科技改變生活 · 科技引領未來
科技改變生活 · 科技引領未來
編輯導語：隨著科技的進步和普及，AI 產品逐漸走進了大眾的視野，從手機語音助手到各類智能音箱，AI 技術不僅方便了我們的生活，還逐漸改變了我們的習慣。本文作者在做了20+個AI多輪對話項目后，為我們總結了這篇文章。
在AI走進大眾視野的這幾年，我們或多或少的都會接觸到一些AI的產品，你去咨詢天貓客服，一開始肯定是個機器人接待你的；你接到一個電話問你是否需要買保險、辦信用卡或貸款，可能對方就是一個機器人；當然最常見的就是智能音箱。
以天貓精靈為例：
看起來很不錯的樣子，但是如果用戶接著說“幫我換成新褲子的《沒有理想的人不悲傷》”。
不好意思，這時天貓精靈是不會響應你的。因為天貓精靈在上一輪回復完用戶的話之后，就結束了對話。想要再次跟她對話，必須喊“天貓精靈”再次喚醒后，才能繼續對話。
以上這種每次只能進行一輪對話的模式，我們稱之為“單輪對話”。其實目前大多數機器人都是單輪對話的模式。比如說閑聊：
這里可能你又會問了，這不是連續的對話嗎，怎么會是單輪呢？
是的，因為這些對話，每一輪之間都是相互獨立，上下文之間沒有關聯關系，我們暫時稱之為單輪對話。與單輪對話相對的概念是多輪對話。
舉例：
是的，這就是多輪對話，也是本文主要討論的內容。如果說NLP是AI界皇冠上的明珠，那么多輪對話就是NLP界皇冠上的明珠。由此可見多輪的話的江湖地位。
由上面例子，跟單輪對話的對比，引出了對多輪對話的定義。
定義：根據上下文內容，進行連續的，以達到解決某一類特定任務為目的的對話。
這里有3點：
多輪對話跟機器人的關系圖：
通常來說，一個全能型的對話機器人是由很多個類型的機器人組成的，比如說閑聊機器人、任務機器人、問答機器人。而一個任務機器人內又可以包含多個多輪。
那怎么來實現多輪對話呢？市面上各大廠家的做法是開發一個用于構建多輪對話的平臺。有了這樣的平臺，你就可以構建出你想要的對話流程。
多輪比較擅長處理的兩類經典任務：
如果把多輪對話比作一輛汽車的話，那多輪對話平臺就是一個組裝車間，底層的各類AI工具，就相當于汽車的零部件，因此我們可以在對輪對話平臺內，用各種的工具，來組裝出你想要的對話邏輯。
這里你可能想說，這個哪里智能了，不就是我們實現定義好的流程嗎？是的，它確實并沒有你想象中的那么智能，沒有你想象中的那樣通過大量的數據就能自己學習出一個流程，也沒你想象中的那樣機器可以自己生成新的答復話術。
但是它確實能解決很多工業上的問題，特別是一些比較固定的流程，比如說：
這些固化的流程完全可以用機器人來完成，大大減少人力成本。相比于人，機器人可以一天24小時，同一時間多線路給多個人撥打電話。
1）進入多輪對話任務的條件
比如識別到有訂票的意圖，則進入到訂機票的多輪對話任務中；也可以通過關鍵字、指令等方式進入到多輪對話任務中。
2）機器人的應答話術
即用戶的每一個動作（query），機器人應該用什么話術去應答。
目前任務類型的對話通常話術都是預設的，基本不會是生成式的。因為任務性對話容錯率很低，寧可答不上，也不能答錯。生成式的應答話術，更多是在閑聊機器人中，因為閑聊容錯率相對比較高。
3）流程流轉條件的設置（if）
4）滿足條件執行動作的設置（then）
條件設置和動作設置是整個流程的核心思想，整個對話流程都是按：如果條件是什么…那么執行什么動作…的格式設置。
5）退出多輪對話任務的條件
最后，這個對話肯定是不能永遠繼續下去的，需要設置結束對話的條件，比如說常見的有以下幾種情況：
按另外一個維度，可以把多輪對話分為流程和解析工具。
1）流程–就是設定的流轉規則，如是什么，那就做什么
（如下圖，如果是肯定回復那就跳轉到A節點，如果是否定回復就跳轉到B節點）這一塊跟AI沒有什么關系。
2）解析工具–理解用戶說的話是什么
（如上圖，如果用戶說“我是他媽媽”，機器人怎么知道這是屬于否定回復，這就是解析工具要做的事情），也是整個多輪對話的核心。
解析工具主要分類兩大類：信息收集、文本分類。
1）信息收集
收集信息的方式主要有兩種：對話里收集、對話外收集。
2）文本分類
對話中的文本分類，通常又分為兩大類：有較完整的句子結構類文本、超短文本。
除了是否有句子結構外，兩類型的文本分類解析工具的應用場景也不一樣。有句子結構類文本解析工具，是全局的應用。比如說“我要轉人工服務”，可以做出一個意圖，不管在流程的哪個節點，用戶表達了這樣的意圖，都可以識別。
超短文本類解析工具，是局部應用的，是強依賴上線文的。比如說用戶單獨說一句“不是的”，如果沒有上下文，是沒有意義的。
機器問“請問您是深戶嗎”，用戶可以回復“不是的”；
機器問“請問您是深圳高校學生嗎”，用戶可以回答“不是的”；
因此同樣“不是的”，在不同的地方表達的意思是不一樣的，只有聯系上文，才能確定明確的含義。
解析工具直接決定了多輪對話平臺能力的上限，而決定解析工具能力又可以分為兩層：基礎技術層、產品層。
1）例子1
問在哪里出發后，我們往往會調用一個地址解析器來解用戶接下來說的話，用戶回復“深圳明天會下雨嗎”，這時會抽到地址【深圳】，那機器人就理解為出發地是【深圳】了。
解析器確實沒有問題，解出了地址【深圳】，但是解出的地址是不是符合上文需要填充的槽位，這時機器人就無能為力了，因為解析器只管解析，不管業務。
2）例子2
問是幾月份，我們往往會在這個時候調用一個時間解析器來解用戶接著說的話，用戶只回復“8”，這時時間解析器解不出結果，因為時間解析器只能解“8月”、“8號”等等這個帶單位的時間。純說一個數字，機器人就懵掉了。
從上面兩個例子就可以看出，解析工具跟實際應用場景的隔閡，導致了運用起來不夠靈活，主要矛盾點體現在：
舉例：
還是以上面例子為例，首先來了解幾個概念：
ok，了解了上面的概念之后，我們再回過來看這個例子。
用戶說了：深圳明天會下雨嗎？
會有兩個解析工具解到結果，假設地址解析工具得到的信心分是90分，意圖解析工具解到的【查天氣】意圖的信心分也是90，但是由于地址解析工具屬于主流程，優先級高于查天氣意圖，因此機器人最后選擇的是前者。因此機器人的動作是把【深圳】當作了出發地填入槽位。
因此，從這里可以看到有兩個問題：
這里先理清一對概念：
舉例：
機器人的話術已經被事先死死的設定了，問完問題1，就問問題2。沒有根據用戶的話做出一些反饋，就會顯得很生硬。
假設能這樣：
這樣不但能對用戶的回答做出響應，還根據用戶前面說的話來調整問題2的問法。這就是非生成式回答無法達到的效果，這也是機器人比較死板的原因。
舉例：
還記得她嗎，在采訪中她說“我已經用了洪荒之力了”。如果你只看文字，你能理解她里面所表達的是滿意的情緒嗎？
正常人與人的對話，一般會根據語調、文字、表情、動作等維度，組合起來理解對話所表達的內容。但是目前大多數的多輪對話平臺都是只以【文字】單一維度來做解析處理，即使很多平臺都亮出了自己在ASR環節的情緒理解有多么強大，但真正跟多輪平臺運用起來是隔離開的，訓練數據只是轉譯成文本的形式訓練，而不是直接拿語音去訓練。
不同語氣的“呵呵”，表達的意思是不一樣，有的是開心，有的是諷刺。如果丟失了語調的維度，那解析的結果肯定是會失真的。
在以用戶體驗為王的時代，如果你操作一個軟件或APP，你還要看它的說明書，甚至看了說明書還不會操作，那你肯定會瘋掉。
沒錯，多輪對話操作平臺就是一個看了說明說還不會用平臺，通常需要經常專業的培訓才會使用，因此是有很高的使用門檻的，而且邏輯能力不好人，還真做不來。
除了操作門檻高，后續的優化也不靈活。不是說像我們想象中的那么簡單，加點數據，標注下就能解決的。比如說機器人詢問：你是馬先生嗎？
你一開始想到的用戶可能的回答是兩類：肯定回復（是的、我是）、否定回復（不是、打錯了）。但是上線后，你會發現還有很多類型的回復：中性回復【怎么啦、你說】、式有關系人【我是他老婆、我是他兒子】、反問【你是誰呀、是機器人吧你】
每增加一個分類，就要重新在流程圖里增加分支，從新設定規則等等，并非直接加點數據重新訓練就能解決問題了。
前面大篇幅討論了，目前多輪對話平臺的核心是解析工具，因此我覺得未來的優化方向也是在解析工具上面，比如說：
目前的做法是對話流程、對話分支是由人工搭建的，這種方式對數據的利用率是非常低的。只是根據對話記錄，人為整理出對話流程，而對話之間的上下文關系是不參與到模型訓練的。機器人不會隨著人機對話量的增加而變得更加聰明。
未來的優化方向一定是最大化的利用數據，比如說通過給機器輸入大量的對話記錄，機器能夠學習出對話之間的邏輯關系，然后自己能學習出一個對話流程。
最后，用一句話總結下目前的多輪對話平臺：在解決固定化流程的問題上，確實能降低人力成本，但是對話比較死板，要想做到向人與人之間的自然交流，還有很長的路要走。
AI人，一起加油吧！
本文由 @Jimmy 原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自Unsplash，基于CC0協議。