुंतागुंतीचे झाल्यामुळे, एकच, एकात्मिक प्रॉम्प्ट सांभाळणे कठीण झाले. लहान बदलांमुळे अनपेक्षित दुष्परिणाम होऊ शकत होते. यावर उपाय म्हणून, Parloa ने एक मॉड्यूलर पद्धत सादर केली. ऑथेंटिकेशन, बुकिंगमधील बदल किंवा खाते अपडेट करणे यांसारखी कामे वेगवेगळ्या उप-एजंट्समध्ये विभागली जाऊ शकतात, ज्यामुळे सूचनांचे पालन सुधारते आणि कालांतराने सिस्टीम विकसित करणे सोपे होते.

त्याच वेळी, जिथे विश्वसनीयता सर्वात महत्त्वाची असते, तिथे या प्लॅटफॉर्ममध्ये निश्चित नियंत्रणे समाविष्ट आहेत. कंपन्या संरचित API साखळ्या आणि इव्हेंट-आधारित तर्कशास्त्र परिभाषित करू शकतात, जेणेकरून महत्त्वपूर्ण टप्पे योग्य क्रमाने घडतील आणि संवादात्मक लवचिकता व अपेक्षित अंमलबजावणी यांच्यात संतुलन साधता येईल.

एजंट प्रत्यक्ष कामाला लागण्यापूर्वीच, Parloa वास्तविक ग्राहक संवादांचे अनुकरण करण्यासाठी GPT‑4.1, GPT‑5‑mini आणि इतर मॉडेल्सचा वापर करते, आणि नंतर LLM-as-a-judge व निश्चित नियमांच्या संयोजनाचा वापर करून त्या संवादांचे मूल्यांकन करते. यामुळे टीम्सना ग्राहकांना अपयशाच्या संपर्कात आणण्यापूर्वी, अपवादात्मक परिस्थिती तपासण्याची, वेगाने सुधारणा करण्याची आणि कामगिरीची पडताळणी करण्याची संधी मिळते.

Parloa प्रामुख्याने मोठ्या उद्योगांसोबत काम करते, जिथे क्षमतेइतकेच सातत्यही महत्त्वाचे असते.

"जेव्हा एखादे नवीन मॉडेल बाजारात येते, तेव्हा आम्ही आमची बेंचमार्किंग प्रणाली त्यावर चालवतो," असे वरिष्ठ अप्लाइड सायंटिस्ट, Matthäus Deutsch म्हणतात. "आमच्यासाठी हे खूप महत्त्वाचे आहे की गोष्टी केवळ सैद्धांतिक बेंचमार्कमध्येच नव्हे, तर प्रत्यक्ष वापराच्या परिस्थितीतही व्यवस्थित काम कराव्यात."

अमूर्त बेंचमार्कवर अवलंबून राहण्याऐवजी, Parloa वास्तविक उत्पादन एजंट्सची प्रतिकृती तयार करते आणि त्यांना सिम्युलेशन व मूल्यांकन पाइपलाइनमधून चालवते. या चाचण्या वास्तविक परिस्थितीत सूचनांचे पालन करण्याची विश्वसनीयता, API-कॉलिंगमधील सुसंगतता, विलंब आणि एकूण कामगिरी मोजतात.

या मूल्यमापनांतून कोणती मॉडेल प्रत्यक्ष वापरासाठी तयार आहेत ते ठरते. वास्तविक ग्राहक परिस्थितींमध्ये विश्वासार्ह कामगिरी करणारी मॉडेलच उपयोजित केली जातात.

“उद्योगांच्या ग्राहकांना स्थलांतराचा प्रत्यक्ष खर्च सहन करावा लागतो,” असे Deutsch सांगतात. “एखादी प्रणाली प्रत्यक्ष वापरात सुरळीत चालू लागली की ते ती स्थिर ठेवतात आणि फायदे स्पष्ट असतील तेव्हाच बदल करतात.”

त्यामुळे मोठ्या प्रमाणावरही प्रणाली प्रत्यक्ष वापरात अपेक्षेनुसार वागतात. लाखो ग्राहक संवादांपैकी बहुतेक संभाषणे कोणत्याही अडथळ्याशिवाय निकाली निघतात. कॉल मानवी एजंटकडे पाठवले गेले, तरी असे क्वचितच अपयशामुळे घडते. एका उपयोजनात जागतिक प्रवास कंपनीने मानवी एजंटची मागणी 80% कमी केली.

मूल्यमापनाला प्राधान्य देणारी ही विचारसरणी आता Parloa चे मुख्य वेगळेपण ठरली आहे. त्यामुळे प्रत्यक्ष वापरातील विश्वासार्हतेशी तडजोड न करता कंपनी वेगाने पुढे जाऊ शकते.

मजकूर-आधारित चॅटच्या तुलनेत व्हॉइसमध्ये वेगळ्या प्रकारची बंधने असतात. प्रत्येक संवाद कमी-विलंबाच्या प्रक्रियेतून जातो: स्पीच-टू-टेक्स्ट, मॉडेल रीझनिंग आणि टेक्स्ट-टू-स्पीच.

या पाइपलाइनमुळे विलंब अत्यंत महत्त्वाचा ठरतो. मॉडेल लेयरमधील अगदी लहान विलंबसुद्धा कॉलरसाठी लक्षात येण्याजोग्या थांब्यांमध्ये रूपांतरित होतो, ज्यामुळे मॉडेल्सची निवड आणि ऑप्टिमायझेशन कसे केले जाते यावर परिणाम होतो.

रिअल-टाइम वापरासाठी कार्यक्षमता वाढवण्यासाठी Parloa OpenAI सोबत जवळून काम करते, ज्यामध्ये विलंब, प्रतिसादाची गुणवत्ता आणि सूचनांचे पालन यावर लक्ष केंद्रित केले जाते. ही टीम नवीन मॉडेलच्या आवृत्त्यांना प्रत्यक्ष ग्राहक संवादांमध्ये आणण्यापूर्वी, उत्पादनासारख्या वातावरणात त्यांचे सतत मूल्यांकन करते आणि स्ट्रेस टेस्ट करते.

Parloa व्हॉइस स्टॅकमधील प्रत्येक घटकाचे स्वतंत्रपणे मूल्यमापन करते:

• स्पीच-टू-टेक्स्ट सिस्टीमची शब्द त्रुटी दरासाठी चाचणी केली जाते, विशेषतः पॉलिसी क्रमांक किंवा खाते ओळख क्रमांकासारख्या संवेदनशील इनपुटसाठी.
• टेक्स्ट-टू-स्पीच मॉडेल्सचे मूल्यांकन ब्लाइंड लिसनिंग टेस्टद्वारे केले जाते, जेणेकरून प्रत्यक्ष वापरकर्त्यांना आवाज किती नैसर्गिक वाटतो हे तपासता येईल. त्यानंतर, उत्पादन वातावरणात सातत्यपूर्ण कामगिरीची खात्री करण्यासाठी, त्या निकालांची प्रत्यक्ष ग्राहक संवादांशी पडताळणी केली जाते.
• स्पीच-टू-स्पीच मॉडेल प्रत्यक्ष वापरासाठी किती सज्ज आहेत, याचे सध्या विलंब, अचूकता आणि खर्च यांवर भर देऊन मूल्यमापन केले जात आहे.

सुरुवातीपासूनच, या प्रणाली जागतिक स्तरावर वापरण्यासाठी तयार करण्यात आल्या आहेत. बेंचमार्क अनेक भाषांमध्ये आहेत आणि जगभरातील विविध प्रदेशांमध्ये ग्राहक कार्यरत आहेत. ही बहुभाषिक कठोरता Parloa च्या युरोपीय मुळांना आणि एंटरप्राइझ ग्राहकांच्या अपेक्षांना प्रतिबिंबित करते, ज्यांना केवळ एका भाषेत किंवा प्रदेशातच नव्हे, तर सर्व बाजारपेठांमध्ये सातत्यपूर्ण कामगिरीची आवश्यकता असते.

आज Parloa चे एजंट किरकोळ विक्री, प्रवास आणि विमा अशा उद्योगांतील लाखो संभाषणे हाताळतात. ग्राहक सहाय्याच्या स्वयंचलनापासून दूरध्वनी विक्रीसारख्या महसूलनिर्मिती प्रवाहांपर्यंत अनेक उपयोगांना ते पाठबळ देतात.

Parloa नुसार, ग्राहक सेवा ही पूर्णपणे बहुआयामी अनुभवामध्ये विकसित होत आहे.

एखादे संभाषण फोनवर सुरू होऊ शकते, चॅटमध्ये पुढे चालू राहू शकते आणि त्यामध्ये लिंक्स किंवा इंटरॅक्टिव्ह घटकांचा समावेश असू शकतो. प्रत्येक टप्प्याला एक स्वतंत्र प्रवाह मानण्याऐवजी, त्याला एकच संवाद म्हणून हाताळण्यासाठी AMP ची डिझाईन केली आहे. कालांतराने, AI एजंट्स हे वेबसाइट्स आणि मोबाइल ॲप्सप्रमाणेच ग्राहक प्रवासाचा एक महत्त्वाचा भाग बनू शकतात.

उद्योग ग्राहक संवादांचा वाढता वाटा स्वयंचलित करत असताना कृत्रिम बुद्धिमत्ता एजंट जागतिक स्तरावर चालवण्यासाठी पुरेसे विश्वासार्ह, लवचिक आणि भरवशाचे बनवण्यावर Parloa लक्ष केंद्रित करत आहे.