Allikas: rawpixel.com
Vestluspõhine tehisintellekt on LLM-ide rakendus, mis on paljudes tööstusharudes ja kasutusjuhtudes mastaapsuse tõttu tekitanud palju kõmu ja tähelepanu. Kuigi vestlussüsteemid on eksisteerinud aastakümneid, on LLM-id andnud kvaliteeditõuke, mida oli vaja nende ulatuslikuks kasutuselevõtuks. Selles artiklis kasutame vestluspõhise AI rakenduste lahkamiseks joonisel 1 näidatud vaimset mudelit (vt. AI-toodete loomine tervikliku mentaalse mudeliga vaimse mudeli sissejuhatuseks). Pärast vestluspõhise AI-süsteemide turuvõimaluste ja äriväärtuse kaalumist selgitame täiendavat "masinat" andmete, LLM-i peenhäälestuse ja vestluse disaini osas, mis tuleb seadistada, et vestlused mitte ainult võimalikud, vaid ka kasulikud oleksid. ja nauditav.
1. Võimalus, väärtus ja piirangud
Traditsiooniline UX-i disain on üles ehitatud paljude kunstlike UX-elementide, pühkimiste, puudutuste ja klõpsude ümber, mis nõuab iga uue rakenduse jaoks õppimiskõverat. Vestluspõhise AI abil saame selle hõivatuse kaotada, asendades selle loomulikult voolava vestluse elegantse kogemusega, mille käigus võime unustada üleminekud erinevate rakenduste, akende ja seadmete vahel. Kasutame keelt, meie universaalset ja tuttavat suhtlusprotokolli, et suhelda erinevate virtuaalsete assistentidega (VA) ja täita oma ülesandeid.
Vestlusliidesed pole just uus kuum kraam. Interaktiivsed häälreageerimissüsteemid (IVR) ja vestlusrobotid on olnud kasutusel alates 1990. aastatest ning NLP suuri edusamme on tihedalt järgnenud lootus- ja arengulained kõne- ja vestlusliideste osas. Kuid enne LLM-ide aega rakendati enamik süsteeme sümboolses paradigmas, tuginedes reeglitele, märksõnadele ja vestlusmustritele. Need piirdusid ka konkreetse, eelnevalt määratletud "pädevuse valdkonnaga" ja kasutajad, kes seiklevad väljaspool seda, satuvad peagi ummikusse. Kokkuvõttes kaevandati need süsteemid potentsiaalsete tõrkekohtadega ja pärast paari masendavat katset ei tulnud paljud kasutajad nende juurde tagasi. Järgmine joonis illustreerib dialoogi näidet. Konkreetsele kontserdile pileteid tellida sooviv kasutaja läbib kannatlikult üksikasjaliku ülekuulamisvoo, et lõpuks teada saada, et kontsert on välja müüdud.
Võimaldava tehnoloogiana saavad LLM-id viia vestlusliidesed kvaliteedi ja kasutajate rahulolu uuele tasemele. Vestlussüsteemid võivad nüüd näidata palju laiemaid teadmisi maailmast, keeleoskust ja vestlusvõimet. Eelkoolitatud mudeleid kasutades saab neid välja töötada ka palju lühema aja jooksul, kuna tüütu reeglite, märksõnade ja dialoogivoogude koostamise töö on nüüd asendatud LLM-i statistiliste teadmistega. Vaatame kahte silmapaistvat rakendust, kus vestluspõhine tehisintellekt võib pakkuda suuremat väärtust:
- Klienditugi ja üldisemalt rakendused, mida kasutab suur hulk kasutajaid, kes esitavad sageli sarnaseid taotlusi. Siin on kliendituge pakkuval ettevõttel kasutaja ees selge teabeeelis ning ta saab seda intuitiivsema ja nauditavama kasutuskogemuse loomiseks ära kasutada. Mõelge lennu ümberbroneerimise juhtumile. Minu jaoks, üsna sagedase reisija jaoks, juhtub seda 1–2 korda aastas. Vahepeal kipun unustama protsessi üksikasju, rääkimata konkreetse lennufirma kasutajaliidest. Seevastu lennufirma klienditoel on ümberbroneerimistaotlused nende tegevuste ees ja keskel. Selle asemel, et ümberbroneerimisprotsessi keerulise graafilise liidese kaudu paljastada, saab selle loogika klienditoega ühendust võtvate klientide eest "varjata" ja nad saavad kasutada ümberbroneeringu tegemisel loomuliku kanalina keelt. Muidugi jääb ikkagi vähem tuttavate taotluste “pikk saba”. Kujutage näiteks ette spontaanset meeleolumuutust, mis sunnib äriklienti lisama oma armastatud koera broneeritud lennule liigse pagasina. Neid individuaalsemaid taotlusi saab edastada inimagentidele või katta virtuaalse assistendiga ühendatud sisemise teadmushaldussüsteemi kaudu.
- Teadmusjuhtimine mis põhineb suurel hulgal andmetel. Paljude kaasaegsete ettevõtete jaoks on sisemised teadmised, mida nad aastatepikkuse tegutsemise, kordumise ja õppimise jooksul koguvad, põhivara ja eristaja – kui neid salvestatakse, hallatakse ja neile tõhusalt juurde pääseb. Koostöötööriistades, sisemistes wikides, teadmistebaasides jne peidetud andmete hulga peal ei suuda nad sageli neid tegelikeks teadmisteks muuta. Kui töötajad lahkuvad, võetakse tööle uusi töötajaid ja te ei jõua kunagi kolm kuud tagasi käivitatud dokumentatsioonilehte lõplikult vormistada, väärtuslikud teadmised langevad entroopia ohvriks. Üha raskem on leida teed läbi sisemise andmelabürindi ja saada kätte konkreetses äriolukorras nõutavad infokillud. See toob teadmustöötajate jaoks kaasa tohutu efektiivsuse vähenemise. Selle probleemi lahendamiseks saame täiendada LLM-e semantilise otsinguga sisemistest andmeallikatest. LLM-id võimaldavad selle andmebaasi vastu küsimuste esitamiseks kasutada keeruliste formaalsete päringute asemel loomuliku keele küsimusi. Kasutajad saavad seega keskenduda oma teabevajadustele, mitte teadmistebaasi struktuurile või päringukeele (nt SQL) süntaksile. Olles tekstipõhised, töötavad need süsteemid andmetega rikkalikus semantilises ruumis, luues sisulisi ühendusi "kapoti all".
Lisaks nendele peamistele rakendusvaldkondadele on palju muid rakendusi, nagu teletervis, vaimse tervise assistendid ja harivad vestlusrobotid, mis võivad UX-i sujuvamaks muuta ja kasutajatele kiiremini ja tõhusamalt väärtust tuua.
Kui see põhjalik hariv sisu on teile kasulik, saate seda teha tellige meie AI-uuringute meililist hoiatada, kui avaldame uut materjali.
2. Andmed
LLM-id ei ole algselt koolitatud ladusaks väikeseks jutuks või sisukamaks vestluseks. Pigem õpivad nad igal järeldusetapil genereerima järgmist märgi, mille tulemuseks on lõpuks sidus tekst. See madala taseme eesmärk erineb inimvestluse väljakutsest. Vestlus on inimeste jaoks uskumatult intuitiivne, kuid see muutub uskumatult keeruliseks ja nüansirikkaks, kui soovite õpetada masinat seda tegema. Vaatame näiteks kavatsuste põhimõistet. Kui kasutame keelt, teeme seda kindlal eesmärgil, mis on meie suhtluseesmärk – see võib olla teabe edastamine, suhtlus või paluda kellelgi midagi teha. Kui esimesed kaks on LLM-i jaoks üsna lihtsad (nii kaua, kui ta on näinud andmetes nõutavat teavet), siis viimane on juba keerulisem. LLM ei pea mitte ainult seotud teavet sidusal viisil kombineerima ja struktureerima, vaid peab määrama ka õige emotsionaalse tooni pehmete kriteeriumide osas, nagu formaalsus, loovus, huumor jne. See on vestluse kujundamise väljakutse. (vrd punkt 5), mis on tihedalt läbi põimunud andmete peenhäälestuse loomise ülesandega.
Üleminek klassikaliselt keele genereerimiselt konkreetsete kommunikatiivsete kavatsuste äratundmisele ja neile reageerimisele on oluline samm vestlussüsteemide parema kasutatavuse ja aktsepteerimise suunas. Nagu kõik peenhäälestustööd, algab see sobiva andmekogumi koostamisest.
Peenhäälestusandmed peaksid olema võimalikult lähedal (tulevasele) reaalmaailma andmete jaotusele. Esiteks peaksid need olema vestluse (dialoogi) andmed. Teiseks, kui teie virtuaalne assistent on spetsialiseerunud konkreetsele domeenile, peaksite proovima koguda peenhäälestusandmeid, mis kajastavad vajalikke domeeniteadmisi. Kolmandaks, kui teie rakenduses on tüüpilisi voogusid ja taotlusi, mis korduvad sageli, näiteks klienditoe puhul, proovige lisada oma treeningandmetesse nende kohta erinevaid näiteid. Järgmises tabelis on näidis vestluste peenhäälestusandmetest 3K vestluste andmestik ChatBoti jaoks, mis on Kaggle'is vabalt saadaval:
Vestlusandmete käsitsi loomine võib muutuda kulukaks ettevõtmiseks – rahvahulga hankimine ja LLM-ide kasutamine andmete genereerimiseks on kaks võimalust suurendamiseks. Kui dialoogiandmed on kogutud, tuleb vestlusi hinnata ja lisada märkused. See võimaldab teil näidata oma mudelile nii positiivseid kui ka negatiivseid näiteid ja suunata seda "õigete" vestluste tunnuste leidmise poole. Hindamine võib toimuda kas absoluutsete skooridega või erinevate valikute järjestamisega. Viimane lähenemisviis toob kaasa täpsemad andmed, kuna inimesed oskavad tavaliselt mitut võimalust järjestada paremini kui neid eraldi hinnata.
Kui andmed on paigas, olete valmis oma mudelit viimistlema ja rikastama seda lisavõimalustega. Järgmises jaotises käsitleme peenhäälestamist, lisateabe integreerimist mälust ja semantilisest otsingust ning agentide ühendamist teie vestlussüsteemiga, et võimaldada sellel konkreetseid ülesandeid täita.
3. Vestlussüsteemi kokkupanek
Tüüpiline vestlussüsteem on ehitatud vestlusagendiga, mis koordineerib ja koordineerib süsteemi komponente ja võimalusi, nagu LLM, mälu ja välised andmeallikad. Vestluspõhise AI süsteemide arendamine on väga eksperimentaalne ja empiiriline ülesanne ning teie arendajad on pidevas edasi-tagasi teie andmete optimeerimise, peenhäälestusstrateegia täiustamise, lisakomponentide ja täiustustega mängimise ning tulemuste testimise vahel. . Samuti testivad toodet pidevalt mittetehnilised meeskonnaliikmed, sealhulgas tootejuhid ja kasutajakogemuse disainerid. Klientide leidmise tegevuste põhjal on neil suurepärane võimalus tulevaste kasutajate vestlusstiili ja -sisu ennetamiseks ning nad peaksid neid teadmisi aktiivselt jagama.
3.1 Vestlusoskuste õpetamine oma LLM-ile
Peenhäälestamiseks vajate oma peenhäälestusandmeid (vt jaotis 2) ja eelkoolitatud LLM-i. LLM-id teavad juba palju keelest ja maailmast ning meie väljakutse on õpetada neile vestluspõhimõtteid. Peenhäälestamisel on sihtväljunditeks tekstid ja mudel optimeeritakse, et genereerida sihtmärkidega võimalikult sarnaseid tekste. Järelevalvega peenhäälestamiseks peate esmalt selgelt määratlema vestluse tehisintellekti ülesande, mida soovite mudelil täita, koguma andmeid ning käivitama ja kordama peenhäälestusprotsessi.
LLM-ide ümber leviva hüppega on esile kerkinud mitmesuguseid peenhäälestusmeetodeid. Üsna traditsioonilise vestluse peenhäälestuse näite jaoks võite vaadata LaMDA mudeli kirjeldust.[1] LaMDA peenhäälestus toimus kahes etapis. Esiteks kasutatakse dialoogiandmeid mudeli vestlusoskuste õpetamiseks ("generatiivne" peenhäälestus). Seejärel kasutatakse annotaatorite poolt andmete hindamise käigus koostatud silte koolitamaks klassifikaatoreid, mis suudavad hinnata mudeli väljundeid soovitud atribuutide järgi, mille hulka kuuluvad mõistlikkus, spetsiifilisus, huvitavus ja ohutus (“diskrimineeriv” peenhäälestus). Neid klassifikaatoreid kasutatakse seejärel mudeli käitumise suunamiseks nende atribuutide suunas.
Lisaks on LLM-ide oluline atribuut faktiline põhjendatus – võime maandada oma väljundeid usaldusväärse välisteabega. Faktilise põhjendatuse tagamiseks ja hallutsinatsioonide minimeerimiseks viimistleti LaMDA andmestikuga, mis hõlmab välisteadmiste vajaduse korral väljakutseid välisele teabeotsingusüsteemile. Seega õppis mudel esmalt hankima faktilist teavet alati, kui kasutaja tegi uusi teadmisi nõudva päringu.
Teine populaarne peenhäälestustehnika on inimese tagasisidest õppimine (RLHF)[2]. RLHF "suunab" LLM-i õppeprotsessi lihtsast, kuid kunstlikust järgmise märgi ennustamise ülesandest inimese eelistuste õppimisele antud suhtlusolukorras. Need inimeste eelistused on koolitusandmetes otse kodeeritud. Annotatsiooniprotsessi ajal esitatakse inimestele viipasid ja nad kirjutavad soovitud vastuse või järjestavad olemasolevaid vastuseid. Seejärel optimeeritakse LLM-i käitumine inimese eelistuste kajastamiseks.
3.2 Väliste andmete lisamine ja semantiline otsing
Lisaks mudeli peenhäälestamiseks vestluste koostamisele võiksite oma süsteemi täiustada spetsiaalsete andmetega, mida saab vestluse ajal kasutada. Näiteks võib teie süsteem vajada juurdepääsu välistele andmetele, nagu patendid või teaduslikud artiklid, või siseandmetele, nagu kliendiprofiilid või teie tehniline dokumentatsioon. Tavaliselt tehakse seda semantilise otsingu kaudu (tuntud ka kui otsimisega suurendatud genereerimine või RAG)[3]. Täiendavad andmed salvestatakse andmebaasi semantiliste manuste kujul (vt. Käesoleva artikli manustamise selgituste ja täiendavate viidete jaoks). Kui kasutaja päring saabub, töödeldakse seda eeltöödeldades ja muudetakse semantiliseks manustamiseks. Seejärel tuvastab semantiline otsing dokumendid, mis on päringu jaoks kõige asjakohasemad, ja kasutab neid viipa kontekstina. Täiendavate andmete integreerimisel semantilise otsinguga saate vähendada hallutsinatsioone ja pakkuda kasulikumaid faktipõhiseid vastuseid. Manusandmebaasi pideva värskendamisega saate ka oma süsteemi teadmisi ja vastuseid ajakohastada, ilma et peaksite pidevalt peenhäälestusprotsessi uuesti läbi viima.
3.3 Mälu ja kontekstiteadlikkus
Kujutage ette, et lähete peole ja kohtute advokaadi Peteriga. Olete põnevil ja hakkate tutvustama seaduslikku vestlusrobotit, mida praegu plaanite luua. Peter on huvitatud, kummardub sinu poole, uhm ja noogutab. Mingil hetkel soovite tema arvamust selle kohta, kas ta soovib teie rakendust kasutada. Informatiivse avalduse asemel, mis kompenseeriks teie kõneoskust, kuulete: "Ohm... mida see rakendus jälle tegi?"
Inimestevahelise suhtlemise kirjutamata leping eeldab, et me kuulame oma vestluspartnereid ja ehitame oma kõneaktid üles kontekstile, mida suhtlemise käigus koos loome. Ühiskondlikus keskkonnas iseloomustab selle ühise arusaama tekkimine viljakat ja rikastavat vestlust. Argisemates seadetes, nagu restoranilaua broneerimine või rongipileti ostmine, on see ülesande täitmiseks ja kasutajale oodatud väärtuse pakkumiseks absoluutselt vajalik. See nõuab, et teie assistent teaks praeguse vestluse, aga ka varasemate vestluste ajalugu – näiteks ei tohiks ta vestlust alustades ikka ja jälle küsida kasutaja nime ja muid isikuandmeid.
Üheks väljakutseks kontekstiteadlikkuse hoidmisel on korreferentsilahutus ehk arusaamine, millistele objektidele asesõnadega viidatakse. Inimesed kasutavad keelt tõlgendades intuitiivselt palju kontekstuaalseid näpunäiteid – näiteks võite küsida väikeselt lapselt: "Palun võtke roheline pall punasest kastist välja ja tooge see mulle," ja laps saab aru, et mõtlete palli. , mitte kasti. Virtuaalsete assistentide jaoks võib see ülesanne olla üsna keeruline, nagu näitab järgmine dialoog:
Assistent: Aitäh, ma broneerin nüüd teie lennu. Kas soovite tellida ka oma lennule eine?
Kasutaja: Hmm… kas ma saan hiljem otsustada, kas ma tahan seda?
Assistent: Kahjuks ei saa seda lendu hiljem muuta ega tühistada.
Siin ei suuda assistent seda asesõna ära tunda it ei viita mitte lennule, vaid söögile, mistõttu on selle arusaamatuse parandamiseks vaja veel üks iteratsioon.
3.4 Täiendavad kaitsepiirded
Aeg-ajalt käitub isegi parim LLM valesti ja hakkab hallutsineerima. Paljudel juhtudel on hallutsinatsioonid lihtsad täpsusprobleemid – ja noh, peate leppima sellega, et ükski tehisintellekt pole 100% täpne. Võrreldes teiste AI-süsteemidega on kasutaja ja tehisintellekti vaheline “kaugus” kasutaja ja tehisintellekti vahel üsna väike. Lihtne täpsusprobleem võib kiiresti muutuda millekski, mida peetakse mürgiseks, diskrimineerivaks või üldiselt kahjulikuks. Lisaks, kuna LLM-idel puudub loomupärane arusaam privaatsusest, võivad nad avaldada ka tundlikke andmeid, näiteks isikut tuvastavat teavet (PII). Selle käitumise vastu saate täiendavaid kaitsepiirdeid kasutades. Sellised tööriistad nagu Guardrails AI, Rebuff, NeMo Guardrails ja Microsoft Guidance võimaldavad teil oma süsteemi riskidest vabastada, sõnastades LLM-väljunditele lisanõuded ja blokeerides soovimatud väljundid.
Vestluspõhises AI-s on võimalik mitu arhitektuuri. Järgmine skeem näitab lihtsat näidet selle kohta, kuidas peenhäälestatud LLM-i, välisandmeid ja mälu saab integreerida vestlusagent, kes vastutab ka kiire ehituse ja kaitsepiirete eest.
4. Kasutajakogemus ja vestluskujundus
Vestlusliideste võlu seisneb nende lihtsuses ja ühtsuses erinevates rakendustes. Kui kasutajaliideste tulevik on see, et kõik äpid näevad enam-vähem ühesugused välja, siis kas UX-disaineri töö on hukule määratud? Kindlasti mitte – vestlus on kunst, mida tuleb teie LLM-ile õpetada, et ta saaks pidada vestlusi, mis on teie kasutajatele kasulikud, loomulikud ja mugavad. Hea vestluskujundus tekib siis, kui ühendame oma teadmised inimpsühholoogiast, lingvistikast ja kasutajakogemuse disainist. Järgnevalt käsitleme vestlussüsteemi loomisel esmalt kahte põhivalikut, nimelt seda, kas kasutate häält ja/või vestlust, ning oma süsteemi laiemat konteksti. Seejärel vaatame vestlusi endid ja vaatame, kuidas saate kujundada oma assistendi isiksuse, õpetades samal ajal teda abistavates ja koostööaldistes vestlustes osalema.
4.1 Hääl versus vestlus
Vestlusliideseid saab rakendada vestluse või hääle abil. Lühidalt öeldes on hääl kiirem, samas kui vestlus võimaldab kasutajatel jääda privaatseks ja saada kasu rikastatud kasutajaliidese funktsioonidest. Sukeldume kahe võimalusega veidi sügavamale, kuna see on üks esimesi ja kõige olulisemaid otsuseid, millega vestlusrakenduse loomisel silmitsi seisate.
Kahe alternatiivi vahel valimiseks kaaluge kõigepealt füüsilist seadet, milles teie rakendust kasutatakse. Näiteks miks põhinevad peaaegu kõik autode vestlussüsteemid, nagu näiteks Nuance Communicationsi pakutavad, häälel? Kuna juhi käed on niigi hõivatud ja nad ei saa pidevalt rooli ja klaviatuuri vahel vahetada. See kehtib ka muude tegevuste (nt toiduvalmistamise) kohta, mille puhul kasutajad soovivad teie rakendust kasutades oma tegevuste voolus püsida. Autod ja köögid on enamasti privaatsed seaded, nii et kasutajad saavad kogeda häälega suhtlemise rõõmu, muretsemata privaatsuse või teiste häirimise pärast. Seevastu kui teie rakendust kavatsete kasutada avalikus kohas, näiteks kontoris, raamatukogus või raudteejaamas, ei pruugi hääl olla teie esimene valik.
Pärast füüsilise seadistuse mõistmist mõelge emotsionaalsele poolele. Häält saab tahtlikult kasutada tooni, meeleolu ja isiksuse edastamiseks – kas see lisab teie kontekstis väärtust? Kui loote oma rakendust vaba aja veetmiseks, võib hääl suurendada lõbutegurit, samas kui vaimse tervise assistent võib olla rohkem empaatiavõimeline ja võimaldada potentsiaalselt probleemsel kasutajal suuremat väljendust. Seevastu, kui teie rakendus aitab kasutajaid professionaalses keskkonnas, nagu kauplemine või klienditeenindus, võib anonüümsem, tekstipõhine suhtlus aidata kaasa objektiivsemate otsuste tegemisele ja säästa teid liigselt emotsionaalse kogemuse kujundamisel.
Järgmise sammuna mõelge funktsionaalsusele. Tekstipõhine liides võimaldab teil rikastada vestlusi muu meediaga, nagu pildid ja graafilised kasutajaliidese elemendid, nagu nupud. Näiteks e-kaubanduse assistendis on rakendus, mis soovitab tooteid, postitades nende pilte ja struktureeritud kirjeldusi, palju kasutajasõbralikum kui see, mis kirjeldab tooteid häälega ja pakub potentsiaalselt nende identifikaatoreid.
Lõpuks räägime hääl kasutajaliidese loomise täiendavatest disaini- ja arendusprobleemidest:
- On veel üks kõnetuvastuse etapp, mis toimub enne, kui kasutaja sisendeid saab töödelda LLM-ide ja loomuliku keele töötlemisega (NLP).
- Hääl on isiklikum ja emotsionaalsem suhtlusvahend – seega on nõuded järjepideva, sobiva ja nauditava isiksuse kujundamiseks oma virtuaalse assistendi taha kõrgemad ning peate arvestama täiendavate "häälekujunduse" teguritega, näiteks tämbriga. , stress, toon ja kõne kiirus.
- Kasutajad eeldavad, et teie häälvestlus kulgeb samal kiirusel kui inimvestlus. Loomuliku häälega suhtlemise pakkumiseks vajate palju lühemat latentsust kui vestluse puhul. Inimvestlustes on tüüpiline vahe pöörete vahel 200 millisekundit — selline kiire reageerimine on võimalik, kuna hakkame oma pöördeid üles ehitama samal ajal, kui kuulame oma partneri kõnet. Teie hääleassistent peab vastama selle suhtluse sujuvuse tasemele. Seevastu vestlusrobotite puhul konkureerite sekundite ajavahemikega ja mõned arendajad kehtestavad isegi täiendava viivituse, et vestlus tunduks inimestevahelise vestlusena.
- Häälsuhtlus on lineaarne, ühekordne ettevõtmine – kui teie kasutaja ei saanud aru, mida te ütlesite, ootab teid tüütu ja vigaderikas selgitusring. Seega peavad teie pöörded olema võimalikult lühikesed, selged ja informatiivsed.
Kui valite häällahenduse, veenduge, et te ei mõista selgelt vestluse eeliseid, vaid teil on ka oskused ja ressursid nende täiendavate väljakutsetega tegelemiseks.
4.2 Kus teie vestluskaaslane AI elab?
Vaatleme nüüd laiemat konteksti, millesse saate vestluslikku AI-d integreerida. Me kõik tunneme ettevõtte veebisaitidel olevaid vestlusroboteid – need vidinad teie ekraani paremal küljel, mis ilmuvad ettevõtte veebisaidi avamisel. Isiklikult on minu intuitiivne reaktsioon enamasti nupu Sule otsimine. Miks nii? Esialgsete katsete kaudu nende robotitega "vestelda" sain teada, et need ei vasta täpsematele teabenõuetele ja lõpuks pean ikkagi veebisaiti läbi kammima. Loo moraal? Ärge looge vestlusrobotit sellepärast, et see on lahe ja trendikas, vaid pigem sellepärast, et olete kindel, et see võib teie kasutajatele lisaväärtust luua.
Lisaks vastuolulisele vidinale ettevõtte veebisaidil on mitu põnevat konteksti nende üldisemate vestlusrobotite integreerimiseks, mis on LLM-idega võimalikuks saanud:
- Teise piloodid: need assistendid juhendavad ja nõustavad teid konkreetsete protsesside ja ülesannete (nt GitHub CoPilot programmeerimiseks) käigus. Tavaliselt on kaaspiloodid "seotud" konkreetse rakendusega (või väikese komplekti seotud rakendustega).
- Sünteetilised inimesed (ka digitaalsed inimesed): need olendid jäljendavad reaalseid inimesi digitaalses maailmas. Nad näevad välja, käituvad ja räägivad nagu inimesed ning vajavad seetõttu ka rikkalikku vestlusvõimet. Sünteetilisi inimesi kasutatakse sageli ümbritsevates rakendustes, nagu mängud ning liit- ja virtuaalreaalsus.
- Digitaalsed kaksikud: Digitaalsed kaksikud on reaalsete protsesside ja objektide (nt tehased, autod või mootorid) digitaalsed "koopiad". Neid kasutatakse reaalse objekti disaini ja käitumise simuleerimiseks, analüüsimiseks ja optimeerimiseks. Loomulikkeelne suhtlus digitaalsete kaksikutega võimaldab sujuvamat ja mitmekülgsemat juurdepääsu andmetele ja mudelitele.
- Andmebaasid: Tänapäeval on andmed saadaval iga teema kohta, olgu need siis investeerimissoovitused, koodijupid või õppematerjalid. Sageli on raske leida väga konkreetseid andmeid, mida kasutajad konkreetses olukorras vajavad. Andmebaaside graafilised liidesed on kas liiga jämedateralised või kaetud lõputute otsingu- ja filtrividinatega. Mitmekülgsed päringukeeled nagu SQL ja GraphQL on kättesaadavad ainult vastavate oskustega kasutajatele. Vestluslahendused võimaldavad kasutajatel teha päringuid loomulikus keeles, samas kui päringuid töötlev LLM teisendab need automaatselt vastavasse päringukeelde (vt. Käesoleva artikli Text2SQL selgituseks).
4.3 Isiksuse jäljendamine assistendile
Inimestena oleme me sunnitud antropomorfiseerima, st tekitama täiendavaid inimlikke jooni, kui näeme midagi, mis ähmaselt inimest meenutab. Keel on üks inimkonna ainulaadsemaid ja põnevamaid võimeid ning vestlustooted seostuvad automaatselt inimestega. Inimesed kujutavad inimest ette oma ekraani või seadme taga – ja hea tava on mitte jätta seda konkreetset inimest oma kasutajate kujutlusvõime hooleks, vaid pigem anda talle ühtlane isikupära, mis on kooskõlas teie toote ja kaubamärgiga. Seda protsessi nimetatakse "persona disainiks".
Isiku kujundamise esimene samm on mõista iseloomuomadusi, mida soovite oma isikul näidata. Ideaalis tehakse seda juba treeningandmete tasemel – näiteks RLHF-i kasutamisel võite paluda annotaatoritel järjestada andmed selliste tunnuste järgi nagu abivalmidus, viisakus, lõbusus jne, et mudelit kallutada. soovitud omadused. Neid omadusi saab sobitada teie brändi atribuutidega, et luua ühtne kuvand, mis reklaamib pidevalt teie brändingut tootekogemuse kaudu.
Lisaks üldistele omadustele peaksite mõtlema ka sellele, kuidas teie virtuaalne assistent lahendab konkreetseid olukordi väljaspool "õnnelikku teed". Näiteks kuidas see reageerib kasutajate päringutele, mis jäävad väljapoole tema ulatust, vastab enda kohta käivatele küsimustele ja käsitleb solvavat või labast kõnepruuki?
Oluline on välja töötada oma isiku kohta selged sisemised juhised, mida saaksid kasutada andmeannotaatorid ja vestluste kujundajad. See võimaldab teil kujundada oma isikut sihipäraselt ja hoida seda järjepidevana kogu meeskonnas ja aja jooksul, kuna teie rakendus läbib mitu iteratsiooni ja täpsustust.
4.4 Vestluste kasulikuks muutmine koostööpõhimõtte järgi
Kas teile on kunagi inimesega rääkides jäänud mulje, et räägiksite telliskiviseinaga? Mõnikord avastame, et meie vestluspartnerid pole lihtsalt huvitatud vestluse õnnestumisest. Õnneks on enamikul juhtudel asjad sujuvamad ja inimesed järgivad intuitiivselt keelefilosoofi Paul Grice’i juurutatud “koostöö põhimõtet”. Selle põhimõtte kohaselt järgivad inimesed, kes üksteisega edukalt suhtlevad, nelja maksiimi, nimelt kvantiteeti, kvaliteeti, asjakohasust ja viisi.
Maksimaalne kogus
Kvantiteedi maksiim palub esinejal olla informatiivne ja anda oma panus nii informatiivselt kui vaja. Virtuaalse assistendi poolelt tähendab see ka vestluse aktiivset edasiviimist. Mõelge näiteks sellele e-kaubanduse moerakenduse katkendile:
Assistent: Milliseid riideesemeid otsite?
Kasutaja: Otsin oranži värvi kleiti.
Assistent: Ärge: Kahjuks pole meil hetkel oranže kleite.
Tee: Kahjuks meil pole oranže kleite, aga meil on see suurepärane ja väga mugav kollane kleit: …
Kasutaja loodab jätta teie rakendusest sobiva üksuse. Vestluse katkestamine, kuna teil pole täpse kirjeldusega sobivaid üksusi, kaotab edu võimaluse. Kui aga teie rakendus pakub alternatiivsete üksuste kohta soovitusi, on see kasulikum ja jätab avatuks võimaluse edukaks suhtluseks.
Eriti häälsuhtluse puhul on oluline leida õige tasakaal kogu teabe vahel, mida kasutaja võib edu saavutamiseks vajada, kuid mitte üle koormata mittevajaliku teabega, mis võib suhtlust hägustada.
Kvaliteedi maksimum
Kvaliteedi maksiim nõuab, et kõnelejad oleksid tõesed ja ei ütleks asju, mida nad peavad valeks või mille kohta neil puuduvad piisavad tõendid. Siin on palju subjektiivsust ja isiklikku veendumust – seega ei saa seda maksiimi otseselt LLM-idele projitseerida. Nagu nägime, kipuvad LLM-id hallutsineerima ja see oht on eriti suur, kui vestlus kaldub vähem tuttavatele territooriumidele. Eksitavate väidete vältimiseks ja vestluse õigele teele toomiseks võib kasutada täiendavaid kaitsepiirdeid.
Asjakohasuse maksimum
Asjakohasuse maksiim nõuab, et me oleksime – noh, asjakohased. Eeltingimusena peab virtuaalne assistent mõistma kasutaja tegelikku kavatsust. Siin on näide seda reeglit rikkuvast lennufirma assistendist:
Kasutaja: Mul on homme hommikul vaja lendu Berliinist Zürichi.
Assistent: OK, leidsin homseks hommikuks järgmised lennud Berliinist Zürichisse. Lend BZ36294 väljub Berliinist kell 6.30 ja saabub Zürichisse kell 8. Lend BZ96294 väljub Berliinist kell 8 ja saabub kell 9.30. Lend BZ96294 väljub Berliinist kell 8 ja saabub Zürichisse kell 9.30. Lend BZ95614 väljub Berliinist kell 11 ja saabub Zürichisse kell 12.30. Võimalik on ka jätkulend, mille puhul lahkuksite Berliinist kell 11.45 ja jõuaksite Zürichisse kell 3.
Kasutaja: Vabandust… kas saaksid seda uuesti korrata?
Assistent jagab kasutajat üksikasjaliku teabega, mis ei pruugi olla asjakohane. Selle tükeldamisel ja kasutajal otsinguruumi piiramisel muutub dialoog palju lihtsamini seeditavaks:
Kasutaja: Mul on homme hommikul vaja lendu Berliinist Zürichi.
Assistent: Ok, leidsin lennud, mis väljuvad kell 6.30, 8 ja 11. Mis kell sa tahaksid lahkuda?
Kasutaja: Ma pean olema Zürichis enne kella üheksat hommikul.
Assistent: OK, nii et võite lennata lennuga BZ36294. See väljub kell 6.30 ja saabub kell 8. Kas ma peaksin teile pileti ostma?
Kasutaja: Jah, aitäh.
Maksimaalne viis
Lõpuks ütleb maneerimaksiim, et meie kõneaktid peaksid olema selged, ülevaatlikud ja korrapärased, vältides mitmetähenduslikkust ja väljenduse hämarust. Teie virtuaalne assistent peaks vältima tehnilist või sisemist žargooni ning eelistama lihtsaid, kõigile arusaadavaid sõnastusi.
Kuigi Grice'i põhimõtted kehtivad kõigi vestluste puhul, sõltumata konkreetsest domeenist, ei täida vestluse jaoks spetsiaalselt koolitatud LLM-id sageli neid. Seega on treeningandmete koostamisel oluline omada piisavalt dialooginäidiseid, mis võimaldavad teie mudelil neid põhimõtteid õppida.
Vestluskujunduse valdkond areneb üsna kiiresti. Olenemata sellest, kas te juba ehitate tehisintellekti tooteid või mõtlete oma karjäärile tehisintellektiga, soovitan teil sellesse teemasse süveneda (vt suurepärast sissejuhatust artiklites [5] ja [6]). Kuna tehisintellekt on muutumas kaubaks, saab heast disainist koos kaitstud andmestrateegiaga kaks olulist AI-toodete eristavat tunnust.
kokkuvõte
Võtame kokku artikli peamised väljavõtted. Lisaks on joonisel 5 toodud peamiste punktidega petuleht, mille saate viitena alla laadida.
- LLM-id täiustavad vestluslikku tehisintellekti: suured keelemudelid (LLM) on oluliselt parandanud vestluspõhise AI rakenduste kvaliteeti ja skaleeritavust erinevates tööstusharudes ja kasutusjuhtudes.
- Vestluspõhine tehisintellekt võib anda palju väärtust rakendustele, millel on palju sarnaseid kasutajapäringuid (nt klienditeenindus) või mis vajavad juurdepääsu suurele hulgale struktureerimata andmetele (nt teadmushaldus).
- Andmed: vestlusülesannete jaoks LLM-ide peenhäälestamiseks on vaja kvaliteetseid vestlusandmeid, mis peegeldavad täpselt reaalset suhtlust. Crowdsourcing ja LLM-i loodud andmed võivad olla väärtuslikud ressursid andmete kogumise skaleerimiseks.
- Süsteemi kokkupanek: Vestluspõhise AI-süsteemide arendamine on iteratiivne ja eksperimentaalne protsess, mis hõlmab pidevat andmete optimeerimist, strateegiate peenhäälestamist ja komponentide integreerimist.
- Vestlusoskuste õpetamine LLM-idele: LLM-ide peenhäälestus hõlmab nende koolitamist, et nad tunneksid ära ja reageeriksid konkreetsetele suhtlemiskavatsustele ja -olukordadele.
- Väliste andmete lisamine semantilise otsinguga: Väliste ja sisemiste andmeallikate integreerimine semantilise otsingu abil täiustab tehisintellekti vastuseid, pakkudes kontekstuaalselt asjakohasemat teavet.
- Mälu ja kontekstiteadlikkus: tõhusad vestlussüsteemid peavad säilitama kontekstiteadlikkuse, sealhulgas jälgima praeguse vestluse ja varasemate suhtluste ajalugu, et pakkuda sisukaid ja sidusaid vastuseid.
- Kaitsepiirete seadmine: vastutustundliku käitumise tagamiseks peaksid vestluspõhised AI-süsteemid kasutama kaitsepiirdeid, et vältida ebatäpsusi, hallutsinatsioone ja privaatsuse rikkumisi.
- Isikukujundus: Vestlusabilise jaoks järjepideva isiku kujundamine on sidusa ja kaubamärgiga kasutajakogemuse loomiseks hädavajalik. Isikuomadused peaksid ühtima teie toote ja brändi omadustega.
- Hääl vs vestlus: hääl- ja vestlusliideste vahel valimine sõltub sellistest teguritest nagu füüsiline seade, emotsionaalne kontekst, funktsionaalsus ja disainiprobleemid. Arvestage neid tegureid, kui otsustate oma vestlusliku AI liidese üle.
- Integreerimine erinevates kontekstides: Vestluslikku AI-d saab integreerida erinevatesse kontekstidesse, sealhulgas kaaspiloodid, sünteetilised inimesed, digitaalsed kaksikud ja andmebaasid, millest igaühel on konkreetsed kasutusjuhud ja nõuded.
- Koostööpõhimõtte järgimine: Vestlustes kvantiteedi, kvaliteedi, asjakohasuse ja viisi põhimõtete järgimine võib muuta vestlusliku tehisintellektiga suhtlemise kasulikumaks ja kasutajasõbralikumaks.
viited
[1] Heng-Tze Chen et al. 2022. aasta. LaMDA: ohutute, maandatud ja kvaliteetsete dialoogimudelite poole kõige jaoks.
[2] OpenAI. 2022. ChatGPT: Keelemudelite optimeerimine dialoogi jaoks. Välja vaadatud 13. jaanuaril 2022.
[3] Patrick Lewis jt. 2020. Otsimisega täiendatud genereerimine teadmistemahukate NLP-ülesannete jaoks.
[4] Paul Grice. 1989. Studies in the Way of Words.
[5] Cathy Pearl. 2016. Häälkasutajaliideste kujundamine.
[6] Michael Cohen jt. 2004. Häälkasutajaliidese disain.
Märkus. Kõik pildid on autori poolt, kui pole märgitud teisiti.
See artikkel oli algselt avaldatud Andmeteaduse poole ja avaldati autori loal uuesti TOPBOTSis.
Kas teile meeldib see artikkel? Registreeruge, et saada rohkem AI-uuringute värskendusi.
Anname teile teada, kui avaldame rohkem selliseid kokkuvõtlikke artikleid.
seotud
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: https://www.topbots.com/redefining-conversational-ai-with-large-language-models/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 10
- 11
- 12
- 125
- 13
- 14
- 17
- 200
- 2016
- 2020
- 2022
- 30
- 32
- 35%
- 41
- 7
- 70
- 8
- 9
- a
- võimeid
- võime
- MEIST
- absoluutne
- aktsepteerima
- vastuvõtmine
- juurdepääs
- pääses
- juurdepääsetav
- majutada
- täitma
- Vastavalt
- konto
- Kogunema
- täpsus
- täpne
- üle
- tegu
- aktiivselt
- tegevus
- tegevus
- õigusaktid
- tegelikult
- lisama
- lisades
- Täiendavad lisad
- Tooteinfo
- Lisaks
- aadress
- Vastuvõtmine
- ettemaksed
- ADEelis
- eelised
- nõustama
- pärast
- jälle
- vastu
- Agent
- ained
- tagasi
- AI
- ai uuringud
- Tehisintellekti süsteemid
- lennukompanii
- AL
- viia
- joondatud
- Materjal: BPA ja flataatide vaba plastik
- võimaldama
- võimaldab
- peaaegu
- mööda
- juba
- Ka
- alternatiiv
- alternatiive
- am
- Mitmetähenduslikkus
- vahel
- an
- analüüsima
- ja
- anonüümne
- Teine
- ennetada
- mistahes
- app
- ilmuma
- taotlus
- rakendused
- kehtib
- lähenemine
- asjakohane
- apps
- OLEME
- valdkondades
- ümber
- Saabuvad
- kunst
- artikkel
- kaubad
- kunstlik
- AS
- küsima
- küsib
- hinnata
- hinnatud
- hindamine
- eelis
- abistama
- assistent
- assistendid
- seotud
- At
- Katsed
- tähelepanu
- atribuudid
- suurendama
- suurendatud
- autor
- automaatselt
- saadaval
- vältima
- vältides
- teadlikkus
- ära
- tagasi
- tagasi õigele teele
- Saldo
- ball
- baas
- põhineb
- põhiline
- BE
- sest
- muutuma
- muutub
- olnud
- enne
- käitumine
- käitumist
- taga
- on
- usk
- Uskuma
- armastatud
- kasu
- Berliini
- BEST
- parimaid tavasid
- Parem
- vahel
- Peale
- erapoolikus
- Natuke
- blokeerimine
- raamat
- mõlemad
- eest
- Kast
- bränd
- kaubamärgiga
- branding
- rikkumisi
- Purustamine
- tooma
- laiem
- tõi kaasa
- ehitama
- Ehitus
- ehitatud
- äri
- hõivatud
- kuid
- nupp
- ostma
- Ostmine
- by
- kutsutud
- Kutsub
- tuli
- CAN
- ei saa
- võimeid
- Karjäär
- autod
- juhul
- juhtudel
- Cathy
- keskus
- väljakutse
- väljakutseid
- raske
- võimalus
- muutunud
- Kanal
- iseloom
- omadused
- iseloomustab
- chatbot
- jututoad
- ChatGPT
- Chen
- laps
- valik
- valikuid
- valimine
- selge
- selgelt
- lähedal
- lähedalt
- Riided
- Cloud
- kood
- cohen
- SIDUS
- ühtehoidev
- koostöö
- kogumine
- ühendama
- Tulema
- tuleb
- mugav
- kaup
- edastama
- KOMMUNIKATSIOON
- Side
- Ettevõtted
- ettevõte
- võrreldes
- võistlema
- keeruline
- komponent
- komponendid
- kontsert
- lühike
- Läbi viima
- seotud
- ühendamine
- Side
- Arvestama
- arvestades
- järjepidev
- pidev
- pidevalt
- ehitamine
- ehitus
- kontakt
- sisu
- kontekst
- kontekstid
- kontekstuaalne
- pidevalt
- leping
- kontrast
- aitama kaasa
- kaasa
- panus
- vastuoluline
- Vestlus
- jutukas
- jutukas AI
- vestlused
- jahe
- koostöö
- ühistu
- tuum
- Vastav
- võiks
- Paar
- Kursus
- kaetud
- looma
- loomine
- loovus
- olendid
- usutav
- kriteeriumid
- crowdsourcing
- Praegune
- Praegu
- kõver
- klient
- Kasutajatugi
- Klienditugi
- Kliendid
- andmed
- andmestrateegia
- andmebaas
- andmebaasid
- surnud
- tegelema
- aastakümnete
- otsustama
- Otsustamine
- otsused
- sügavam
- määratlema
- kindlasti
- Kraad
- viivitus
- sõltub
- kirjeldus
- Disain
- Disainer
- disainerid
- projekteerimine
- soovitud
- üksikasjalik
- detailid
- arendama
- arenenud
- Arendajad
- arenev
- & Tarkvaraarendus
- seade
- seadmed
- Dialoog
- Dialoog
- erinev
- eristaja
- raske
- DIG
- Digest
- digitaalne
- Digitaalsed kaksikud
- digitaalne maailm
- otse
- avastus
- Ekraan
- jaotus
- sukelduma
- do
- dokumentatsioon
- dokumendid
- ei
- koer
- teeme
- domeen
- tehtud
- Ära
- Hukule määratud
- lae alla
- juht
- kaks
- ajal
- e
- e-kaubandus
- E&T
- iga
- lihtsam
- haridus-
- Tõhus
- efektiivsus
- tõhus
- kumbki
- elemendid
- kinnistamine
- tekkinud
- tekkimine
- tekib
- empaatia
- töötajad
- volitama
- võimaldades
- julgustama
- lõpp
- püüdlused
- Lõputu
- tegelema
- Mootorid
- suurendama
- lisaseadmed
- Parandab
- mõnus
- piisavalt
- rikastab
- rikastatud
- rikastav
- tagama
- ettevõte
- eriti
- oluline
- jms
- hindamine
- Isegi
- lõpuks
- KUNAGI
- tõend
- täpselt
- näide
- näited
- suurepärane
- Välja arvatud
- liig
- erutatud
- põnev
- täitma
- olemasolevate
- ootama
- oodatav
- kallis
- kogemus
- eksperimentaalne
- Selgitama
- selgitus
- väljend
- väline
- nägu
- faktor
- tehased
- tegurid
- FAIL
- ei
- ebaedu
- juga
- vale
- tuttav
- lummav
- mood
- kiiremini
- tagasiside
- tundma
- Joonis
- filtreerida
- viimistlema
- leidma
- esimene
- sobima
- Määrama
- lend
- Piletid
- voog
- Voolav
- Voolud
- Keskenduma
- järgima
- Järgneb
- Järel
- eest
- vorm
- formaalne
- sõnastama
- Õnneks
- edasi
- avastatud
- neli
- sage
- sageli
- Alates
- esi-
- masendav
- Täida
- lõbu
- funktsionaalsus
- põhiline
- edasi
- tulevik
- mäng
- lõhe
- koguma
- Üldine
- üldiselt
- tekitama
- põlvkond
- saama
- GitHub
- antud
- Go
- Goes
- läheb
- hea
- suur
- Green
- Maa
- juhised
- suunata
- suunised
- olnud
- Käed
- juhtuda
- juhtub
- Raske
- kahjulik
- Olema
- he
- Tervis
- kuulama
- aitama
- kasulik
- siin
- siin
- varjatud
- Suur
- kvaliteetne
- rohkem
- kõrgelt
- tema
- ajalugu
- Tulemus
- terviklikku
- lootus
- loodab
- KUUM
- Kuidas
- aga
- HTML
- http
- HTTPS
- tohutu
- inim-
- Inimestel
- huumor
- hype
- i
- ideaalis
- identifikaatorid
- identifitseerib
- if
- illustreerib
- pilt
- pildid
- ettekujutused
- kujutage ette
- ümbritsevale
- rakendatud
- oluline
- paranenud
- Paranemist
- in
- sügavuti minev
- sisaldama
- Kaasa arvatud
- lisada
- Suurendama
- uskumatult
- iseseisvalt
- eraldi
- tööstusharudes
- tekitama
- info
- informatiivne
- omane
- esialgne
- algatama
- sisendite
- selle asemel
- integreerima
- integreeritud
- Integreerimine
- integratsioon
- tahtlus
- tahtlikult
- suhelda
- suhtlemist
- interaktsioonid
- interaktiivne
- Interaktiivsed häälvastussüsteemid
- huvitatud
- Interface
- liidesed
- sisemine
- põimunud
- sisse
- kehtestama
- sisse
- Sissejuhatus
- asustamise
- intuitiivne
- investeering
- investeerimissoovitused
- seotud
- kaasates
- isolatsioon
- probleem
- küsimustes
- IT
- kirjed
- iteratsioon
- kordused
- ITS
- ise
- IVR-id
- Jaanuar
- erikeel
- töö
- ühine
- jpg
- lihtsalt
- hoidma
- Võti
- märksõnad
- Laps
- Teadma
- teadmised
- Teadmiste juhtimine
- teatud
- Labels
- puudus
- keel
- Keeled
- suur
- suuremahuline
- suurem
- Hilinemine
- pärast
- advokaat
- juhtivate
- Leads
- Õppida
- õppinud
- õppimine
- Lahkuma
- jätmine
- Pärand
- Õigus
- Laenata
- vähem
- laskma
- Tase
- taset
- Finantsvõimendus
- võimendatud
- võimendav
- Lewis
- Raamatukogu
- peitub
- nagu
- LIMIT
- piiratud
- Kuulamine
- elama
- LLM
- loogika
- Pikk
- Vaata
- otsin
- välimus
- kaod
- Partii
- palju
- masin
- tehtud
- postitamine
- põhiline
- säilitada
- säilitamine
- peamine
- tegema
- TEEB
- Tegemine
- juhitud
- juhtimine
- Juhid
- viis
- palju
- Turg
- turuvõimalusi
- Vastama
- sobitatud
- materjal
- materjalid
- max laiuse
- Maksiim
- me
- keskmine
- tähendusrikas
- vahendid
- Meedia
- keskmine
- koosolekul
- liikmed
- Mälu
- vaimne
- Vaimse tervise
- meetodid
- Michael
- Microsoft
- võib
- millisekundit
- kaevandatud
- eksitav
- arusaamatus
- mudel
- mudelid
- Kaasaegne
- hetk
- kuu
- moraalne
- rohkem
- tõhusam
- Hommik
- kõige
- enamasti
- liikuv
- palju
- mitmekordne
- rohkus
- peab
- my
- mina
- nimi
- nimelt
- Natural
- Natural Language Processing
- vajalik
- vajadus
- Vajadus
- vaja
- vajadustele
- negatiivne
- mitte kunagi
- Uus
- uus rakendus
- järgmine
- nlp
- ei
- mittetehniline
- mitte ükski
- Tavaliselt
- märkida
- Mõiste
- nüüd
- Nuance
- number
- arvukad
- Lühidalt
- objekt
- eesmärk
- esemeid
- of
- maha
- pakkuma
- pakutud
- Pakkumised
- Office
- sageli
- on
- kunagi
- ONE
- ainult
- peale
- avatud
- OpenAI
- tegutsevad
- Operations
- Arvamus
- Võimalused
- Võimalus
- optimeerimine
- optimeerima
- optimeeritud
- optimeerimine
- valik
- Valikud
- or
- oranž
- et
- algselt
- Muu
- teised
- muidu
- meie
- välja
- väljundid
- väljaspool
- üle
- tohutu
- enda
- lehekülg
- dokumendid
- paradigma
- partnerid
- partei
- Vastu võetud
- minevik
- Patendi
- tee
- kannatlikult
- Patrick
- mustrid
- Paul
- Inimesed
- kohta
- tajutav
- täitma
- luba
- inimene
- isiklik
- Isiksus
- Isiklikult
- Peter
- füüsiline
- valima
- Pildid
- pitching
- Koht
- tavaline
- planeerimine
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängimine
- Punkt
- võrra
- vaene
- pop-
- populaarne
- positsioon
- positiivne
- võimalus
- võimalik
- potentsiaal
- potentsiaalselt
- tava
- tavad
- ennustus
- eelistusi
- esitatud
- vältida
- põhimõte
- põhimõtted
- privaatsus
- era-
- jätkama
- protsess
- Töödeldud
- Protsessid
- töötlemine
- Toodetud
- Toode
- Toodet
- professionaalne
- profiilid
- Programming
- Prognooside
- silmapaistev
- edendab
- protokoll
- anda
- annab
- pakkudes
- Psühholoogia
- avalik
- avaldatud
- eesmärk
- Lükkama
- vajutab
- kvaliteet
- kogus
- päringud
- Küsimused
- kiiresti
- auaste
- Edetabel
- pigem
- reaktsioon
- valmis
- reaalne
- päris maailm
- Reaalsus
- tunnustamine
- tunnistama
- tunnustamine
- soovitused
- korduv
- Red
- Ümberdefineerimine
- vähendama
- viitama
- viide
- viited
- nimetatud
- viitab
- kajastama
- peegeldab
- seotud
- vabastama
- asjakohasus
- asjakohane
- tuginedes
- jääma
- kordama
- asendatakse
- vastus
- taotleda
- Taotlusi
- nõutav
- Nõuded
- Vajab
- teadustöö
- meenutab
- resolutsioon
- Vahendid
- Reageerida
- vastates
- vastus
- vastuste
- vastutav
- restoran
- tulemuseks
- Tulemused
- avalduma
- Rikas
- õige
- Oht
- Eeskiri
- eeskirjade
- jooks
- ohutu
- ohutus
- Ütlesin
- sama
- rahulolu
- salvestatud
- ütlema
- Skaalautuvus
- Skaala
- ketendamine
- teaduslik
- ulatus
- Ekraan
- Otsing
- Teine
- sekundit
- Osa
- vaata
- nähtud
- tundlik
- Seeria
- teenus
- komplekt
- kehtestamine
- seaded
- mitu
- peaks
- näitama
- näidatud
- Näitused
- külg
- kirjutama
- märgatavalt
- sarnane
- lihtne
- lihtsus
- alates
- Istung
- olukord
- olukordades
- oskused
- väike
- sujuvam
- jupp
- So
- sotsiaalmeedia
- suhtlema
- Pehme
- müüdud
- lahendus
- Lahendused
- mõned
- Keegi
- midagi
- mõnikord
- varsti
- Allikad
- Ruum
- ulatub
- rääkima
- Kõneleja
- kõlarid
- rääkimine
- spetsialiseeritud
- konkreetse
- eriti
- spetsiifilisus
- kõne
- Kõnetuvastus
- kiirus
- algus
- alustatud
- algab
- väljavõte
- avaldused
- Ühendriigid
- jaam
- statistiline
- jääma
- juhtima
- reguleeritav
- Samm
- Sammud
- Veel
- peatumine
- ladustatud
- Lugu
- lihtne
- strateegiad
- Strateegia
- kiirendama
- stress
- struktuur
- struktureeritud
- uuringud
- stiil
- mahukas
- edu
- edukas
- Edukalt
- selline
- Soovitab
- sobiv
- komplekt
- Kokku võtta
- KOKKUVÕTE
- toetama
- kindel
- Swing
- Lüliti
- sümboolne
- süntaks
- sünteetiline
- süsteem
- süsteemid
- tabel
- Võtma
- Takeaways
- rääkima
- rääkimine
- Kraanid
- sihtmärk
- eesmärgid
- Ülesanne
- ülesanded
- õpetas
- õpetamine
- meeskond
- Meeskonna liikmed
- Tehniline
- tehnika
- Tehnoloogia
- teletervis
- tingimused
- territooriumide
- Testimine
- tekst
- kui
- tänan
- et
- .
- Tulevik
- teave
- maailm
- oma
- Neile
- ennast
- SIIS
- Seal.
- Need
- nad
- asjad
- mõtlema
- Mõtlemine
- Kolmas
- see
- need
- kolm
- Läbi
- Seega
- pilet
- piletid
- aeg
- korda
- et
- kokku
- sümboolne
- homme
- TONE
- liiga
- töövahendid
- TOPBOOTID
- teema
- suunas
- suunas
- jälgida
- Jälgimine
- Kauplemine
- traditsiooniline
- Rong
- koolitatud
- koolitus
- Muutma
- ümber
- üleminek
- üleminekuid
- edastama
- vallandas
- tõsi
- püüdma
- Pöörake
- Pööramine
- lülitub
- Kaksikud
- kaks
- tüüpiline
- ui
- läbib
- mõistma
- arusaadav
- mõistmine
- ainulaadne
- Universaalne
- universaalselt
- tarbetu
- ajakohane
- Uudised
- ajakohastamine
- us
- kasutatavus
- kasutama
- Kasutatud
- Kasutaja
- User Experience
- Kasutajaliides
- kasutajaliidese kujundus
- kasutajasõbralik
- Kasutajad
- kasutusalad
- kasutamine
- ux
- UX disain
- ux disainer
- ux disainerid
- kehtiv
- väärtuslik
- väärtus
- sort
- eri
- mitmekülgne
- Versus
- väga
- kaudu
- Ohver
- virtuaalne
- virtuaalne assistent
- Virtuaalne reaalsus
- Hääl
- vs
- vulgaarne
- W3
- Sein
- tahan
- tahab
- oli
- lained
- Tee..
- kuidas
- we
- Jõukus
- veebisait
- veebilehed
- Hästi
- olid
- M
- Mis on
- Ratas
- millal
- millal iganes
- kas
- mis
- kuigi
- WHO
- miks
- will
- aknad
- koos
- ilma
- sõnad
- Töö
- töötajate
- maailm
- murettekitav
- oleks
- kirjutama
- aasta
- aastat
- sa
- noor
- Sinu
- sephyrnet
- Zurich