Ertas para Fine-Tuning de Agentes de Voz

The Challenge

Los agentes de voz — sistemas de IA que manejan llamadas telefónicas, pedidos de autoservicio, programación de citas y conversaciones de servicio al cliente — están reemplazando rápidamente los sistemas IVR tradicionales. El modelo de lenguaje es el cerebro de cada agente de voz, responsable de comprender la intención del llamante, generar respuestas naturales, tomar decisiones sobre enrutamiento de llamadas y mantener conversaciones coherentes de múltiples turnos. Sin embargo, la mayoría de los constructores de agentes de voz dependen de modelos de lenguaje genéricos que no comprenden el dominio, vocabulario o patrones conversacionales específicos del negocio que sirven.

Las consecuencias de usar un modelo genérico en un agente de voz son inmediatamente evidentes para los llamantes. El agente malinterpreta términos específicos de la industria, hace preguntas redundantes porque no puede inferir contexto, genera respuestas demasiado largas para el ritmo natural del habla, y no sigue los scripts de llamada y procedimientos de escalación específicos que el negocio requiere. La latencia es otro factor crítico — las conversaciones de voz requieren tiempos de respuesta de menos de un segundo, y enviar solicitudes a modelos grandes en la nube introduce retrasos perceptibles que hacen que la conversación se sienta antinatural. Estos problemas aumentan la frustración del llamante e impulsan tasas de abandono que socavan el caso de negocio para la IA de voz.

The Solution

Ertas permite a los constructores de agentes de voz ajustar modelos de lenguaje compactos y rápidos con datos conversacionales específicos del dominio. Con Ertas Studio, los equipos entrenan con transcripciones de llamadas exitosas, scripts de llamada aprobados y flujos conversacionales que capturan los patrones exactos que los llamantes esperan. El modelo ajustado comprende la terminología del negocio, sigue sus procedimientos de manejo de llamadas y genera respuestas optimizadas para la entrega hablada — concisas, de sonido natural y con el ritmo apropiado.

Debido a que Ertas exporta modelos en formato GGUF, el modelo ajustado puede desplegarse en infraestructura de borde para inferencia de ultra baja latencia. Un modelo de 7B ejecutándose en una GPU local entrega respuestas en menos de 200 milisegundos — suficientemente rápido para el ritmo natural de conversación. El tamaño compacto del modelo también significa menores costos de cómputo por llamada comparados con llamadas de API a modelos grandes en la nube. Desplegado a través de Ollama, vLLM o Ertas Cloud, el modelo sirve como motor de razonamiento detrás de plataformas de agentes de voz como Retell, Vapi, Bland o integraciones de telefonía personalizadas. Ertas Vault asegura que todas las transcripciones de llamadas y datos de entrenamiento se manejen de acuerdo con las regulaciones de grabación de llamadas y requisitos de privacidad.

Key Features

Example Workflow

Una empresa de gestión de prácticas dentales construye agentes de voz que manejan la programación de citas para 500 consultorios dentales. Recopilan 100,000 transcripciones de llamadas de interacciones exitosas de programación — incluyendo tipos de cita, preguntas de verificación de seguros, negociaciones de horario y manejo de cancelaciones — y las cargan en Ertas Vault. Usando Ertas Studio, ajustan un modelo de 7B en el dominio de programación dental, entrenándolo para comprender terminología dental (profilaxis, mantenimiento periodontal, preparación de corona), nombres de planes de seguros y la lógica de programación específica para diferentes tipos de procedimientos. El modelo se despliega en servidores GPU en su centro de datos, logrando 150ms de latencia promedio de respuesta. El agente de voz ajustado maneja el 75% de las llamadas de programación de extremo a extremo sin intervención humana, subiendo del 45% con el modelo genérico. La duración de las llamadas baja un 30% porque el modelo comprende la intención del llamante más rápido, y las puntuaciones de satisfacción del paciente aumentan porque las respuestas son naturales y contextualmente apropiadas.