Bild vom Autor

# Einführung

Täglich zeichnen Kundendienstzentren Tausende von Gesprächen auf. In diesen Audiodateien verbergen sich Goldminen an Informationen. Sind die Kunden zufrieden? Welche Probleme werden am häufigsten erwähnt? Wie verändern sich Emotionen während eines Anrufs?
Die manuelle Analyse dieser Aufzeichnungen ist eine Herausforderung. Mit moderner künstlicher Intelligenz (KI) können wir jedoch Anrufe automatisch transkribieren, Emotionen erkennen und wiederkehrende Themen extrahieren – alles offline und mit Open-Supply-Instruments.

In diesem Artikel werde ich Sie durch ein komplettes Projekt zur Analyse der Kundenstimmung führen. Sie erfahren, wie Sie:

• Audiodateien in Textual content umwandeln mit Flüstern
• Erkennen von Gefühlen (positiv, negativ, impartial) und Emotionen (Frustration, Zufriedenheit, Dringlichkeit)
• Themen automatisch extrahieren mit BERThema
• Ergebnisse in einem interaktiven Dashboard anzeigen

Das Beste daran ist, dass alles lokal läuft. Ihre sensiblen Kundendaten verlassen niemals Ihr Gerät.

Abb. 1: Dashboard-Übersicht mit Stimmungsanzeige, Emotionsradar und Themenverteilung

# Verstehen, warum lokale KI für Kundendaten wichtig ist

Cloudbasierte KI-Dienste wie OpenAIs API sind leistungsstark, bringen jedoch Bedenken mit sich, beispielsweise hinsichtlich des Datenschutzes, da Kundenanrufe oft persönliche Informationen enthalten; hohe Kosten, bei denen Sie einen Preis professional API-Aufruf zahlen, der sich bei großen Volumina schnell summiert; und Abhängigkeit von Web-Gebührenbeschränkungen. Durch die lokale Ausführung ist es einfacher, die Anforderungen an die Datenresidenz zu erfüllen.

Dieses lokale KI-Sprach-zu-Textual content-Tutorial behält alles auf Ihrer {Hardware}. Modelle werden einmal heruntergeladen und laufen dauerhaft offline.

Abb. 2: Übersicht über die Systemarchitektur, die zeigt, wie jede Komponente eine Aufgabe intestine bewältigt. Durch diesen modularen Aufbau ist das System leicht zu verstehen, zu testen und zu erweitern

// Voraussetzungen

Bevor Sie beginnen, stellen Sie sicher, dass Sie über Folgendes verfügen:

• Python 3.9+ ist auf Ihrem Pc installiert.
• Das hättest du tun sollen FFmpeg für die Audioverarbeitung installiert.
• Sie sollten über grundlegende Kenntnisse mit Python und den Konzepten des maschinellen Lernens verfügen.
• Für KI-Modelle benötigen Sie etwa 2 GB Speicherplatz.

// Einrichten Ihres Projekts

Klonen Sie das Repository und richten Sie Ihre Umgebung ein:

git clone https://github.com/zenUnicorn/Buyer-Sentiment-analyzer.git

Erstellen Sie eine virtuelle Umgebung:

Aktivieren (Home windows):

Aktivieren (Mac/Linux):

Abhängigkeiten installieren:

pip set up -r necessities.txt

Beim ersten Durchlauf werden KI-Modelle heruntergeladen (~1,5 GB insgesamt). Danach funktioniert alles offline.

Abb. 3: Terminal zeigt erfolgreiche Set up

# Audio mit Whisper transkribieren

Im Kundenstimmungsanalysator besteht der erste Schritt darin, gesprochene Wörter aus Anrufaufzeichnungen in Textual content umzuwandeln. Dies geschieht mit Whisper, einem von entwickelten automatischen Spracherkennungssystem (ASR). OpenAI. Schauen wir uns an, wie es funktioniert, warum es eine gute Wahl ist und wie wir es im Projekt verwenden.

Whisper ist ein Transformer-basiertes Encoder-Decoder-Modell, das auf 680.000 Stunden mehrsprachigem Audio trainiert wurde. Wenn Sie ihm eine Audiodatei zuführen, geschieht Folgendes:

• Neuabtastung des Audiosignals auf 16-kHz-Mono
• Erzeugt ein Mel-Spektrogramm – eine visuelle Darstellung der Frequenzen im Zeitverlauf – das als Foto des Klangs dient
• Teilt das Spektrogramm in 30-Sekunden-Fenster auf
• Leitet jedes Fenster durch einen Encoder, der versteckte Darstellungen erstellt
• Übersetzt diese Darstellungen Wort für Wort (oder Unterwort) in Textual content-Tokens

Stellen Sie sich das Mel-Spektrogramm als die Artwork und Weise vor, wie Maschinen Geräusche „sehen“. Die x-Achse stellt die Zeit dar, die y-Achse stellt die Frequenz dar und die Farbintensität zeigt die Lautstärke. Das Ergebnis ist ein hochpräzises Transkript, auch bei Hintergrundgeräuschen oder Akzenten.

Code-Implementierung

Hier ist die Kernlogik der Transkription:

import whisper

class AudioTranscriber:
    def __init__(self, model_size="base"):
        self.mannequin = whisper.load_model(model_size)
   
    def transcribe_audio(self, audio_path):
        outcome = self.mannequin.transcribe(
            str(audio_path),
            word_timestamps=True,
            condition_on_previous_text=True
        )
        return {
            "textual content": outcome("textual content"),
            "segments": outcome("segments"),
            "language": outcome("language")
        }

Der model_size Der Parameter steuert die Genauigkeit im Verhältnis zur Geschwindigkeit.

Für die meisten Anwendungsfälle gilt: base oder small bietet die beste Steadiness.

Abb. 4: Transkriptionsausgabe mit zeitgestempelten Segmenten

# Stimmungsanalyse mit Transformern

Mit extrahiertem Textual content analysieren wir die Stimmung mithilfe von Umarmende Gesichtstransformatoren. Wir verwenden CardiffNLPs RoBERTa Modell, trainiert auf Social-Media-Textual content, das sich perfekt für gesprächige Kundenanrufe eignet.

// Vergleich von Gefühl und Emotion

Die Stimmungsanalyse klassifiziert Texte als positiv, impartial oder negativ. Wir verwenden ein fein abgestimmtes RoBERTa-Modell, weil es den Kontext besser versteht als ein einfaches Key phrase-Matching.

Das Transkript wird tokenisiert und durch einen Transformer geleitet. Die letzte Ebene verwendet eine Softmax-Aktivierung, die Wahrscheinlichkeiten ausgibt, die sich auf 1 summieren. Wenn beispielsweise positiv 0,85, impartial 0,10 und negativ 0,05 ist, ist die Gesamtstimmung positiv.

• Gefühl: Gesamtpolarität (positiv, negativ oder impartial) zur Beantwortung der Frage: „Ist das intestine oder schlecht?“
• Emotion: Spezifische Gefühle (Wut, Freude, Angst) als Antwort auf die Frage: „Was genau fühlen sie?“

Wir erkennen beides für einen vollständigen Einblick.

// Code-Implementierung für die Stimmungsanalyse

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch.nn.purposeful as F

class SentimentAnalyzer:
    def __init__(self):
        model_name = "cardiffnlp/twitter-roberta-base-sentiment-latest"
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.mannequin = AutoModelForSequenceClassification.from_pretrained(model_name)
   
    def analyze(self, textual content):
        inputs = self.tokenizer(textual content, return_tensors="pt", truncation=True)
        outputs = self.mannequin(**inputs)
        possibilities = F.softmax(outputs.logits, dim=1)
       
        labels = ("adverse", "impartial", "constructive")
        scores = {label: float(prob) for label, prob in zip(labels, possibilities(0))}
       
        return {
            "label": max(scores, key=scores.get),
            "scores": scores,
            "compound": scores("constructive") - scores("adverse")
        }

Der compound Die Bewertung reicht von -1 (sehr negativ) bis +1 (sehr positiv), sodass sich Stimmungstrends im Zeitverlauf leicht verfolgen lassen.

// Warum einfache Lexikonmethoden vermeiden?

Traditionelle Ansätze wie VADER Zähle constructive und adverse Wörter. Allerdings fehlt ihnen oft der Kontext:

• „Das ist nicht intestine.“ Lexicon sieht „intestine“ als positiv an.
• Ein Transformator versteht Negation („nicht“) als negativ.

Transformatoren verstehen Beziehungen zwischen Wörtern und machen sie so für reale Texte weitaus genauer.

# Extrahieren von Themen mit BERTopic

Es ist nützlich, die Stimmung zu kennen, aber worüber reden Kunden? BERThema erkennt automatisch Themen im Textual content, ohne dass Sie sie vorab definieren müssen.

// So funktioniert BERTopic

• Einbettungen: Konvertieren Sie jedes Transkript mithilfe von in einen Vektor Satztransformatoren
• Dimensionsreduzierung: UMAP komprimiert diese Vektoren in einen niedrigdimensionalen Raum
• Clustering: HDBSCAN gruppiert ähnliche Transkripte
• Themenvertretung: Extrahieren Sie für jeden Cluster die relevantesten Wörter mit c-TF-IDF

Das Ergebnis ist eine Reihe von Themen wie „Abrechnungsprobleme“, „technischer Assist“ oder „Produktfeedback“. Im Gegensatz zu älteren Methoden wie Latente Dirichlet-Zuordnung (LDA)BERTopic versteht semantische Bedeutung. „Versandverzögerung“ und „verspätete Lieferung“ kommen zusammen, weil sie dieselbe Bedeutung haben.

Code-Implementierung

Aus matters.py:

from bertopic import BERTopic

class TopicExtractor:
    def __init__(self):
        self.mannequin = BERTopic(
            embedding_model="all-MiniLM-L6-v2",
            min_topic_size=2,
            verbose=True
        )
   
    def extract_topics(self, paperwork):
        matters, possibilities = self.mannequin.fit_transform(paperwork)
       
        topic_info = self.mannequin.get_topic_info()
        topic_keywords = {
            topic_id: self.mannequin.get_topic(topic_id)(:5)
            for topic_id in set(matters) if topic_id != -1
        }
       
        return {
            "assignments": matters,
            "key phrases": topic_keywords,
            "distribution": topic_info
        }

Notiz: Für die Themenextraktion sind mehrere Dokumente (mindestens 5–10) erforderlich, um sinnvolle Muster zu finden. Einzelne Anrufe werden mithilfe des angepassten Modells analysiert.

Abb. 5: Balkendiagramm zur Themenverteilung mit den Kategorien Abrechnung, Versand und technischer Assist

# Erstellen eines interaktiven Dashboards mit Streamlit

Rohdaten sind schwer zu verarbeiten. Wir haben eine gebaut Streamlit Armaturenbrett (app.py), mit dem Geschäftsanwender Ergebnisse erkunden können. Streamlit verwandelt Python-Skripte mit minimalem Code in Webanwendungen. Unser Dashboard bietet:

• Add-Schnittstelle für Audiodateien
• Echtzeitverarbeitung mit Fortschrittsanzeigen
• Interaktive Visualisierungen mit Plotly
• Drilldown-Funktion zur Untersuchung einzelner Anrufe

// Code-Implementierung für die Dashboard-Struktur

import streamlit as st

def principal():
    st.title("Buyer Sentiment Analyzer")
   
    uploaded_files = st.file_uploader(
        "Add Audio Information",
        sort=("mp3", "wav"),
        accept_multiple_files=True
    )
   
    if uploaded_files and st.button("Analyze"):
        with st.spinner("Processing..."):
            outcomes = pipeline.process_batch(uploaded_files)
       
        # Show outcomes
        col1, col2 = st.columns(2)
        with col1:
            st.plotly_chart(create_sentiment_gauge(outcomes))
        with col2:
            st.plotly_chart(create_emotion_radar(outcomes))

Streamlits Caching @st.cache_resource stellt sicher, dass Modelle einmal geladen werden und über Interaktionen hinweg bestehen bleiben, was für eine reaktionsfähige Benutzererfahrung von entscheidender Bedeutung ist.

Abb. 7: Vollständiges Dashboard mit Seitenleistenoptionen und mehreren Visualisierungsregisterkarten

// Hauptmerkmale

• Audio hochladen (oder Beispieltranskripte zum Testen verwenden)
• Transkript mit Stimmungshervorhebungen anzeigen
• Zeitleiste der Emotionen (wenn der Anruf lang genug ist)
• Themenvisualisierung mit interaktiven Plotly-Diagrammen

// Caching für Leistung

Streamlit führt das Skript bei jeder Interaktion erneut aus. Um die Wiederaufbereitung schwerer Modelle zu vermeiden, verwenden wir @st.cache_resource:

@st.cache_resource
def load_models():
    return CallProcessor()

processor = load_models()

// Echtzeitverarbeitung

Wenn ein Benutzer eine Datei hochlädt, zeigen wir während der Verarbeitung einen Spinner an und zeigen dann sofort die Ergebnisse an:

if uploaded_file:
    with st.spinner("Transcribing and analyzing..."):
        outcome = processor.process_file(uploaded_file)
    st.success("Performed!")
    st.write(outcome("textual content"))
    st.metric("Sentiment", outcome("sentiment")("label"))

# Wiederholung praktischer Lektionen

Audioverarbeitung: Von der Wellenform zum Textual content

Die Magie von Whisper liegt in der Umwandlung des Mel-Spektrogramms. Das menschliche Gehör ist logarithmisch, das heißt, wir können tiefe Frequenzen besser erkennen als hohe. Die Mel-Skala ahmt dies nach, sodass das Modell eher wie ein Mensch „hört“. Das Spektrogramm ist im Wesentlichen ein 2D-Bild (Zeit vs. Frequenz), das der Transformer-Encoder ähnlich wie einen Bildausschnitt verarbeitet. Aus diesem Grund kommt Whisper intestine mit lauten Audiosignalen zurecht; es sieht das ganze Bild.

// Transformatorausgänge: Softmax vs. Sigmoid

• Softmax (Stimmung): Erzwingt die Summe der Wahrscheinlichkeiten zu 1. Dies ist preferrred für sich gegenseitig ausschließende Klassen, da ein Satz normalerweise nicht sowohl positiv als auch negativ ist.
• Sigmoid (Emotionen): Behandelt jede Klasse unabhängig. Ein Satz kann gleichzeitig freudig und überraschend sein. Sigmoid ermöglicht diese Überlappung.

Die Auswahl der richtigen Aktivierung ist für Ihre Problemdomäne von entscheidender Bedeutung.

// Erkenntnisse mit Visualisierung vermitteln

Ein gutes Dashboard kann mehr als nur Zahlen anzeigen; es erzählt eine Geschichte. Plotly-Diagramme sind interaktiv; Benutzer können mit der Maus darüber fahren, um Particulars anzuzeigen, in Zeitbereiche hineinzoomen und auf Legenden klicken, um zwischen Datenreihen umzuschalten. Dadurch werden Rohanalysen in umsetzbare Erkenntnisse umgewandelt.

// Ausführen der Anwendung

Um die Anwendung auszuführen, befolgen Sie die Schritte vom Anfang dieses Artikels. Testen Sie die Sentiment- und Emotionsanalyse ohne Audiodateien:

Dadurch wird Beispieltext durch die NLP-Modelle (Pure Language Processing) geführt und die Ergebnisse im Terminal angezeigt.

Analysieren Sie eine einzelne Aufnahme:

python principal.py --audio path/to/name.mp3

Stapelverarbeitung eines Verzeichnisses:

python principal.py --batch information/audio/

Für das vollständige interaktive Erlebnis:

python principal.py --dashboard

Offen http://localhost:8501 in Ihrem Browser.

Abb. 8: Terminalausgabe, die eine erfolgreiche Analyse mit Sentiment-Scores zeigt

# Abschluss

Wir haben ein vollständiges, offlinefähiges System aufgebaut, das Kundenanrufe transkribiert, Stimmungen und Emotionen analysiert und wiederkehrende Themen extrahiert – alles mit Open-Supply-Instruments. Dies ist eine produktionsreife Grundlage für:

• Kundensupportteams identifizieren Schwachstellen
• Produktmanager sammeln Suggestions in großem Umfang
• Qualitätssicherung, Überwachung der Agentenleistung

Das Beste daran? Alles läuft lokal, respektiert die Privatsphäre der Benutzer und eliminiert API-Kosten.

Der vollständige Code ist auf GitHub verfügbar: Eine KI, die die Kundenstimmung analysiert. Klonen Sie das Repository, folgen Sie diesem lokalen KI-Sprach-zu-Textual content-Tutorial und beginnen Sie noch heute damit, Erkenntnisse aus Ihren Kundenanrufen zu gewinnen.

Shittu Olumid ist ein Software program-Ingenieur und technischer Autor, der sich leidenschaftlich dafür einsetzt, modernste Technologien zu nutzen, um fesselnde Erzählungen zu erschaffen, mit einem scharfen Blick fürs Element und einem Gespür für die Vereinfachung komplexer Konzepte. Sie können Shittu auch auf finden Twitter.

Bild von Editor

# Einführung

Modellkontextprotokoll (MCP) ist ein Commonplace, der definiert, wie künstliche Intelligenzsysteme mit der Außenwelt verbinden. Anstelle jedes Assistenten oder Agenten, die einen benutzerdefinierten Code benötigen, um eine Datenbank, einen Dateispeicher oder eine API zu verwenden, bietet MCP ihnen eine gemeinsame Möglichkeit, mit diesen Ressourcen zu sprechen. Auf hohem Niveau arbeiten drei Rollen zusammen: die Gastgeberdas ist die vom Benutzer ausgerichtete Anwendung; Die Kundewas der Entscheidungsträger ist, der von einem Modell angetrieben wird; und die Serverdie externe Instruments und Daten in einem konsistenten Format aufdeckt. Zusammen erzeugen diese Rollen sichere, kontextbewusste Interaktionen.

# Was ist MCP?

MCP ist ein offenes Protokoll, das 2024 von vorgestellt wurde Anthropisch Im Rahmen seiner Bemühungen, große Sprachmodelle zuverlässiger zu gestalten, wenn sie mit realen Datenquellen arbeiten. Es definiert, wie Kunden und Server mit a kommunizieren JSON-RPC 2.0 Request -Wirkungs -Muster, über Transporte wie HTTP- oder Standardeingangs-/Ausgangsströme überzogen. Im Kern liefert das Protokoll drei Primitive: WerkzeugeAnwesend RessourcenUnd Aufforderungenwelche Server aussetzen und Kunden entdecken können. Dies ermöglicht es einem KI -Assistenten in einer Host -Anwendung, verfügbare Server zu finden, Funktionen anzufordern und sicher zu nutzen, ohne direkten Zugriff auf das zugrunde liegende System zu benötigen. Das Design reduziert die Duplikation von Integrationen und erleichtert die Überwachung, Verwaltung und Skalierung von AI -Interaktionen in verschiedenen Umgebungen.

Bildnachweis: ModellContextProtocol

# MCP -Gastgeber

Ein MCP -Host ist die Anwendung, bei der Personen mit einem KI -System interagieren. Es verwaltet die Erfahrung von der Seite des Benutzers, indem sie Eingaben sammelt, Ergebnisse anzeigt und den Kommunikationsfluss mit dem Kunden koordiniert. Der Host unterhält auch den Sitzungskontext, damit Gespräche oder Aufgaben reibungslos fortgesetzt werden können. Zu den häufigen Beispielen für Hosts gehören Chat-Plattformen wie Slack- oder Microsoft-Groups, Entwicklungsumgebungen wie Visible Studio Code oder Jupyter und sogar sprachbasierte Assistenten. Wichtig ist, dass der Host nicht der Kunde selbst ist. Stattdessen bietet es den Speicherplatz, in dem der Shopper Ausgänge an den Benutzer ausführt und liefert.

# MCP -Server

Ein MCP -Server ist ein Wrapper um eine Ressource oder ein Software, das ihn innerhalb des Protokolls verwendbar macht. Server setzen das aus, was sie tun können, konvertieren Anfragen in das Format des zugrunde liegenden Methods, setzen Sicherheitsregeln durch und geben dann den Kunden den Ergebnissen zurück. Diese Rolle wird am besten anhand von Beispielen verstanden: Ein Server kann eine Verbindung zu einer Unternehmensdatenbank herstellen, bestimmte Abfragen freilegen oder Zugriff auf Dateien in einem kontrollierten Ordner geben. Andere können APIs, Quellcode -Repositorys oder Berechnungsmotoren einwickeln. Eine gute Praxis besteht darin, Server knapp nach dem Prinzip des geringsten Privilegs, das Risiko zu verringern.

# MCP -Kunden

Der MCP -Shopper ist die Komponente, die denkt und entscheidet. Es wird oft von einem großen Sprachmodell angetrieben, sollte aber nicht mit dem Modell selbst verwechselt werden. Die Aufgabe des Kunden besteht darin, verfügbare Server zu entdecken, zu überprüfen, welche Funktionen er anbietet, und zu entscheiden, welche auf der Anfrage des Benutzers anrufen sollen. Anschließend wird die entsprechende Anfrage durchgeführt, die Antwort verarbeitet und die Ergebnisse mehrerer Server kombinieren, um komplexe Aufgaben zu erledigen. Durch die orchestrierung mehreren Verbindungen parallelig ermöglicht der Kunde einem KI -Assistenten, mit vielfältigen Ressourcen zu arbeiten und gleichzeitig den Prozess koordiniert und sicher zu halten.

# Wie sie zusammenpassen

Hosts, Shoppers und Server folgen ein vorhersehbares Muster, wenn sie unter MCP zusammenarbeiten. Der Prozess beginnt mit Entdeckung: Sobald ein Shopper in seiner Host -Anwendung beginnt, sucht er nach verfügbaren Servern. Nach der Entdeckung führt der Kunde durch Fähigkeitsverhandlungfragen Sie jeden Server, welche Funktionen oder Ressourcen er bereitstellen kann. In vielen Fällen muss sich der Kunde auch authentifizieren, um zu bestätigen, dass er die Berechtigung zur Nutzung dieser Ressourcen enthält.

Mit Verbindungen wechselt der Kunde zu Anfrage und Ausführung. Basierend auf Benutzereingaben wird eine standardisierte Anforderung an den richtigen Server gesendet. Der Server übersetzt diese Anfrage in das Format seines eigenen Methods, führt es aus und gibt das Ergebnis in eine konsistente Struktur zurück.

Der Kunde kann dann Aggregat Ergebnisse von mehreren Servern und kombinieren sie zu einer vollständigen Antwort oder Entscheidung. Schließlich geht die Ausgabe zurück auf die Gastgeberwas es dem Benutzer anzeigt. Dieser Zyklus wiederholt nach Bedarf und unterstützt kontinuierliche, kontextbewusste Interaktionen.

# Wichtige Vorteile des MCP -Ansatzes

Für Benutzer:

• Breitere Fähigkeiten: Assistenten können ohne direkte Integrationen eine Verbindung zu mehr Instruments und Datenquellen herstellen.
• Verbesserte Sicherheit: Zugriffsregeln und Berechtigungen werden auf allen Servern konsequent verwaltet.
• Glattere Erfahrung: Interaktionen fühlen sich einheitlich an, egal in welchem ​​System sich hinter den Kulissen befindet.

Für Entwickler:

• Weniger kundenspezifische Arbeit: Ein einzelner Server kann vielen Shoppers bedienen, anstatt einmalige Anschlüsse zu benötigen.
• Wiederverwendbarkeit: Das gleiche Serverdesign kann in verschiedenen Umgebungen angewendet werden.
• Geringere Wartung: Das Aktualisieren eines Servers kommt automatisch jedem verbundenen Shopper zugute.

Für Organisationen:

• Kontrollierte Belichtung: Die Groups entscheiden genau, welche Ressourcen verfügbar sind.
• Überwachbarkeit: Standardisierte Protokolle ermöglichen eine bessere Verfolgung aller Anfragen und Antworten.
• Skalierbarkeit: Das Hinzufügen neuer Ressourcen ist so einfach wie die Bereitstellung eines zusätzlichen Servers.

# Beispiele für reale Welt

// Datenbank -Lookup -Server

Stellen Sie sich einen Assist -Assistenten vor, der einen schnellen Zugriff auf Kundenunterlagen benötigt. Anstatt dem AI Direct -Eintrag in die Datenbank des Unternehmens zu geben, wird ein MCP -Server erstellt, um diese Aufgabe zu erledigen. Der Server verbindet sich sicher mit der Datenbank, enthält sichere Abfragen wie „Kunden suchen per E -Mail“ und verwaltet die Authentifizierung. Wenn der Shopper eine Suche anfordert, gibt der Server nur die zulässigen Daten in einem sauberen Format zurück. Dieser Ansatz reduziert das Risiko und stellt sicher, dass empfindliche Systeme unter Kontrolle bleiben.

// Dateien und Wissensserver

Betrachten Sie ein technisches Staff, das einen KI -Assistenten in einer IDE verwendet. Um Projektdokumente zur Verfügung zu stellen, erstellen sie einen Datei-Entry-Server, der nur schreibgeschützte Eintrag in einen kuratierten Ordner bietet. Der Shopper kann dann bei Bedarf bestimmte Seiten oder Snippets abrufen und seine Antworten in verifizierten Dokumentation erklimmen. Durch die Begrenzung des Zugangs zu diesem kontrollierten Ordner behält die Organisation die Kontrolle bei und gibt dem KI einen nützlichen Kontext.

# Einpacken

Das Modellkontextprotokoll bietet KI -Systemen eine konsistente Möglichkeit, sich mit der Außenwelt zu verbinden. Durch die Definition klarer Rollen für Hosts, Shoppers und Server vereinfacht dies die Integration und stärkt die Kontrolle darüber, wie Instruments und Daten verwendet werden. Für Benutzer bedeutet dies glattere Erfahrungen; Für Entwickler weniger doppelte Arbeit; und für Organisationen eine stärkere Regierungsführung. Wenn das Ökosystem wächst, wird die Rolle von MCP als Grundlage für sicherere und fähigere KI weiter expandieren.

Shittu Olumide auch zu diesem Artikel beigetragen.

Shamima Sultana Arbeitet als Projektmanagerin bei Exceldemy, wo sie zu Microsoft Excel recherchiert und Artikel zu ihrer Arbeit schreibt. Shamima hat einen BSC in Informatik und Ingenieurwesen und hat ein großes Interesse an Forschung und Entwicklung. Shamima liebt es, neue Dinge zu lernen, und versucht, angereicherte Qualitätsinhalte in Bezug auf Excel bereitzustellen, während er immer versucht, Wissen aus verschiedenen Quellen zu sammeln und progressive Lösungen zu erstellen.

Kunden und Stakeholder wollen keine Überraschungen.

Was sie erwarten, ist Klarheit, konsistente Kommunikation und Transparenz. Sie wollen Ergebnisse, aber sie möchten auch, dass Sie als Entwickler oder Produktmanager mit den Zielen des Projekts geerdet bleiben und in Einklang stehen. Ebenso wichtig, dass sie eine volle Sicht in den Prozess haben.

In diesem Weblog -Beitrag werde ich praktische Prinzipien und Tipps teilen, um KI -Projekte auf dem Laufenden zu halten. Diese Erkenntnisse stammen aus über 15 Jahren Verwaltung und Bereitstellung von KI -Initiativen und sind ein Observe -up in meinem Weblog -Beitrag.Tipps zum Festlegen der Erwartungen in KI -Projekten”.

Bei der Arbeit mit KI -Projekten ist Unsicherheit nicht nur ein Nebeneffekt, sondern die gesamte Initiative.

Gibt es einen anderen Tipp, den Sie für die Freigabe related finden? Schreiben Sie es in die Kommentare oder können Sie mich über mich kontaktieren, indem Sie mich über kontaktieren LinkedIn!

Google Cloud kündigte am Donnerstag bekannt, dass KI -Codierungs -Startups liebenswert und Windsurf als neue Kunden hinzugefügt wurden. Beide Unternehmen wählen Google als primäre Cloud -Anbieter aus.

Die Ankündigung wurde im First AI Builders -Discussion board von Google gemacht, einer Veranstaltung in Mountain View, Kalifornien, die Innovationen und Partnerschaften mit KI -Startups fördern soll.

Neue Startups „Vibe -Codierung“ wählen Sie Google Cloud

Liebenswerte und Windsurf sind beide aufstrebende Spieler im Bereich „Vibe -Codierung“ und entwickeln Instruments, mit denen Entwickler Anwendungen mit natürlichen Sprachbeschreibungen anstelle eines herkömmlichen Codes erstellen können. Beide Startups werden ihre Vorgänge vollständig in der Google Cloud -Infrastruktur ausführen und die Server, Speicher und Rechenressourcen der Plattform nutzen, einschließlich des Gemini 2.5 Professional -Modells von Google.

Während ihre aktuellen Ausgaben im Vergleich zu größeren KI -Labors bescheiden sind, sieht Google diese Partnerschaften als strategische Investitionen an und erwartet, dass die Startups ihre Operationen und ihre Cloud -Nutzung im Laufe der Zeit skalieren werden.

KI fährt ein erhebliches Wachstum für die Cloud -Division von Google

Die neuen Partnerschaften sind Teil einer breiteren Erweiterung der Cloud -Division von Google, da sie mit Amazon Internet Providers und Microsoft Azure konkurriert. Zu den wichtigsten Finanz- und Markthighlights für Google Cloud gehören:

• Erreichte einen jährlichen Umsatzrand von 50 Milliarden US -Greenback.
• Sicherte neue Umsatzverpflichtungen in Höhe von 58 Milliarden US -Greenback für die nächsten zwei Jahre.
• Erzielte 2024 einen Umsatz von 43,2 Milliarden US -Greenback, gegenüber 33,1 Milliarden US -Greenback im Jahr 2023.
• Associate mit neun der zehn führenden KI -Labors und 60% der globalen Generativ -KI -Startups.

Dieses Wachstum wird durch den ressourcenintensiven Charakter der KI-Entwicklung angeheizt, für die large Mengen an Verarbeitungsleistung und Datenspeicherung erforderlich sind. Cloud -Anbieter wie Google profitieren direkt, wenn sich KI -Unternehmen an ihre Dienste wenden, um diese anspruchsvollen Workloads zu verwalten. Laut Synergy Analysis wird der globale Cloud -Markt bis 2025 bis 2025 in Höhe von 400 Milliarden US -Greenback überschreiten.

Die Programme von Google, um KI -Startups anzuziehen und zu unterstützen

Google hat es geschafft, KI -Startups durch verschiedene Assist -Programme zu gewinnen, die die hohen anfänglichen Kosten für die Infrastruktur ausgleichen sollen. Viele der Startups im AI Builders -Discussion board, einschließlich liebenswerter und Windsurf, haben an diesen Initiativen teilgenommen.

• Das Google for Startups Cloud -Programm Bietet Unternehmen im Frühstadium Cloud-Credit in Höhe von 350.000 US-Greenback und ermöglicht es ihnen, mit KI-Modellen ohne wesentliche Vorabinvestitionen zu experimentieren.
• Eine dedizierte Nvidia GPU -Cluster wird Startups im Y Combinator Accelerator-Programm zugeordnet und bietet ihnen Zugriff auf Hochleistungshardware für intensives Modelltraining.

Im Discussion board kündigte Google an, dass über 40 neue KI-Startups ihre Anwendungen in Google Cloud erstellen, einschließlich anderer bemerkenswerter Unternehmen wie von Sequoia Capital Backed Manufacturing facility AI und Andreessen Horowitz Supported Krea ai.

Ausgewähltes Bildnachweis

Bei Enterprise Join kündigte Cisco neue Lösungen und Updates für KI-angetriebene KI-Anträge auf seine WebEx-Kollaborationsplattform an, wobei sich das Unternehmen auf das konzentriert, was das Unternehmen als „Agentic AI Collaboration“ bezeichnet. Zu den Ankündigungen gehören die allgemeine Verfügbarkeit von Webex AI -Agenten, neue Funktionen für den Cisco AI -Assistenten in Webex Contact Heart und WebEx Suite sowie Lösungen für Webex -Anrufe und Geräteintegrationen. Das allgemeine Ziel ist es, sowohl Kunden- als auch Mitarbeitererlebnisse zu verbessern, indem sie die Bedürfnisse vorwegnehmen, Aufgaben automatisieren und die Produktivität verbessern.

Cisco positioniert seine WebEx -Plattform als wichtige Enabler in der Verschiebung von herkömmlichen Kontaktzentren zu „Erfahrungzentren“. Dies beinhaltet die Verwendung von AI, um proaktivere und personalisiertere Kundeninteraktionen bereitzustellen. Zu den wichtigsten neuen und aktualisierten KI -Lösungen in diesem Bereich gehören:

• Webex AI Agent: Allgemein erhältlich ab dem 31. März 2025 ist dies eine 24/7-Self-Service-Lösung, die natürliche Sprachinteraktionen verwendet, um routinemäßige Kundenfragen zu beantworten und Anfragen zu erfüllen. Es wurde entwickelt, um mit menschlichen Agenten zusammenzuarbeiten, um Warteschlangen und Wartezeiten zu beseitigen.
• Cisco AI Assistent für das Webex Contact Heart: Neue Funktionen, die für Q2 2025 geplant sind, umfassen vorgeschlagene Antworten und Echtzeit-Transkription für Agenten. Diese schließen vorhandene Funktionen wie Kontextübertragungszusammenfassungen, Ablagerungen von Anrufzusammenfassungen, Überwachung der Agenten, Themenanalysen und automatische Kundenzufriedenheitsbewertungen (Auto CSAT) zusammen.

https://www.youtube.com/watch?v=p5z3_iBtph4

KI-betriebene Mitarbeitererfahrungen und IT-Administration

Cisco führt auch KI -Funktionen ein, um die Produktivität der Mitarbeiter zu verbessern und das IT -Administration zu optimieren:

• Workflow -Automatisierung in Cisco AI Assistant für WebEx: Diese in der Webex -Suite integrierte Funktion zielt darauf ab, Prozesse zu rationalisieren, indem sie in Unternehmensanwendungen wie Salesforce, Servicenow und JIRA arbeiten. Es ermöglicht Benutzern, Aufgaben effizienter auszufüllen und automatisch die Besprechungszusammenfassungen zu teilen.
• KI -Funktionen in WebEx Management Hub: Mit dieser Plattform können IT -Administratoren alle KI -Ökosysteme an einem Ort verwalten, sie anpassen und Analysen zur KI -Nutzung und -Anführung anzeigen.
• Webex -Buyer Help: Diese neu gestaltete Calling-Lösung soll jedem Mitarbeiter dazu befähigen, Kunden zu unterstützen und eine KI-angetriebene Erfahrung in der WebEx-App zu bieten. Neue Funktionen, die später in diesem Jahr kommen, werden effizientes Name -Routing, AI -Unterstützung für Agenten und Vorgesetzte sowie Analysen umfassen.

Cisco kündigte auch mehrere Verbesserungen des breiteren Webex -Ökosystems an:

• Apple Airplay auf Cisco -Geräten: Jetzt für Microsoft Groups Rooms verfügbar und aktiviert drahtlose Inhalte -Teilen von Apple -Geräten.
• Räumliche Treffen von Cisco: Die Lösung verwandelt jeden Platz mit Cisco Room Bar Professional in ein immersives Studio.
• Anschlüsse: Mit den Anschlüssen können Benutzer die Diskussionen verbessern.
• Native Epic Integration: Diese Integration für das Webex -Contact Heart wird in der Beta -Beta -Seite erwartet und ermöglicht es den Agenten, in der EHR -Software program EPIC Digital Well being File (EHR) auf Patienteninformationen leichter zugreifen zu können.

„Unternehmen beginnen das Potenzial der Agenten -KI. Es ist neu, was es für Menschen und Technologie bedeutet, in den physischen und digitalen Welten zusammenzuarbeiten “, sagte Jeetu Patel, Government Vice President und Chief Product Officer Cisco.

Ausgewähltes Bildnachweis: Cisco

KI wird oft als revolutionäre Kraft gepriesen, die Aktivitäten branchenübergreifend effizienter macht und gleichzeitig Kosten senkt.

Doch KI nutzt Datenanalysen, um Schlussfolgerungen zu ziehen, und die Verbraucher sind verständlicherweise nervös, was das für sie bedeuten würde.

Allerdings werden Bedenken hinsichtlich Privatsphäre und Datenschutz durch die Gesetzgebung berücksichtigt und die Nutzung von KI und Massive Knowledge durch Internetanbieter kann für Verbraucher viele Vorteile mit sich bringen.

Sie werden vielleicht feststellen, dass KI tatsächlich weniger als Sie derzeit in diesem Bereich erwarten. Aber es ist vielversprechend und könnte letztlich zu niedrigeren Kosten und einem besseren Service für die Kunden der Internetanbieter führen.

Laut Tomas Novosad von NetSpeed ​​Kanadahier sind einige der Vorteile, die Sie möglicherweise bereits erleben, sowie die Herausforderungen, denen ISPs bei der Umstellung auf KI-basierte Effizienz gegenüberstehen.

Kanadische ISPs und KI

1. Abgelegene Gebiete angebunden halten

Menschen in abgelegenen Gebieten sind oft auf Satelliten angewiesen, um in Verbindung zu bleiben. Diese Technologie kann jedoch unzuverlässig sein. Die College of Waterloo kooperiert mit dem Nationwide Analysis Council of Canada um zu untersuchen, wie KI dazu beitragen könnte, dieses Downside zu mildern.

Sie nutzten maschinelles Lernen und KI, um einen besseren Ansatz zur Überwachung der Leistung von Satellitennetzwerken zu entwickeln. Das Ergebnis, so heißt es, ermöglicht eine effektivere Erkennung von Anomalien, sodass diese behoben werden können, bevor echte Probleme entstehen.

2. Bell: Serviceteams optimieren, Prozesse automatisieren

Als größter ISP Kanadas ist es keine Überraschung, dass Bell arbeitet an der Anwendung von KI um Massive Knowledge zu interpretieren und so die Effizienz zu steigern. Das Unternehmen hat bereits einen virtuellen Supervisor implementiert, der die Kundenbetreuungsabteilung von Bell koordiniert.

Laut Unternehmenstechnikern gibt es einfach zu viele eingehende Daten, als dass herkömmliche Dashboards bei der Verwaltung und Priorisierung von Ergebnissen effektiv wären. Bell berichtet, dass das Unternehmen seit der Implementierung von KI in diesem Bereich bessere Umsätze und eine geringere Kundenabwanderung verzeichnet.

Das Geheimnis, sagt ein Bell-Vertreter, sei eine Kombination aus prädiktiver Analytik und der Fähigkeit, Echtzeitdaten besser zu nutzen.

Die Entwicklung der robotergestützten Prozessautomatisierung (RPA) befindet sich noch in der Entwicklungsphase, aber das Unternehmen hofft, bald einen Punkt zu erreichen, an dem Ressourcen bereitgestellt und Arbeitsabläufe auf der Grundlage von Vorhersagen und Echtzeitanforderungen aktiviert werden. Beispielsweise kann KI verwendet werden, um Änderungen des Servicelevels wie eine hohe Nachfrage vorherzusagen und entsprechend zu reagieren.

3. Rogers investiert Milliarden in KI zur Bekämpfung von Ausfällen

Im Juli 2022 Bei Rogers-Kunden kam es zu einem Serviceausfall Der Sturm dauerte 19 Stunden und führte zu Chaos, das von der Aussetzung von Flügen bis hin zur Unmöglichkeit für Menschen reichte, die Notdienste anzurufen.

Im selben Monat kündigte Rogers an, dass das Unternehmen 10 Milliarden kanadische Greenback in künstliche Intelligenzlösungen, Checks und Überwachung investieren werde, um eine Wiederholung des verheerenden Stromausfalls zu verhindern.

Außer der Erwähnung seiner KI-gestützter virtueller Assistent (Chatbot)Rogers hat sich bisher relativ bedeckt gehalten, wie genau es KI einsetzt. Man kann davon ausgehen, dass das Unternehmen an ähnlichen Funktionen wie Bell arbeitet – prädiktive Analytik und Echtzeitüberwachung, die drohende Probleme erkennen können, bevor sie zu ernsthaften Problemen werden.

Interessanterweise erforscht Rogers auch andere KI-Anwendungsmöglichkeiten, darunter den Einsatz in Kameras zur Waldbranderkennung und in der Regelung von Ampeln zur Vermeidung von Verkehrsstaus.

ISPs, KI und Massive Knowledge: eine Perspektive für 2024

Auf dem Weg zu autonomen Netzwerken

Lastverteilung

KI im Kundenservice

ISPs, Massive Knowledge, maschinelles Lernen und Sie: Die Zukunft