כיום, יש לנו כמה רובוטים מדברים כמו צ'טבוטים, עוזרים וירטואליים ועוד בבתים שלנו, מערכות רכב, מכשירים ניידים, פתרונות אוטומציה ביתית וכו'. מכשירים אלו מקשיבים במדויק למה שאנחנו אומרים ואיך אנחנו אומרים ומחזירים תוצאות או מבצעים משימות ספציפיות .
ואם השתמשת בעוזר כמו סירי או אלכסה, היית גם מבין שהם הופכים מוזרים יותר מיום ליום. התגובות שלהם שנונות, הם מדברים בחזרה, הם נוטפים, מחזירים מחמאות ומתנהגים כמו אנושיים יותר מאשר חלק מהקולגות שאתה אולי מכיר. אנחנו לא צוחקים. לפי PwC, 27% מהמשתמשים שקיימו אינטראקציה עם השותף האחרון שלהם בשירות הלקוחות לא ידעו אם הם מדברים עם אדם או צ'אט בוט.
פיתוח מערכות ומכשירי שיחה כה מורכבים הוא מורכב ומרתיע ביותר. זה משחק כדור שונה לגמרי עם גישות פיתוח מובחנות. לכן חשבנו שאנחנו צריכים לפרק את זה בשבילך כדי להבין יותר. לכן, אם אתה מחפש לפתח מנוע AI לשיחות או עוזר וירטואלי, המדריך הזה יעזור לך לקבל בהירות.
המשמעות של AI שיחה
ככל שהטכנולוגיה הופכת להיבט אינטגרלי יותר של חיינו בצורה של מכשירים ומערכות חדשות יותר, נוצר צורך לדחוף מחסומים, לשבור מוסכמות ולהמציא דרכים חדשות לאינטראקציה איתם. משימוש פשוט בציוד היקפי מחובר כמו עכבר ומקלדת, עברנו למשטחי עכבר שהציעו יותר נוחות. לאחר מכן עברנו למסכי מגע שהציעו נוחות נוספת בהזנת תשומות וביצוע משימות.
כשמכשירים הופכים להיות שלוחות של עצמנו, אנחנו פותחים כעת מדיום חדש של פקודה באמצעות קול. אנחנו אפילו לא צריכים להיות ליד מכשיר כדי להפעיל אותו. כל שעלינו לעשות הוא להשתמש בקול שלנו כדי לפתוח אותו ולפקד על הקלט שלנו. מחדר סמוך, בעת נהיגה, תוך שימוש במכשיר אחר בו-זמנית, AI שיחה מבצעת את המשימות המיועדות לנו בצורה חלקה. אז מאיפה נתחיל - הכל מתחיל בנתוני דיבור איכותיים לאימון מודלים של ML.
היסודות של איסוף נתוני אימון דיבור
איסוף והערה של נתוני אימון AI עבור AI שיחה שונה מאוד. ישנן טונות של מורכבויות המעורבות בפקודות אנושיות ויש ליישם אמצעים מגוונים כדי להבטיח שכל היבט יקבל תוצאות משפיעות. בואו נסתכל על כמה מהיסודות של נתוני דיבור.
הבנת שפה טבעית (NLU)
עבור צ'אטבוטים ועוזרים וירטואליים להבין ולהגיב למה שאנו שולחים טקסט או פקודה, תהליך שנקרא NLU מיושם. זה מייצג הבנת שפה טבעית וכולל שלושה מושגים טכנולוגיים לפירוש ועיבוד סוגי קלט מגוונים.
מטרה
הכל מתחיל בכוונה. מה משתמש מסוים מנסה להעביר, לתקשר או להשיג באמצעות פקודה? האם המשתמש מחפש מידע? האם הם מחכים לעדכונים לפעולה? האם הם מצווים הוראה למערכת לבצע? איך הם מצווים על זה? זה דרך שאלה או בקשה? כל ההיבטים הללו עוזרים למכונות להבין ולסווג כוונות ומטרות להגיע לתגובות אטומות בהתאמה.
אוסף אמירות
יש הבדל בין הפקודה "איפה הכספומט הקרוב?" והפקודה "מצא לי כספומט קרוב." כעת בני אדם יכירו בכך ששניהם מתכוונים לאותו דבר, אך יש להסביר את המכונות בהבדל הזה. הם זהים מבחינת הכוונה אבל האופן שבו הכוונה עוצבה שונה לחלוטין.
איסוף התבטאויות עוסק בהגדרה ומיפוי של אמירות וביטויים שונים לקראת מטרות ספציפיות לביצוע מדויק של משימות ותגובות. מבחינה טכנית, מומחי הערות נתונים עובדים על נתוני דיבור או טקסט כדי לעזור למכונות להבדיל בין זה.
מיצוי ישויות
לכל משפט יש מילים או ביטויים ספציפיים הנושאים דגש על משקל, והדגש הזה הוא שמוביל לפרשנות של הקשר ותכלית. מכונות, כמו המערכות הנוקשות שהן, צריכות להיות מוזנות בכפית ישויות כאלה. לדוגמה, "איפה אני יכול למצוא מיתרים מהגיטרה שלי ליד השדרה השישית?"
אם תחדד את המשפט, מצא הוא ישות אחת, מיתרים הם שניים, הגיטרה היא שלוש והשדרה ה-6 היא 4. הישויות הללו מקובצות יחד על ידי מכונות כדי לאחזר תוצאות מתאימות וכדי שזה יקרה, מומחים עובדים בקצה האחורי.
ערכות נתונים קוליות / דיבור / אודיו מהמדף כדי לאמן את מודל הבינה המלאכותית השיחה שלך מהר יותר
עיצוב דיאלוגים עבור AI שיחה
המטרה של AI הייתה בעיקר לשכפל התנהגות אנושית באמצעות מחוות, פעולות ותגובות. למוח האנושי המודע יש את היכולת המולדת להבין הקשר, כוונה, טון, רגשות וגורמים אחרים ולהגיב בהתאם. אבל איך מכונות יכולות להבדיל בין היבטים אלה?
עיצוב דיאלוגים עבור AI שיחה הוא מורכב מאוד וחשוב מכך, די בלתי אפשרי לגלגל מודל אוניברסלי. לכל אדם יש דרך אחרת לחשוב, לדבר ולהגיב. אפילו בתגובות, כולנו מבטאים את מחשבותינו באופן ייחודי. לכן, מכונות צריכות להקשיב ולהגיב בהתאם.
עם זאת, זה לא חלק גם כן. כשבני אדם מדברים, נכנסים גורמים כמו מבטאים, הגייה, מוצא אתני, שפה ועוד, ולא קל למכונות להבין לא נכון ולפרש את המילים בצורה לא נכונה ולהגיב בחזרה.. מילה מסוימת יכולה להיות מובנת על ידי מכונות במספר עצום של דרכים כשהן מוכתבות על ידי הודי, בריטי, אמריקאי ומקסיקני. ישנם טונות של מחסומי שפה שבא לידי ביטוי והדרך המעשית ביותר להמציא מערכת תגובה היא באמצעות תכנות ויזואלי המבוסס על תרשים זרימה.
דרך בלוקים ייעודיים עבור מחוות, תגובות וטריגרים, מחברים ומומחים יכולים לעזור למכונות לפתח דמות. זה יותר כמו שמכונת אלגוריתם יכולה להשתמש כדי להגיע לתגובות הנכונות. כאשר קלט מוזן, המידע זורם דרך גורמים תואמים, מה שמוביל לתגובה הנכונה למכונות לספק.
חייג D לגיוון
כפי שציינו, אינטראקציות אנושיות הן מאוד ייחודיות. אנשים ברחבי העולם מגיעים מתחומי חיים שונים, מרקעים, לאומים, דמוגרפיה, מוצא אתני, מבטאים, דיקציה, הגייה ועוד.
כדי שבוט שיחה או מערכת יהיו ניתנים להפעלה אוניברסלית, יש לאמן אותם עם נתוני אימון מגוונים ככל האפשר. אם, למשל, מודל הוכשר רק עם נתוני דיבור של שפה מסוימת או מוצא אתני, מבטא חדש יבלבל את המערכת ויאלץ אותה לספק תוצאות שגויות. זה לא רק מביך לבעלי עסקים אלא מעליב גם את המשתמשים.
זו הסיבה ששלב הפיתוח צריך לכלול נתוני אימון בינה מלאכותית ממאגר עשיר של מערכי נתונים מגוונים המורכבים מאנשים מכל הרקע האפשרי. ככל שהמערכת שלך מבינה יותר מבטאים ואתניות, כך היא תהיה אוניברסלית יותר. חוץ מזה, מה שיעצבן משתמשים יותר הוא לא אחזור שגוי של מידע אלא אי הבנת הקלט שלהם מלכתחילה.
ביטול הטיה צריך להיות בראש סדר העדיפויות ואחת הדרכים שבהן חברות יכולות לעשות זאת היא על ידי בחירה בנתונים במיקור המונים. כשאתה מייקר בהמונים את נתוני הדיבור או הטקסט שלך, אתה מאפשר לאנשים מכל העולם לתרום לדרישות שלך, מה שהופך את מאגר הנתונים שלך לבריא בלבד (קרא שלנו בלוג כדי להבין את היתרונות ואת המלכודות של מיקור חוץ של נתונים לעובדי מיקור המונים). כעת, המודל שלך יבין הדגשים והגיות שונות ויגיב בהתאם.
הדרך קדימה
פיתוח בינה מלאכותית שיחה קשה כמו גידול תינוק. ההבדל היחיד הוא שהתינוק יגדל בסופו של דבר להבין דברים וישתפר בתקשורת אוטונומית. אלה המכונות שצריך לדחוף בעקביות. ישנם מספר אתגרים במרחב הזה כרגע, ועלינו להכיר בעובדה שיש לנו כמה ממערכות הבינה המלאכותית השיחות המהפכניות ביותר הנובעות למרות האתגרים הללו. בוא נחכה ונראה מה צופן העתיד עבור הצ'אטבוטים והעוזרים הווירטואליים הידידותיים שלנו. בינתיים, אם אתה מתכוון לפתח בינה מלאכותית שיחה כמו Google Home עבור העסק שלך, פנה אלינו לקבלת נתוני אימון הבינה המלאכותית וצרכי ההערות שלך.
