تصور کنید به جای پر کردن ده‌ها فرم اداری پیچیده، تنها با یک تماس تلفنی و به زبان محلی بفهمید که آیا واجد شرایط دریافت کمک‌های دولتی هستید یا خیر. FinSaathi دقیقاً همین تجربه را برای کاربران بازار هند خلق کرده است تا شکاف میان استدلال مدل‌های زبانی و زیرساخت‌های تلفنی را پر کند. این سامانه که در یک چالش ۱۰ روزه برای رقابت VoiceForBharat توسعه یافته، به کاربران اجازه می‌دهد صلاحیت خود را برای طرح‌های حمایتی دولت، بدون نیاز به وب‌سایت‌های دشوار، از طریق مکالمات طبیعی به زبان‌های هندی و هینگلیش (ترکیبی از هندی و انگلیسی) بررسی کنند.
عامل‌های صوتی معمولاً در «مایل آخر» ارتباطات، یعنی همان تماس تلفنی واقعی، دچار مشکل می‌شوند. همان‌طور که در تحلیل قبلی ما درباره‌ی NVIDIA Magpie TTS اشاره کردیم، تأخیر بسیار کم برای عامل‌های چندزبانه حیاتی است؛ اما FinSaathi روی زیرساخت‌های سیستمی تمرکز کرده تا این مکالمات در یک محیط قانون‌مند و بانکی کاربردی شوند. برای یک کاربر در هند، این به معنای پرسیدن جمله‌ای مانند «آیا من برای طرح PMJJBY واجد شرایط هستم؟» و دریافت یک بررسی صلاحیت مکالمه‌محور بر اساس داده‌های خاص اوست.
به نقل از گزارشی در وب‌سایت dev.to که در ۱۴ اوت ۲۰۲۶ منتشر شد، این سیستم برای مدیریت صدای بلادرنگ و ذخیره داده‌ها از پشتهٔ فناوری زیر استفاده می‌کند:
انتقال بلادرنگ: LiveKit Agents و SIP برای ادغام با شبکه‌های تلفنی.
سنتز صدا: Murf Falcon برای تبدیل متن به گفتار (TTS) — شبیه به یک گوینده حرفه‌ای که متن را با لحنی طبیعی می‌خواند.
بک‌اند و ذخیره‌سازی: FastAPI (پایتون) و SQLite برای مدیریت حافظه کاربر.
فرانت‌اند: Next.js و React برای داشبوردهای تحلیل و پشتیبانی.
فراتر از یک چت‌بات ساده
فرآیندهای بانکی و طرح‌های حمایتی دولت معمولاً با اصطلاحات سخت، ضرب‌الاجل‌های شدید و الزامات صلاحیت پیچیده همراه هستند. برای کاربرانی که صحبت کردن برایشان راحت‌تر از تایپ کردن است، رابط‌های صوتی اصطکاکِ کار با چندین فرم دیجیتال را از بین می‌برند.
FinSaathi قرار نیست جایگزین بانک‌ها یا پشتیبان‌های انسانی شود، بلکه به عنوان اولین لایه حمایتی مکالمه‌محور عمل می‌کند. این عامل وظیفه پذیرش اولیه و غربالگری اطلاعات را بر عهده دارد و تنها زمانی که پیچیدگی وضعیت کاربر زیاد شود و نیاز به تخصص باشد، مورد را به یک متخصص انسانی ارجاع می‌دهد. این رویکرد عملیاتی برای جلوگیری از شکست عامل‌های هوش مصنوعی در مقیاس تجاری که اغلب به دلیل عدم مدیریت درست لایه‌های استقرار رخ می‌دهد، حیاتی است.
سازوکار فنی و مدیریت داده‌ها
برای حفظ تداوم مکالمات در طول زمان، FinSaathi یک لایه حافظه اختصاصی را پیاده‌سازی کرده است. سیستم عملیات پایگاه‌داده را از کد عامل جدا کرده و از یک جریان منطقی مشخص پیروی می‌کند: عامل $ \rightarrow $ database.py $ \rightarrow $ SQLite $ \rightarrow $ جدول کاربران. این جداسازی باعث می‌شود عامل بتواند اطلاعات مرتبط کاربر را در تعاملات آینده بازخوانی و مجدداً استفاده کند، بدون اینکه منطق دیتابیس با پردازش اصلی مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — تداخل پیدا کند.
بررسی صلاحیت طرح‌های دولتی نیز از یک مکانیزم ابزارمحور (Tool-based) ساختاریافته پیروی می‌کند:
- کاربر درباره یک طرح خاص می‌پرسد.
- عامل اطلاعات مورد نیاز را از طریق گفتگو جمع‌آوری می‌کند.
- ابزار بررسی صلاحیت (Eligibility tool) داده‌ها را پردازش می‌کند.
- نتیجه (واجد شرایط / غیرواجد شرایط) در دیتابیس ذخیره می‌شود.
- نتیجه به‌صورت گفتاری و در قالب یک مکالمه به کاربر اعلام می‌گردد.
تماس خروجی و تحلیل‌ها
برخلاف بات‌های غیرفعال که منتظر پیام کاربر می‌مانند، FinSaathi می‌تواند پیش‌دستانه با کاربران تماس بگیرد. سیستم دیتابیس را برای یافتن ضرب‌الاجل‌های زمانی یا شناسایی کاربران واجد شرایط بررسی کرده، منطق تماس خروجی را از طریق SIP/LiveKit فعال می‌کند و عامل هوش مصنوعی را مستقیماً به تلفن کاربر متصل می‌سازد.
موفقیت این سیستم با این معیار سنجیده می‌شود که آیا هدف کاربر در نهایت محقق شده است یا خیر. سیستم تعاملات واقعی مرورگر یا SIP را رصد می‌کند تا داشبورد تحلیل‌ها را با داده‌های زیر پر کند:
- تعداد کل تماس‌ها
- تماس‌های موفق (مثلاً زمانی که بررسی صلاحیت با موفقیت تکمیل شده است)
- تماس‌های شکست‌خورده (مثلاً زمانی که کاربر پیش از تکمیل فرآیند، تماس را قطع کرده است)
معماری عامل‌های تخصصی
این سامانه به جای تکیه بر یک پرامپت واحد و حجیم (Monolithic)، از مکانیزم «ارجاع به متخصص» (Specialist Handoff) استفاده می‌کند. وقتی عامل اصلی متوجه پرسشی درباره طرح‌های دولتی می‌شود، جلسه را به یک متخصص طرح‌های دولتی منتقل می‌کند. این متخصص به طور خاص جزئیات مربوط به صلاحیت، مدارک مورد نیاز، مزایا و اطلاعات کلی طرح‌ها را مدیریت می‌کند. این ساختار ماژولار اجازه می‌دهد بدون افزایش حجم پنجره متنی (Context Window) — شبیه به میز کاری که جا برای چند ورق دارد، نه برای کل کتابخانه — متخصص‌های جدیدی برای محصولات مالی مختلف اضافه شوند و سیستم مقیاس‌پذیر بماند.
ایمنی و ارجاع انسانی
هوش مصنوعی در حوزه مالی به حفاظ‌های (Guardrails) سخت‌گیرانه‌ای برای جلوگیری از کلاهبرداری نیاز دارد. FinSaathi برنامه‌ریزی شده است تا به کاربران هشدار دهد که هرگز رمزهای یک‌بار مصرف (OTP)، پین، رمز عبور یا جزئیات CVV کارت را در طول تماس به اشتراک نگذارند. همچنین، عامل صراحتاً به کاربران اطلاع می‌دهد که دسترسی مستقیم به حساب‌های بانکی یا سیستم‌های تراکنشی آن‌ها ندارد. این محدودیت‌ها در حالی است که در بحث‌های پیشرفته‌تر، نیاز عامل‌های هوش مصنوعی به حساب‌های بانکی اختصاصی برای دستیابی به استقلال مالی کامل مورد بحث است.
در شرایط اضطراری یا با فوریت بالا، مانند شناسایی یک تراکنش غیرمجاز، سیستم جریان ارجاع انسانی را فعال می‌کند. عامل می‌پرسد: «اگر بخواهید، می‌توانم برای وضعیت شما یک درخواست پشتیبانی انسانی ایجاد کنم». پس از موافقت کاربر، سیستم یک شناسه مرجع منحصر‌به‌فرد (مثلاً FS-A5323F) ایجاد کرده و درخواست را در داشبورد پشتیبانی با متادیتای زیر ثبت می‌کند:
- دلیل: possible_fraud (احتمال کلاهبرداری)
- فوریت: HIGH (بالا)
- وضعیت: OPEN (باز)
- روش پیگیری ترجیحی: phone (تلفنی)
سپس اپراتورهای انسانی این درخواست را در چرخه حیات «باز» $ \rightarrow $ «در حال پردازش» $ \rightarrow $ «حل‌شده» پیش می‌برند.
چالش‌های زیرساختی
طبق گزارش توسعه‌دهندگان، سخت‌ترین بخش ساخت این سیستم نه هوش مصنوعی، بلکه انتقال بلادرنگ صدا بود. عیب‌یابی خطاهایی مانند WinError 64 ، ConnectionResetError و DuplexClosed در هنگام ادغام SIP نشان داد که عامل‌های صوتی به اندازه هوش مدل، به پایداری شبکه وابسته هستند.
مشکلاتی وجود داشت که در آن‌ها تماس خروجی برقرار می‌شد و هوش مصنوعی شروع به صحبت می‌کرد، اما تماس پیش از موعد قطع می‌شد. حل این مشکل نیازمند بررسی عمیق چرخه حیات Worker در LiveKit، پیکربندی SIP، اتصالات شبکه و وضعیت‌های پردازشی عامل بود. این تجربه ثابت کرد که یک عامل صوتی کاربردی، ترکیبی از صدا، LLM، حافظه، ابزارها، ایمنی، ارتباطات بلادرنگ، دیتابیس، ارجاع انسانی و تحلیل‌ها است.
برای کاربر نهایی، این یعنی هوش مصنوعی دیگر یک شنونده غیرفعال نیست؛ بلکه می‌تواند جزئیات را در SQLite به خاطر بسپارد، یک بررسی صلاحیت ابزارمحور انجام دهد و سپس برای اعلام نتیجه با کاربر تماس بگیرد. این یک سیستم حلقه-بسته است که در آن AI نقش یک دستیار مالی پیش‌دستانه (Concierge) را ایفا می‌کند.
این چرخش نشان می‌دهد آینده عامل‌های هوش مصنوعی در بازارهای نوظهور، نه در رابط‌های چت بهتر، بلکه در ادغام یکپارچه با زیرساخت‌های تلفنی موجود است. با جداسازی منطق عامل از لایه‌های دیتابیس و API (فرانت‌اند $ \rightarrow $ FastAPI $ \rightarrow $ database.py $ \rightarrow $ SQLite)، توسعه‌دهندگان می‌توانند سیستم‌هایی بسازند که عیب‌یابی و توسعه آن‌ها بسیار آسان‌تر است.
گام بعدی شما
- اگر در حال توسعه عامل‌های صوتی هستید، مدیریت وضعیت (State) در تماس‌های تلفنی غیرهمزمان را به عنوان اولویت اول قرار دهید.
- چارچوب‌های AI-native SIP را دنبال کنید تا نیاز به پیکربی‌های دستی برای تماس‌های خروجی کاهش یابد.
- برای کاهش تأخیر در پاسخ‌دهی، از مدل‌های کوچک‌تر (SLM) برای لایه اول غربالگری استفاده کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو