Wie Google Duplex sich weiterentwickelte, um auch im Gemini für Sie bei Unternehmen anzurufen
Google Duplex hat sich von einem eng gefassten, task-spezifischen System zu einer durch Gemini angetriebenen, einheitlichen Architektur entwickelt. Dieser Artikel untersucht den Übergang von vor-LLM-Modellen für geschlossene Domänen zu modernen Grundmodellen und erläutert detailliert, wie die Technologie nun die autonome Erledigung von Aufgaben in der Gemini App ermöglicht.
Tags
Kurze Zusammenfassung
Google Duplex hat sich von einem eng gefassten, task-spezifischen System zu einer durch Gemini angetriebenen, einheitlichen Architektur entwickelt. Dieser Artikel untersucht den Übergang von vor-LLM-Modellen für geschlossene Domänen zu modernen Grundmodellen und erläutert detailliert, wie die Technologie nun die autonome Erledigung von Aufgaben in der Gemini App ermöglicht.
Wie Google Duplex zu einer Funktion entwickelt wurde, die auch im Gemini für Sie Unternehmen anruft
Als Google Duplex in 2018 einführte, stellte dies einen Wendepunkt in der künstlichen Intelligenz dar, da erstmals natürliche Sprachgespräche zwischen KI und lokalen Unternehmen per Telefon ermöglicht wurden. Fast ein Jahrzehnt später ist diese Technologie von einem spezialisierten Forschungsprojekt zu einem Kernbestandteil von Googles Ökosystem geworden und ist nun direkt in die Tasks im Gemini integriert. Diese Entwicklung steht für einen Wandel von Modellen für geschlossene Domänen zu einer einheitlichen Architektur, die in der Lage ist, autonome Aufgaben in einer breiten Palette von realen Szenarien zu erledigen.
Vom Modell für geschlossene Domänen zur einheitlichen Architektur
Die Entwicklung von Google Duplex begann noch vor der Erfindung des Transformers und moderner Sprachmodelle. In seinen frühesten Versionen war das System auf enge Domänen beschränkt. Ingenieure trainierten maßgeschneiderte rekurrente neuronale Netzwerkmodelle an anonymisierten, task-spezifischen Telefonaten. Da es keine vortrainierten Weltkenntnisse gab, verließen sich diese Modelle auf umfangreiche Trainingsdaten für jeden spezifischen Aufgabentyp, wie beispielsweise das Verstehen des starren Ablaufs bei Restaurantreservierungen im Vergleich zum Überprüfen der Öffnungszeiten an Feiertagen. Dieser Ansatz sorgte dafür, dass das System die logischen Strukturen einer Domäne bewältigen konnte, erforderte jedoch den Aufbau separater Dialogmodelle für jede neue Kategorie.
Mit dem Aufkommen von Grundmodellen für offene Domänen begann sich die Architektur zu verändern. In 2022 begann Duplex, bei Live-Anrufen LaMDA einzusetzen. Diese vortrainierten Modelle vereinfachten das Verständnis und das logische Denken, sodass das System unerwartete Gesprächswendungen und Abweichungen bewältigen konnte, ohne den Kontext aus den Augen zu verlieren. Allerdings waren die frühen generativen Modelle weniger vorhersehbar und manchmal langsamer als die aktuellen Standards. Um dies zu beheben, entwickelte Google hybride Strukturen, die generative Modelle für flexible Formulierungen mit deterministischer Zustandsverfolgung sowie strengen Richtlinien kombinierten.
Der bedeutendste Fortschritt trat ein mit der Integration von Gemini. Durch den Übergang zu freitextbasierten Aufgab Beschreibungen zur Steuerung des Systems beseitigte Google die Einschränkung durch feste Strukturen vollständig. Dadurch konnten Modelle Aufgaben einfach über eine Anweisung definieren, was die Generalisierung auf neue Aufgabentypen und Nuancen ermöglichte – wie beispielsweise das Verlangen nach Plätzen am Fenster oder zusätzlichem Platz für einen Kinderwagen – ohne dass separate Dialogmodelle von Grund auf entwickelt werden mussten. Heute nutzt der Aufrufstack Gemini, um mehrmodale Verständnisfähigkeit, Planung und Dialoggenerierung zu vereinen, wodurch das System mit Anfragen unter mehreren Einschränkungen umgehen und sich anpassen kann, wenn eine Empfangsdame einen anderen Termin vorschlägt.
Technische Hürden in der Live-Telefonie
Trotz Fortschritten bei Grundmodellen stellt die Live-Telefonie besondere Herausforderungen dar, die allein durch Vortrainieren auf Standard-Web-Datenmengen nicht gelöst werden können. Google Research weist auf zwei Haupthindernisse hin, die der aktuelle Stack überwinden muss, um effektiv zu funktionieren.
Erstens ist eine pragmatische Grundlegung für den Kontext vor dem Anruf und während des Gesprächs notwendig. Im Internet befinden sich nicht alle Daten, die benötigt werden, um zu erfassen, wie Anrufe mit beschäftigten Geschäftsleuten verlaufen. Fast ein Jahrzehnt an Erfahrung mit zielgerichteten Anrufen hilft dem Stack dabei, pragmatische Normen bereits vor Beginn des Anrufs zu erfassen. In der Praxis bedeutet dies, eine freitextbasierte Aufgabe mit einem Unternehmen anhand des historischen Kontexts früherer Gespräche abzustimmen. Beispielsweise kann das System vorhersagen, ob eine Aufgabe möglich ist, indem es weiß, dass ein bestimmter Anbieter am Wochenende keine Reservierungen für große Gruppen annimmt. Während des Anrufs hilft dieser Kontext dem Modell dabei, zu bestimmen, was zu einem bestimmten Zeitpunkt sinnvoll ist, wie man höfliche, indirekte Ablehnungen interpretiert und wie man Anrufe kurz und effektiv hält.
Zweitens ist die Anforderung an eine Latenz von unter einer Sekunde in störanfälligen akustischen Umgebungen relevant. Anrufe finden oft über komprimierte Telefonleitungen bei lauten Hintergründen statt – einschließlich Klappern in Küchen, Espresso-Maschinen, Straßenlärm und Gesprächen im Hintergrund. Der Stack ist auf ein Streaming mit niedriger Latenz abgestimmt, sodass Antworten in einem natürlichen Rhythmus erfolgen. Customisierte akustische Modelle sowie Modelle für den Gesprächsrythmus unterstützen das Kern-KI-System dabei, Hintergrundgeräusche und Pausen zu bewältigen, wodurch sichergestellt wird, dass der Agent zum richtigen Zeitpunkt aufhört zu sprechen, um nicht über die andere Partei hinwegzusprechen.
Design für beide Seiten der Leitung
Ein zentrales Prinzip bei der Gestaltung von Duplex ist, dass das System genauso gut funktionieren muss – sowohl für das Unternehmen, das den Anruf entgegennimmt, als auch für den Nutzer. Diese Philosophie hat mehrere wichtige Designentscheidungen beeinflusst, die die Autonomie des Unternehmens sowie die Benutzererfahrung schützen.
Eine klare Kennzeichnung ist zwingend erforderlich. Jeder Anruf beginnt mit einer klaren Angabe, dass es sich um einen KI-Agenten handelt – genauer gesagt um ein automatisches System von Google. Die Unternehmen behalten die Kontrolle; sie können in den Einstellungen ihres Google Business Profils auf automatische Anrufe verzichten oder während eines Anrufs einfach sagen: „Bitte hören Sie auf, meinen Betrieb anzurufen.“ Zudem erfordert Duplex keine Einrichtung und keinerlei Anpassungen. Es funktioniert über die Telefonleitungen, die das Unternehmen bereits verwendet, ohne dass Software installiert werden muss, ohne Wartung eines Buchungssystems und ohne Schulung des Personals. Jeder, der den Anruf entgegennimmt, kann ihn wie bei jedem anderen Kunden handhaben – auch in stressigen Situationen mit vielen Kunden am Schalter.
Darüber hinaus zielt das System darauf ab, „eine Unterhaltung, viele Erkenntnisse“ zu bieten. Auf einem Anruf gesammelte Details können später viele Fragen beantworten und verhindern, dass Unternehmen immer wieder dieselben Fragen gestellt werden. Beispielsweise kann Google Maps Informationen anzeigen, die Duplex über Unternehmen sammelt – wie Sonderangebote zur Happy Hour, Sitzplätze im Freien, Tierfreundlichkeit, Parktipps oder wöchentliche Trivia-Abende.
Integration in Aufgaben in Gemini
Die Krönung dieser jahrzehntelangen architektonischen Entwicklung ist die Einführung der Duplex-Funktionen in den Aufgabenmodulen von Gemini App. Obwohl diese Technologie bereits seit Jahren im Hintergrund in Produkten wie Google Search und Maps genutzt wird, ermöglicht ihre Integration in einen persönlichen KI-Berater es den Nutzern, alltägliche Aufgaben direkt zu koordinieren.
Das Erledigen von Aufgaben wie der Reservierung eines Abendessens oder des Termins bei einem Friseur ist zeitaufwändig, und Telefonate verlaufen schnell und folgen selten einem festen Schema. Durch die Integration von Duplex in die Aufgabenmodule von Gemini wird eine natürliche Sprachinteraktion zu einer nahtlos integrierten Methode, die der KI-Berater einsetzen kann, wenn strukturierte digitale Kanäle wie Online-APIs oder Buchungsformulare nicht vorhanden sind.
Diese Integration nutzt die neuesten Gemini 4-Modelle, einschließlich Gemini 4 Hydrogen und Gemini 4 Neon. Mithilfe dieser Funktionen können die Aufgabenmodule von Gemini umfassendere Arbeitsabläufe unterstützen, beispielsweise die Analyse von Stromrechnungen, den sicheren Abwicklungs von Transaktionen über das Agent Payments Protocol sowie die Kommunikation mit Nutzern per E-Mail und Rich Communication Services (RCS). Dies stellt einen bedeutenden Schritt dar, um den Kreislauf der täglichen Aufgaben zu schließen, bei denen ein direktes Gespräch mit einer anderen Person erforderlich ist, um Details zuverlässig abzustimmen.
Fazit
Die Entwicklung von Google Duplex von einem eng gefassten, task-spezifischen System zu einem vollständig aus Gemini bestehenden integrierten Stack zeigt die Kraft von Grundlagenmodellen bei der Lösung komplexer, realweltlicher Probleme. Indem Google technische Hürden in der Live-Telefonie überwindet und dabei sowohl Nutzer als auch Unternehmen berücksichtigt, hat es ein System geschaffen, das menschliche Interaktion respektiert, während langweilige Aufgaben automatisiert werden. Da sich diese Funktionen innerhalb der Aufgabenmodule von Gemini weiterentwickeln, stellen sie die nächste Generation der KI-Hilfen dar, die die Lücke zwischen digitaler Planung und physischer Ausführung überbrücken.
Quelle: https://research.google/blog/how-google-duplex-evolved-to-also-call-businesses-for-you-in-gemini



