Sesli Asistanlar Neden Basit İşlerin Ötesine Geçemiyor

Alexa, Google Asistan ve Siri birkaç yıl önce ne yapabiliyorsa bugün de aşağı yukarı aynısını yapıyor: alarm kur, hava durumunu söyle, müziği başlat. Sorun konuşma tanımanın kötü olması değil, o taraf çoktan yeterince iyi. Tıkanma sesin kendi doğasında ve asistanın bağlandığı uygulamaların kapıyı ne kadar araladığında.

Eşik tek adımda değil, ikinci kriterde aşılıyor

Hava durumu, alarm, tarif. Bunlar tek adımlı: soru tek bir cevaba karşılık geliyor ve cevap bir cümleye sığıyor. “Cuma akşamı için iki kişilik, bahçesi olan, çok pahalı olmayan bir yer bul” dediğiniz anda iş değişir; artık cevap bir küme ve kümeyi sesle sunmak gerekiyor. Uçuş durumu sorusu da aynı yerden kırılıyor: tarih, kalkış noktası ve taşıyıcı birlikte verilmediğinde asistan tahmin ediyor, tahmin tutmayınca kullanıcı cümleyi baştan kuruyor.

Ses seri bir kanal, liste ise paralel okunur

Ekranda sekiz restoran listelendiğinde göz bunları sırayla okumaz. Üstünden geçer, ikisine geri döner, fiyatlara bakar, birini eler. Aynı sekiz seçeneği sesle almak dakikayı bulur, geri dönüş yoktur ve her yeni seçenek bir öncekinin ayrıntısını hafızadan siler. Sesle karşılaştırma dördüncü beşinci kalemde çöker, çünkü kullanıcı listeyi göremediği için tamamını aklında tutmak zorundadır.

Bu, daha iyi bir dil modeliyle kapanacak bir açık değil. Kanal değişmedikçe sonuç değişmiyor.

Konuyla ilgili iki yaygın talep de birbirini yiyor: asistandan hem kısa ve öz cevap isteniyor hem de çok kriterli sorguları çözmesi bekleniyor. Çok kriterli bir sorunun dürüst cevabı kısa olamaz, elenenleri ve eleme gerekçesini taşımak zorundadır. Sesli arayüzler pratikte kısalığı seçiyor, karmaşık soruyu da sessizce yanlış cevaplıyor. Bu yüzden asistanın kendinden emin tek cümlelik yanıtı, en az güvenilir olduğu yerde en ikna edici duruyor.

Başarısız komutun maliyeti tıklamadan yüksek

Yanlış anlaşılan bir sesli komutta kısmi düzeltme diye bir şey yok. Formda tek harfi değiştirirsiniz, sesli komutta cümlenin tamamını yeniden söylersiniz. Aksanı standart kabul edilenden uzak ya da ana dili farklı kullanıcılar için bu maliyet her etkileşimde geri geliyor ve ikinci tekrardan sonra çoğu kişi telefonu eline alıp işi eliyle yapıyor. Duraksama, kendini düzeltme, kelime tekrarı gibi konuşmanın en doğal özellikleri hâlâ gürültü muamelesi görüyor.

Entegrasyon bir dil sorunu değil, arayüz sorunu

“Spotify’da şu listeyi karıştır” dediğinizde asistan, Spotify’ın dışarıya açtığı komut setine bakar. Uygulama altı işlem yayımlıyorsa doğal dil işleme ne kadar iyi olursa olsun yedincisine ulaşılamaz; sınır modelde değil, uygulamanın yayımladığı arayüzde. Ekosistem rekabeti bu seti daha da daraltıyor, rakibin asistanına tam erişim vermek kimsenin işine gelmiyor (yeni model duyurularının bu tarafta neredeyse hiçbir şeyi değiştirmemesinin sebebi de bu).

Kullanıcılar sınırı deneyerek öğreniyor. Komutlar zamanla kısalıyor, kalıplaşıyor, asistanın bildiği üç beş cümleye iniyor.

Nerede kullanmaya değer

Elleriniz doluyken, hedef belliyken ve cevap tek parçayken sesli asistan gerçekten hızlı: araba kullanırken mesaj dikte etmek ya da mutfakta zamanlayıcı kurmak gibi. Alışveriş, seyahat planı ve “en iyisi hangisi” türü araştırmalar için ekran tek makul seçenek olmayı sürdürüyor.

Sesli bir akış tasarlayacaksanız işe görevleri ayıklayarak başlayın: cevabı tek parça olanlar sese gider, cevabı küme olanlar ekranda kalır. Bu ayrımı yapmadan kurulan her sesli arayüz, kullanıcıyı ikinci soruda telefona geri gönderiyor.