هوش مصنوعی و یادگیری ماشین

تحول Zoom در عصر هوش مصنوعی: از مکالمه تا تکمیل خودکار وظایف با استراتژی C2C

در تحولی بنیادین برای ابزارهای ارتباطی، «زوئدونگ هوانگ» (Xuedong Huang)، مدیر ارشد فناوری زوم، در مهرماه ۱۴۰۵ (سپتامبر ۲۰۲۶) از استراتژی جدید این شرکت با عنوان «C2C» رونمایی کرد که هدف آن انتقال تمرکز پلتفرم‌های ارتباطی از «مکالمه» (Conversation) به «تکمیل وظایف» (Completion) است. این رویکرد جسورانه، با بهره‌گیری از مدل‌های پیشرفته هوش مصنوعی، نویدبخش تحقق ایده‌ای است که هوانگ آن را «حضور استیو جابز در هر جلسه» می‌نامد.

گذار از مکالمه به تکمیل (C2C): پارادایم جدید زوم

هوانگ که پیش از پیوستن به زوم، سه دهه سابقه درخشان در مایکروسافت و توسعه خدمات Azure OpenAI را در کارنامه دارد، معتقد است سال ۱۴۰۵ (۲۰۲۶) «سال تکمیل» نامیده خواهد شد. در این مدل، هوش مصنوعی تنها یک ابزار برای ضبط یا خلاصه‌نویسی نیست، بلکه عاملی است که با اجازه کاربر، وظایف مطرح شده در جلسات را پیش از پایان جلسه به سرانجام می‌رساند. این استراتژی، قابلیت My Notes زوم را به سطح جدیدی از بهره‌وری ارتقا داده است.

معماری فنی: رویکرد فدراسیون و مدل‌های ترکیبی

یکی از نقاط قوت استراتژی زوم، پرهیز از تکیه بر یک مدل هوش مصنوعی واحد است. زوم از یک «رویکرد فدراسیون» استفاده می‌کند که در آن چندین مدل (شامل مدل‌های اختصاصی زوم، OpenAI و Anthropic) عملکرد یکدیگر را بازبینی می‌کنند. هوانگ این معماری را به مسابقات ژیمناستیک تشبیه می‌کند که در آن حضور چندین داور، دقت خروجی را افزایش داده و «توهمات» (Hallucinations) مدل‌های زبانی را به حداقل می‌رساند.

مشخصات فنی و توانمندی‌های مدل‌های زوم

  • Scribe API: در دسترس قرار دادن فناوری تشخیص گفتار برای شرکت‌های ثالث.
  • عملکرد مدل‌ها: استفاده از مدل‌های زبانی کوچک (SLM) برای وظایف ساده جهت کاهش هزینه‌ها و مدل‌های پیشرفته (Frontier Models) برای مسائل پیچیده.
  • یکپارچگی داده‌ها: اتصال با Google Drive، Microsoft Office، Slack، Jira و Salesforce برای ارائه بستری غنی از محتوا.
  • دقت گفتار: بهبود مستمر در تشخیص گفتار، با تمرکز ویژه بر دسترسی‌پذیری برای افرادی با اختلالات گفتاری.

گشودن درها به روی اکوسیستم: Scribe API

برخلاف تصور عمومی مبنی بر اینکه زوم قصد حذف استارتاپ‌های نوت‌برداری هوش مصنوعی را دارد، این شرکت با ارائه Scribe API، زیرساخت پردازش گفتار خود را به سایر توسعه‌دهندگان عرضه کرده است. این API که به طور مداوم در صدر جدول رده‌بندی «Open ASR Leaderboard» در پلتفرم Hugging Face قرار دارد، توانسته است در نسخه دوم خود، استانداردهای جدیدی برای تبدیل دقیق صدا به متن تعریف کند.

آینده و چالش‌های زبان‌شناختی

با وجود پیشرفت‌های چشمگیر، هوانگ اذعان دارد که سد زبانی هنوز به طور کامل شکسته نشده است. زوم در حال تلاش برای گسترش پشتیبانی از زبان‌های رسمی اتحادیه اروپا (۲۴ زبان) و بهبود دقت تشخیص گفتار برای موارد پیچیده پزشکی و آموزشی است. دیدگاه نهایی هوانگ روشن است: «هوش مصنوعی جایگزین تصمیم‌گیرنده انسانی نیست، بلکه بازوی اجرایی اوست.» او معتقد است هرچه حجم داده‌های غیرمفید (AI Slop) افزایش یابد، ارزش تعامل با سیستم‌های هوشمند دقیق و ساختاریافته بیشتر نمایان خواهد شد.

📌 منبع و مطالعه بیشتر: Zoom CTO XD Huang on bringing Steve Jobs to every meeting (The Next Web)
حامد

حامد

مسئول مجله فناوری آسمان نقره‌ای