Goldman-ისა და Meta-ს ყოფილმა თანამშრომლებმა ხმოვანი AI შექმნეს იმ ბაზრებისთვის, რომლებსაც გიგანტები ყურადღებას არ აქცევენ

მომხმარებელთა მხარდაჭერა და მომსახურება ამჟამად ხმოვანი ხელოვნური ინტელექტის (Voice AI) ერთ-ერთი ყველაზე აქტიური სექტორია. თუმცა, ისეთი პროდუქტის შექმნა, რომელიც ადამიანის მსგავსად ჟღერს და შესამჩნევი დაყოვნების გარეშე პასუხობს, ზოგიერთ ბაზარზე ბევრად უფრო რთული აღმოჩნდა, ვიდრე სხვებში. ინდუსტრიის მსხვილი მოთამაშეების უმეტესობა აფრიკისა და ახლო აღმოსავლეთის სპეციფიკური საჭიროებების გათვალისწინებით არ შექმნილა.

სტარტაპმა AethexAI-მ, რომელიც გასულ წელს სწორედ ამ ხარვეზის აღმოსაფხვრელად დაფუძნდა, 3 მილიონი აშშ დოლარის ოდენობის წინასწარი (pre-seed) დაფინანსება მოიზიდა. ინვესტიციას 4DX Ventures-ი ხელმძღვანელობდა, Enza Capital-ის, Dorm Room Fund-ის, Mojo Ventures-ისა და Stanford GSB 26 Fund-ის მონაწილეობით. ინდივიდუალურ ინვესტორებს შორის არიან სტენფორდის ფაკულტეტის წევრები, ტელეკომუნიკაციების სფეროს ხელმძღვანელები და Anthropic-ის AI მკვლევრები.

არსებული ინსტრუმენტების (მაგალითად, Vapi და LiveKit) გამოყენების ნაცვლად, კომპანიამ ნულიდან შექმნა საკუთარი მცირე მოდელი და ორკესტრაციის შრე. ეს გადაწყვეტილება მიზნად ისახავს ინგლისური, ფრანგული და არაბული ენების ლოკალური დიალექტების დამუშავებას, რომლებიც სამიზნე ბაზრებზეა გავრცელებული. აღნიშნული არჩევანი განპირობებული იყო რეგიონში ოპერირების განსაკუთრებული მოთხოვნებით.

დამფუძნებლები და ხედვა

სტარტაპი მარიამა დიალომ და აიოლუვა ოდემუიუვამ დააფუძნეს. კომპანიის აღმასრულებელ დირექტორს, დიალოს, Goldman Sachs-ში მუშაობის გამოცდილება აქვს, მოგვიანებით კი YC-ის მიერ მხარდაჭერილ ModelML-ს შეუერთდა პროდუქტისა და ზრდის მიმართულებით. ტექნიკური დირექტორი ოდემუიუვა Caltech-ის კურსდამთავრებულია, მუშაობდა Meta-ში და სტენფორდის ბიზნეს სკოლაში სწავლობდა კომპანიის დაფუძნებამდე. პარტნიორებს სურდათ შეექმნათ პროდუქტი განვითარებადი ბაზრებისთვის და დაიწყეს შესაბამისი შესაძლებლობების ძიება.

მთელ მსოფლიოში ბიზნესები ცდილობენ AI ინსტრუმენტების დანერგვას ოპერაციების ავტომატიზაციისთვის, თუმცა ეს ყოველთვის წარმატებით არ სრულდება. დამფუძნებლებმა აღმოაჩინეს, რომ ეგვიპტეში ერთ-ერთმა ქოლ-ცენტრმა ზარების მნიშვნელოვანი ნაწილის ავტომატიზაცია მოახდინა, თუმცა ცუდი შედეგების გამო სისტემაზე უარი თქვა. აფრიკის რამდენიმე მხარდაჭერის ცენტრში კი აღნიშნეს, რომ ზარების ავტომატიზაციისთვის საჭირო ინჟინრების მოძიება და დაქირავება მისაღებ ფასად მუდმივი პრობლემა იყო.

ტექნიკური გამოწვევები და გადაჭრის გზები

ოდემუიუვას განმარტებით, ამ რეგიონში ავტომატიზებული ზარების დროს დაყოვნება (latency) და ხარვეზები (jitter) კატასტროფულად მაღალი იყო. თუ კომპანია მზა ორკესტრატორებს გამოიყენებდა, მოუწევდათ რეგიონის გარეთ განთავსებული დიდი მოდელების გამოყენება, რაც დაყოვნებას კიდევ უფრო გაზრდიდა. ამიტომ, გადაწყდა ძალიან მცირე მოდელების გამოყენება და დაყოვნების შემცირება ყოველ ეტაპზე.

AI ლაბორატორიები, როგორც წესი, მილიონებს ხარჯავენ მოდელების წვრთნასა და მონაცემების მოპოვებაზე. AethexAI-მ ორივე მიმართულებით ალტერნატიული გზა იპოვა:

• მცირე მოდელების სტრატეგია: გიგანტური მოდელების ნაცვლად, კომპანიამ შექმნა Kora-ს სერიის მოდელები, რომელთა პარამეტრების რაოდენობა 300 მილიონიდან 1.7 მილიარდამდე მერყეობს. ეს ტიპური დიდი ენობრივი მოდელების (LLM) მხოლოდ მცირე ნაწილია, რაც დაყოვნების პრობლემას ჭრის.
• მონაცემთა შეგროვება: მოდელების გასაწვრთნელად სტარტაპმა გამოიყენა პარტნიორი ქოლ-ცენტრის ანონიმური ჩანაწერები.
• ლოკალური მიდგომა: მათ აფრიკის მასშტაბით რადიოსადგურებში გაგზავნეს მყარი დისკები მეტი აუდიო მონაცემის შესაგროვებლად.
• სტუდენტური ქსელი: ხარჯების შესამცირებლად, შეიქმნა უნივერსიტეტის სტუდენტების ქსელი, რომლებიც მონაცემების ანოტაციას ახდენენ და ადგილობრივი სახელების გამოთქმაში ეხმარებიან სისტემას.

შედეგად, სტარტაპი დღეში 17,000-ზე მეტ ზარს ამუშავებს.

ბიზნეს მოდელი და გამოყენების შემთხვევები

კომპანია განსაკუთრებულ ყურადღებას უთმობს კლიენტებს, რომლებისთვისაც ხმოვანი AI ახალი ხილია. ისინი სთავაზობენ ადგილზე დემონსტრაციებსა და ვორქშოპებს, რათა დაეხმარონ საუკეთესო გამოყენების შემთხვევების იდენტიფიცირებაში. დიალოს თქმით, ისინი კლიენტებს ურჩევენ, თავიდან აირჩიონ ერთი, მათთვის ყველაზე მნიშვნელოვანი მიმართულება და იქიდან დაიწყონ.

ამჟამად ძირითადი გამოყენების შემთხვევები მოიცავს:

• ვალების ამოღებასთან დაკავშირებული ზარები;
• მომხმარებელთა აქტივაცია;
• KYC (იცნობდე შენს კლიენტს) ვერიფიკაცია — პირადობის დადასტურების სტანდარტული პროცესი ბანკებსა და ტელეკომუნიკაციებში.

კომპანია ქირაობს ინჟინრებს კონტრაქტის საფუძველზე ლოკალური ბაზრების მოსამსახურებლად და ამყარებს პარტნიორობას ტელეკომ-პროვაიდერებთან ტელეფონიის სამართავად. მათი თქმით, მზა (plug-and-play) გადაწყვეტილებები ამ რეგიონში უბრალოდ არ მუშაობს.

ბაზრის სპეციფიკა

4DX Ventures-ის თანადამფუძნებელი, უოლტერ ბადუ, აღნიშნავს, რომ აფრიკისა და ახლო აღმოსავლეთის ბაზარი ფუნდამენტურად განსხვავდება დასავლურისგან. ამ რეგიონებში საწარმოები დაახლოებით სამჯერ მეტ ზარს ამუშავებენ, რადგან ხმა კვლავ რჩება მომხმარებელთან ურთიერთობის დომინანტურ არხად.

არსებული სისტემები შეიქმნა დასავლური ბაზრებისთვის, სადაც ხელმისაწვდომია მაღალი დონის GPU ინფრასტრუქტურა და სტანდარტული ენობრივი გარემო. ეს ქმნის დიდ ნაპრალს, როდესაც ბიზნესს სჭირდება სისტემა, რომელიც გაუმკლავდება დიალექტებს, ენების შერევას (code-switching), არაფორმალურ მეტყველებას და იმუშავებს მათ არსებულ ტელეფონიის ინფრასტრუქტურაში მისაღებ ფასად.

მიუხედავად იმისა, რომ ისეთი კომპანიები, როგორიცაა ElevenLabs, Deepgram, Sierra და Cognigy, გლობალურად სწრაფად ფართოვდებიან, AethexAI-ს მსგავსი სტარტაპები ფსონს დებენ იმაზე, რომ ლოკალურ დიალექტებზე მორგებული მოდელები და რეგიონული ინფრასტრუქტურა ქმნის ბაზრის იმ ნიშას, რომლის შევსების არც მოტივაცია და არც არქიტექტურა გიგანტებს არ გააჩნიათ.