منبع: rawpixel.com
هوش مصنوعی محاورهای برنامهای از LLM است که به دلیل مقیاسپذیری آن در بسیاری از صنایع و موارد استفاده، سر و صدا و توجه زیادی را برانگیخته است. در حالی که سیستمهای مکالمه برای دههها وجود داشتهاند، LLM ها فشار کیفی مورد نیاز برای پذیرش در مقیاس بزرگ را به ارمغان آوردهاند. در این مقاله، ما از مدل ذهنی نشان داده شده در شکل 1 برای تشریح برنامه های کاربردی هوش مصنوعی مکالمه ای استفاده خواهیم کرد (ر. ساخت محصولات هوش مصنوعی با مدل ذهنی کل نگر برای مقدمه ای بر مدل ذهنی). پس از در نظر گرفتن فرصتهای بازار و ارزش تجاری سیستمهای هوش مصنوعی مکالمهای، «ماشینآلات» اضافی را از نظر دادهها، تنظیم دقیق LLM و طراحی مکالمه توضیح خواهیم داد که باید راهاندازی شود تا مکالمات نه تنها ممکن، بلکه مفید نیز باشد. و لذت بخش
1. فرصت، ارزش و محدودیت ها
طراحی UX سنتی حول انبوهی از عناصر UX مصنوعی، تند کشیدن، ضربه زدن و کلیکها ساخته شده است که برای هر برنامه جدید به یک منحنی یادگیری نیاز دارد. با استفاده از هوش مصنوعی مکالمهای، میتوانیم این مشغله را کنار بگذاریم و آن را با تجربهای زیبا از یک مکالمه با جریان طبیعی جایگزین کنیم که در آن میتوانیم انتقال بین برنامهها، پنجرهها و دستگاههای مختلف را فراموش کنیم. ما از زبان، پروتکل جهانی و آشنای خود برای ارتباط، برای تعامل با دستیاران مجازی مختلف (VAs) و انجام وظایف خود استفاده می کنیم.
رابطهای کاربری مکالمهای دقیقاً چیزهای داغ جدید نیستند. سیستمهای پاسخ صوتی تعاملی (IVR) و چتباتها از دهه 1990 وجود داشتهاند، و پیشرفتهای عمده در NLP از نزدیک با امواج امید و توسعه برای رابطهای صوتی و چت دنبال شده است. با این حال، قبل از زمان LLM ها، بیشتر سیستم ها در پارادایم نمادین با تکیه بر قوانین، کلمات کلیدی و الگوهای مکالمه پیاده سازی می شدند. آنها همچنین به یک دامنه خاص و از پیش تعریف شده «شایستگی» محدود میشدند و کاربرانی که خارج از این حوزهها سرمایهگذاری میکردند به زودی به بنبست میرسیدند. در مجموع، این سیستم ها با نقاط بالقوه شکست استخراج شده بودند، و پس از چند تلاش ناامیدکننده، بسیاری از کاربران هرگز به آنها مراجعه نکردند. شکل زیر یک دیالوگ نمونه را نشان می دهد. کاربری که می خواهد بلیت یک کنسرت خاص را سفارش دهد، با حوصله یک جریان بازجویی دقیق را پشت سر می گذارد تا در پایان متوجه شود که کنسرت فروخته شده است.
به عنوان یک فناوری توانمند، LLM ها می توانند رابط های مکالمه را به سطوح جدیدی از کیفیت و رضایت کاربر ببرند. سیستم های مکالمه اکنون می توانند دانش جهانی، صلاحیت زبانی و توانایی مکالمه بسیار گسترده تری را به نمایش بگذارند. با استفاده از مدلهای از پیش آموزشدیده، میتوان آنها را در بازههای زمانی بسیار کوتاهتری نیز توسعه داد، زیرا کار طاقتفرسا جمعآوری قوانین، کلمات کلیدی و جریانهای گفتگو اکنون با دانش آماری LLM جایگزین شده است. بیایید به دو برنامه کاربردی برجسته نگاه کنیم که در آنها هوش مصنوعی مکالمه می تواند ارزشی را در مقیاس ارائه دهد:
- پشتیبانی از مشتری و به طور کلی، برنامه هایی که توسط تعداد زیادی از کاربران استفاده می شود که اغلب درخواست های مشابهی را ارائه می دهند. در اینجا، شرکتی که پشتیبانی مشتری را ارائه می دهد، مزیت اطلاعاتی واضحی نسبت به کاربر دارد و می تواند از آن برای ایجاد یک تجربه کاربری بصری تر و لذت بخش تر استفاده کند. مورد رزرو مجدد پرواز را در نظر بگیرید. برای من، یک مسافر نسبتاً مکرر، این چیزی است که 1-2 بار در سال اتفاق می افتد. در این بین، من تمایل دارم جزئیات فرآیند را فراموش کنم، نه اینکه در مورد رابط کاربری یک شرکت هواپیمایی خاص صحبت کنم. در مقابل، پشتیبانی مشتریان خطوط هوایی درخواستهای رزرو مجدد را در جلو و مرکز عملیات خود دارد. بهجای افشای فرآیند رزرو مجدد از طریق یک رابط گرافیکی پیچیده، منطق آن میتواند از مشتریانی که با پشتیبانی تماس میگیرند «پنهان» شود و آنها میتوانند از زبان به عنوان یک کانال طبیعی برای رزرو مجدد خود استفاده کنند. البته، هنوز یک "دم بلند" از درخواست های کمتر آشنا باقی خواهد ماند. به عنوان مثال، یک نوسان خلقی خود به خود را تصور کنید که یک مشتری تجاری را وادار می کند تا سگ مورد علاقه خود را به عنوان چمدان اضافی به یک پرواز رزرو شده اضافه کند. این درخواستهای فردی بیشتر میتوانند به عوامل انسانی منتقل شوند یا از طریق یک سیستم مدیریت دانش داخلی متصل به دستیار مجازی پوشش داده شوند.
- مدیریت دانش که در حجم زیادی از داده ها پایه گذاری شده است. برای بسیاری از شرکتهای مدرن، دانش داخلی که طی سالها کارکرد، تکرار و یادگیری جمعآوری میکنند، یک دارایی اصلی و تمایز است - اگر به روشی کارآمد ذخیره، مدیریت و به آن دسترسی پیدا کند. با نشستن بر روی انبوهی از دادهها که در ابزارهای همکاری، ویکیهای داخلی، پایگاههای دانش و غیره پنهان شدهاند، اغلب در تبدیل آن به دانش عملی شکست میخورند. با ترک کارمندان، کارمندان جدید وارد میشوند و شما هرگز نمیتوانید صفحه اسنادی را که سه ماه پیش شروع کردهاید نهایی کنید، دانش ارزشمند قربانی آنتروپی میشود. یافتن راهی از طریق هزارتوی داده های داخلی و دستیابی به اطلاعات مورد نیاز در یک موقعیت تجاری خاص روز به روز دشوارتر می شود. این منجر به تلفات بزرگ کارایی برای کارکنان دانش می شود. برای پرداختن به این مشکل، میتوانیم LLM را با جستجوی معنایی در منابع داده داخلی تقویت کنیم. LLM اجازه می دهد تا از سؤالات زبان طبیعی به جای سؤالات رسمی پیچیده برای پرسیدن سؤالات در برابر این پایگاه داده استفاده کند. بنابراین کاربران می توانند به جای ساختار پایگاه دانش یا نحو یک زبان پرس و جو مانند SQL بر نیازهای اطلاعاتی خود تمرکز کنند. از آنجایی که این سیستمها مبتنی بر متن هستند، با دادهها در یک فضای معنایی غنی کار میکنند و ارتباطات معنیداری «زیر سرپوش» ایجاد میکنند.
فراتر از این حوزههای کاربردی اصلی، برنامههای کاربردی متعدد دیگری مانند سلامت از راه دور، دستیاران سلامت روان، و چتباتهای آموزشی وجود دارند که میتوانند UX را سادهتر کنند و به روشی سریعتر و کارآمدتر برای کاربران خود ارزش ایجاد کنند.
اگر این محتوای آموزشی عمیق برای شما مفید است، می توانید در لیست پستی تحقیقات هوش مصنوعی ما مشترک شوید زمانی که مطالب جدید را منتشر می کنیم هشدار داده شود.
2 داده ها
LLM ها در اصل برای شرکت در صحبت های کوچک روان یا گفتگوهای اساسی تر آموزش ندیده اند. در عوض، آنها یاد می گیرند که نشانه زیر را در هر مرحله استنتاج ایجاد کنند، که در نهایت منجر به یک متن منسجم می شود. این هدف سطح پایین با چالش گفتگوی انسانی متفاوت است. مکالمه برای انسان ها بسیار شهودی است، اما زمانی که بخواهید به ماشینی انجام آن را آموزش دهید، بسیار پیچیده و ظریف می شود. برای مثال، بیایید به مفهوم بنیادی مقاصد نگاه کنیم. وقتی از زبان استفاده میکنیم، این کار را برای هدف خاصی انجام میدهیم، که هدف ارتباطی ماست – میتواند انتقال اطلاعات، معاشرت یا درخواست از کسی برای انجام کاری باشد. در حالی که دو مورد اول برای یک LLM ساده هستند (تا زمانی که اطلاعات مورد نیاز را در داده ها مشاهده کرده باشد)، مورد دوم در حال حاضر چالش برانگیزتر است. LLM نه تنها نیاز به ترکیب و ساختار اطلاعات مرتبط به روشی منسجم دارد، بلکه باید لحن عاطفی مناسبی را از نظر معیارهای نرم مانند رسمی، خلاقیت، شوخ طبعی و غیره تنظیم کند. این یک چالش برای طراحی مکالمه است. (ر.ک. بخش 5)، که به شدت با وظیفه ایجاد تنظیم دقیق داده ها در هم تنیده است.
انتقال از نسل زبان کلاسیک به شناخت و پاسخ به مقاصد ارتباطی خاص، گام مهمی به سوی قابلیت استفاده و پذیرش بهتر سیستمهای مکالمه است. همانطور که برای تمام تلاشهای تنظیم دقیق، این کار با گردآوری یک مجموعه داده مناسب شروع میشود.
داده های تنظیم دقیق باید تا حد امکان به توزیع داده های دنیای واقعی (آینده) نزدیک شود. اول، باید داده های مکالمه (گفتگو) باشد. دوم، اگر دستیار مجازی شما در یک دامنه خاص تخصص دارد، باید سعی کنید داده های تنظیم دقیقی را جمع آوری کنید که دانش لازم دامنه را منعکس کند. سوم، اگر جریانها و درخواستهای معمولی وجود دارد که اغلب در برنامه شما تکرار میشوند، مانند مورد پشتیبانی مشتری، سعی کنید نمونههای متنوعی از این موارد را در دادههای آموزشی خود بگنجانید. جدول زیر نمونه ای از داده های تنظیم دقیق مکالمه را نشان می دهد مجموعه داده مکالمات 3K برای ChatBot، که به صورت رایگان در Kaggle در دسترس است:
ایجاد دستی داده های مکالمه می تواند به یک کار گران تبدیل شود - جمع سپاری و استفاده از LLM برای کمک به تولید داده ها، دو راه برای افزایش مقیاس هستند. پس از جمعآوری دادههای گفتگو، مکالمات باید ارزیابی و حاشیهنویسی شوند. این به شما امکان میدهد هم مثالهای مثبت و هم منفی را به مدل خود نشان دهید و آن را به سمت انتخاب ویژگیهای مکالمات «درست» سوق دهید. ارزیابی می تواند یا با نمرات مطلق یا رتبه بندی گزینه های مختلف بین یکدیگر انجام شود. رویکرد دوم منجر به دادههای تنظیم دقیقتر میشود، زیرا انسانها معمولاً در رتبهبندی چندین گزینه بهتر از ارزیابی آنها به صورت مجزا هستند.
با در اختیار داشتن داده های خود، آماده تنظیم دقیق مدل خود و غنی سازی آن با قابلیت های اضافی هستید. در بخش بعدی، به تنظیم دقیق، ادغام اطلاعات اضافی از حافظه و جستجوی معنایی، و اتصال عوامل به سیستم مکالمه شما برای توانمندسازی آن برای اجرای وظایف خاص خواهیم پرداخت.
3. مونتاژ سیستم مکالمه
یک سیستم مکالمه معمولی با یک عامل مکالمه ساخته می شود که اجزا و قابلیت های سیستم مانند LLM، حافظه و منابع داده خارجی را هماهنگ و هماهنگ می کند. توسعه سیستمهای هوش مصنوعی مکالمهای یک کار بسیار تجربی و تجربی است و توسعهدهندگان شما دائماً بین بهینهسازی دادههای شما، بهبود استراتژی تنظیم دقیق، بازی با اجزای اضافی و پیشرفتها و آزمایش نتایج در حال رفت و آمد خواهند بود. . اعضای تیم غیر فنی، از جمله مدیران محصول و طراحان تجربه کاربری، نیز به طور مداوم محصول را آزمایش خواهند کرد. بر اساس فعالیتهای کشف مشتری، آنها در موقعیت بسیار خوبی برای پیشبینی سبک و محتوای مکالمه کاربران آینده هستند و باید فعالانه در این دانش مشارکت داشته باشند.
3.1 آموزش مهارت های مکالمه به LLM شما
برای تنظیم دقیق، به داده های تنظیم دقیق خود (به بخش 2 مراجعه کنید) و یک LLM از قبل آموزش دیده نیاز دارید. LLM ها در حال حاضر چیزهای زیادی در مورد زبان و جهان می دانند و چالش ما این است که اصول مکالمه را به آنها آموزش دهیم. در تنظیم دقیق، خروجیهای هدف متون هستند و مدل برای تولید متنهایی که تا حد امکان شبیه به اهداف هستند، بهینه میشود. برای تنظیم دقیق نظارت شده، ابتدا باید وظیفه هوش مصنوعی مکالمه ای را که می خواهید مدل انجام دهد، به وضوح تعریف کنید، داده ها را جمع آوری کنید، و در طول فرآیند تنظیم دقیق اجرا و تکرار کنید.
با تبلیغات در مورد LLM ها، انواع روش های تنظیم دقیق ظاهر شده است. برای مثال نسبتاً سنتی تنظیم دقیق برای مکالمه، می توانید به توضیحات مدل LaMDA مراجعه کنید.[1] LaMDA در دو مرحله به خوبی تنظیم شد. اول، از دادههای گفتگو برای آموزش مهارتهای مکالمه مدل استفاده میشود (تنظیم دقیق «تولیدکننده»). سپس، برچسبهایی که توسط حاشیهنویسها در طول ارزیابی دادهها تولید میشوند، برای آموزش طبقهبندیکنندههایی استفاده میشوند که میتوانند خروجیهای مدل را در امتداد ویژگیهای مورد نظر، که شامل معقول بودن، ویژگی، جالببودن، و ایمنی (تنظیم دقیق «تمایزکننده») است، ارزیابی کنند. این طبقهبندیکنندهها سپس برای هدایت رفتار مدل به سمت این ویژگیها استفاده میشوند.
بعلاوه، مبنای واقعی - توانایی پایهگذاری خروجیها در اطلاعات خارجی معتبر - یک ویژگی مهم LLM است. برای اطمینان از مبنای واقعی و به حداقل رساندن توهم، LaMDA با مجموعه داده ای که شامل فراخوانی به یک سیستم بازیابی اطلاعات خارجی هر زمان که نیاز به دانش خارجی باشد، به خوبی تنظیم شد. بنابراین، مدل یاد گرفت که ابتدا اطلاعات واقعی را هر زمان که کاربر درخواستی را انجام داد که نیاز به دانش جدید داشت، بازیابی کند.
یکی دیگر از روش های محبوب تنظیم دقیق، یادگیری تقویتی از بازخورد انسانی (RLHF) است[2]. RLHF فرآیند یادگیری LLM را از پیشبینی ساده اما مصنوعی به سمت یادگیری ترجیحات انسانی در یک موقعیت ارتباطی معین هدایت میکند. این ترجیحات انسانی مستقیماً در داده های آموزشی کدگذاری می شوند. در طول فرآیند حاشیه نویسی، به انسان ها دستوراتی ارائه می شود و یا پاسخ مورد نظر را می نویسند یا یک سری پاسخ های موجود را رتبه بندی می کنند. رفتار LLM سپس بهینه می شود تا ترجیحات انسان را منعکس کند.
3.2 افزودن داده های خارجی و جستجوی معنایی
فراتر از کامپایل مکالمات برای تنظیم دقیق مدل، ممکن است بخواهید سیستم خود را با داده های تخصصی که می تواند در طول مکالمه مورد استفاده قرار گیرد، تقویت کنید. برای مثال، سیستم شما ممکن است نیاز به دسترسی به داده های خارجی، مانند پتنت ها یا مقالات علمی، یا داده های داخلی، مانند نمایه های مشتری یا اسناد فنی شما داشته باشد. این معمولاً از طریق جستجوی معنایی (همچنین به عنوان تولید افزوده بازیابی یا RAG شناخته میشود) انجام میشود[3]. داده های اضافی در یک پایگاه داده به شکل تعبیه های معنایی ذخیره می شوند (ر. این مقاله برای توضیح تعبیهها و ارجاعات بیشتر). هنگامی که درخواست کاربر وارد می شود، از قبل پردازش شده و به یک جاسازی معنایی تبدیل می شود. سپس جستجوی معنایی اسنادی را شناسایی میکند که بیشترین ارتباط را با درخواست دارند و از آنها به عنوان زمینه برای درخواست استفاده میکنند. با ادغام داده های اضافی با جستجوی معنایی، می توانید توهم را کاهش دهید و پاسخ های مفیدتر و مبتنی بر واقعیت ارائه دهید. با به روز رسانی مداوم پایگاه داده جاسازی، می توانید دانش و پاسخ های سیستم خود را بدون اجرای مداوم فرآیند تنظیم دقیق خود به روز نگه دارید.
3.3 آگاهی از حافظه و زمینه
تصور کنید به یک مهمانی رفته اید و با پیتر، یک وکیل ملاقات می کنید. شما هیجان زده می شوید و شروع به ارائه ربات چت قانونی می کنید که در حال حاضر قصد ساخت آن را دارید. پیتر علاقه مند به نظر می رسد، به سمت شما خم می شود، اوم و سر تکان می دهد. در برخی موارد، نظر او را در مورد اینکه آیا او مایل است از برنامه شما استفاده کند می خواهید. به جای یک بیانیه آموزنده که فصاحت شما را جبران کند، می شنوید: "اوهوم ... این برنامه دوباره چه کار می کرد؟"
قرارداد نانوشته ارتباط بین انسانها پیشفرض میگیرد که ما به صحبتهای شرکای خود گوش میدهیم و کنشهای گفتاری خود را بر اساس زمینهای که در طول تعامل ایجاد میکنیم، میسازیم. در محیط های اجتماعی، ظهور این تفاهم مشترک مشخص کننده یک گفتگوی پربار و غنی است. در تنظیمات پیش پا افتاده تر مانند رزرو میز رستوران یا خرید بلیط قطار، برای انجام کار و ارائه ارزش مورد انتظار به کاربر یک ضرورت مطلق است. این امر مستلزم آن است که دستیار شما تاریخچه مکالمه فعلی و همچنین مکالمات گذشته را بداند - به عنوان مثال، هر زمان که یک کاربر شروع به مکالمه کرد، نباید بارها و بارها نام و سایر جزئیات شخصی کاربر را بپرسد.
یکی از چالشهای حفظ آگاهی زمینه، تفکیک همبستگی است، یعنی درک اینکه کدام اشیا توسط ضمایر ارجاع میشوند. انسان ها به طور شهودی هنگام تفسیر زبان از نشانه های زمینه ای زیادی استفاده می کنند - برای مثال، می توانید از یک کودک خردسال بپرسید: "لطفا توپ سبز را از جعبه قرمز بیرون بیاور و برای من بیاور" و کودک متوجه خواهد شد که منظور شما توپ است. ، نه جعبه برای دستیاران مجازی، این کار می تواند نسبتاً چالش برانگیز باشد، همانطور که در گفتگوی زیر نشان داده شده است:
دستیار: با تشکر، من اکنون پرواز شما را رزرو می کنم. آیا شما هم می خواهید برای پرواز خود یک وعده غذایی سفارش دهید؟
کاربر: اوه... آیا می توانم بعداً تصمیم بگیرم که آیا آن را می خواهم؟
دستیار: متأسفیم، این پرواز را نمی توان تغییر داد یا بعداً لغو کرد.
در اینجا، دستیار نمی تواند آن ضمیر را تشخیص دهد it از کاربر نه به پرواز، بلکه به غذا اشاره دارد، بنابراین برای رفع این سوء تفاهم نیاز به تکرار دیگری دارد.
3.4 نرده های محافظ اضافی
هرازگاهی، حتی بهترین LLM نیز بدرفتاری کرده و دچار توهم می شود. در بسیاری از موارد، توهمات یک مسئله صحت ساده هستند - و خوب، باید بپذیرید که هیچ هوش مصنوعی 100٪ دقیق نیست. در مقایسه با سایر سیستم های هوش مصنوعی، "فاصله" بین کاربر و هوش مصنوعی بین کاربر و هوش مصنوعی بسیار کم است. یک مشکل صحت ساده می تواند به سرعت به چیزی تبدیل شود که سمی، تبعیض آمیز یا به طور کلی مضر تلقی شود. علاوه بر این، از آنجایی که LLM ها درک ذاتی از حریم خصوصی ندارند، می توانند داده های حساس مانند اطلاعات شخصی قابل شناسایی (PII) را نیز آشکار کنند. شما می توانید با استفاده از نرده های محافظ اضافی در برابر این رفتارها کار کنید. ابزارهایی مانند Guardrails AI، Rebuff، NeMo Guardrails و Microsoft Guidance به شما این امکان را میدهند که با فرمولبندی الزامات اضافی در خروجیهای LLM و مسدود کردن خروجیهای ناخواسته، خطر سیستم خود را از بین ببرید.
چندین معماری در هوش مصنوعی محاوره ای امکان پذیر است. طرح زیر یک مثال ساده از نحوه ادغام دقیق LLM، داده های خارجی و حافظه توسط یک عامل مکالمه که همچنین مسئول ساخت سریع و حفاظ ها است را نشان می دهد.
4. تجربه کاربری و طراحی مکالمه
جذابیت رابط های مکالمه در سادگی و یکنواختی آنها در برنامه های مختلف نهفته است. اگر آینده رابط های کاربری این است که همه برنامه ها کم و بیش یکسان به نظر برسند، آیا کار طراح UX محکوم به فناست؟ قطعا نه - مکالمه هنری است که باید به LLM شما آموزش داده شود تا بتواند مکالماتی را انجام دهد که برای کاربران شما مفید، طبیعی و راحت باشد. طراحی مکالمه خوب زمانی پدیدار می شود که دانش خود را از روانشناسی انسان، زبان شناسی و طراحی UX ترکیب کنیم. در ادامه، ابتدا دو گزینه اساسی را در هنگام ساختن یک سیستم مکالمه در نظر خواهیم گرفت، یعنی اینکه آیا از صدا و/یا چت استفاده خواهید کرد و همچنین زمینه بزرگتر سیستم خود. سپس، ما به خود مکالمات نگاه خواهیم کرد و خواهیم دید که چگونه می توانید شخصیت دستیار خود را طراحی کنید، در حالی که به او آموزش می دهید تا در گفتگوهای مفید و مشارکتی شرکت کند.
4.1 صدا در مقابل چت
رابط های مکالمه را می توان با استفاده از چت یا صدا پیاده سازی کرد. به طور خلاصه، صدا سریعتر است در حالی که چت به کاربران امکان می دهد خصوصی بمانند و از عملکرد غنی شده UI بهره ببرند. بیایید کمی عمیق تر به این دو گزینه بپردازیم زیرا این یکی از اولین و مهمترین تصمیماتی است که هنگام ساختن یک برنامه مکالمه با آن روبرو خواهید شد.
برای انتخاب بین دو گزینه، با در نظر گرفتن تنظیمات فیزیکی که برنامه شما در آن استفاده خواهد شد، شروع کنید. به عنوان مثال، چرا تقریباً تمام سیستمهای مکالمه در خودروها، مانند سیستمهایی که توسط Nuance Communications ارائه میشوند، مبتنی بر صدا هستند؟ زیرا دست های راننده از قبل مشغول است و نمی تواند مدام بین فرمان و کیبورد سوئیچ کند. این امر در مورد سایر فعالیتها مانند آشپزی نیز صدق میکند، جایی که کاربران میخواهند در جریان استفاده از برنامه شما در جریان فعالیتهای خود باقی بمانند. ماشینها و آشپزخانهها عمدتاً تنظیمات خصوصی هستند، بنابراین کاربران میتوانند لذت تعامل صوتی را بدون نگرانی در مورد حریم خصوصی یا مزاحمت دیگران تجربه کنند. در مقابل، اگر قرار است برنامه شما در یک محیط عمومی مانند دفتر، کتابخانه یا ایستگاه قطار استفاده شود، صدا ممکن است اولین انتخاب شما نباشد.
پس از درک شرایط فیزیکی، جنبه عاطفی را در نظر بگیرید. صدا را می توان عمداً برای انتقال لحن، خلق و خو و شخصیت استفاده کرد - آیا این در زمینه شما ارزش افزوده دارد؟ اگر برنامه خود را برای اوقات فراغت میسازید، صدا ممکن است فاکتور سرگرمی را افزایش دهد، در حالی که یک دستیار برای سلامت روان میتواند همدلی بیشتری را در خود جای دهد و به کاربر بالقوه مشکل امکان بیان بزرگتری را بدهد. در مقابل، اگر برنامه شما در یک محیط حرفه ای مانند تجارت یا خدمات مشتری به کاربران کمک کند، یک تعامل ناشناس تر و مبتنی بر متن ممکن است به تصمیم گیری های عینی تر کمک کند و شما را از طراحی یک تجربه بیش از حد احساسی دور کند.
در مرحله بعدی، به عملکرد آن فکر کنید. رابط مبتنی بر متن به شما امکان می دهد مکالمات را با رسانه های دیگر مانند تصاویر و عناصر گرافیکی UI مانند دکمه ها غنی کنید. به عنوان مثال، در یک دستیار تجارت الکترونیک، برنامهای که محصولات را با ارسال تصاویر و توضیحات ساختار یافته پیشنهاد میکند، بسیار کاربرپسندتر از برنامهای است که محصولات را از طریق صدا توصیف میکند و به طور بالقوه شناسههای آنها را ارائه میکند.
در نهایت، بیایید در مورد چالش های اضافی طراحی و توسعه ایجاد رابط کاربری صوتی صحبت کنیم:
- یک مرحله دیگر از تشخیص گفتار وجود دارد که قبل از پردازش ورودی های کاربر با LLM و پردازش زبان طبیعی (NLP) انجام می شود.
- صدا یک وسیله ارتباطی شخصی و احساسی تر است - بنابراین، الزامات برای طراحی یک شخصیت سازگار، مناسب و لذت بخش در پشت دستیار مجازی شما بالاتر است، و شما باید عوامل دیگری از "طراحی صدا" مانند تایم را در نظر بگیرید. ، استرس، لحن و سرعت صحبت کردن.
- کاربران انتظار دارند که مکالمه صوتی شما با همان سرعت مکالمه انسانی انجام شود. برای ارائه یک تعامل طبیعی از طریق صدا، به تأخیر بسیار کمتری نسبت به چت نیاز دارید. در مکالمات انسانی، فاصله معمول بین چرخش ها 200 میلی ثانیه است - این پاسخ سریع ممکن است زیرا ما شروع به ساختن نوبت های خود در حین گوش دادن به صحبت های شریک خود می کنیم. دستیار صوتی شما باید با این درجه از تسلط در تعامل مطابقت داشته باشد. در مقابل، برای چتباتها، شما با بازههای زمانی ثانیهای رقابت میکنید، و برخی از توسعهدهندگان حتی یک تاخیر اضافی برای ایجاد مکالمه مانند یک چت تایپ شده بین انسانها معرفی میکنند.
- ارتباط از طریق صدا یک شرکت خطی و یکباره است - اگر کاربر شما آنچه را که گفتهاید دریافت نکرده باشد، درگیر یک حلقه شفافسازی خستهکننده و مستعد خطا هستید. بنابراین، نوبت شما باید تا حد امکان مختصر، واضح و آموزنده باشد.
اگر به سراغ راه حل صوتی می روید، مطمئن شوید که نه تنها مزایای آن را در مقایسه با چت به وضوح درک می کنید، بلکه مهارت ها و منابع لازم برای رسیدگی به این چالش های اضافی را نیز دارید.
4.2 هوش مصنوعی مکالمه شما کجا زندگی خواهد کرد؟
اکنون، بیایید زمینه بزرگتری را در نظر بگیریم که در آن میتوانید هوش مصنوعی مکالمه را ادغام کنید. همه ما با رباتهای چت در وبسایتهای شرکت آشنا هستیم - آن ابزارکهایی در سمت راست صفحه شما که هنگام باز کردن وبسایت یک کسبوکار ظاهر میشوند. شخصا، اغلب واکنش شهودی من این است که به دنبال دکمه بستن بگردم. چرا اینطور است؟ از طریق تلاش های اولیه برای "مکالمه" با این ربات ها، متوجه شدم که آنها نمی توانند نیازهای اطلاعاتی خاص تری را برآورده کنند، و در پایان، هنوز باید وب سایت را بررسی کنم. اخلاق داستان؟ یک ربات چت نسازید زیرا جالب و مد روز است - بلکه آن را بسازید زیرا مطمئن هستید که می تواند ارزش بیشتری برای کاربران شما ایجاد کند.
فراتر از ویجت بحثبرانگیز در وبسایت شرکت، چندین زمینه هیجانانگیز برای ادغام آن چتباتهای عمومیتر که با LLM ممکن شدهاند، وجود دارد:
- خلبانان: این دستیاران شما را از طریق فرآیندها و وظایف خاص مانند GitHub CoPilot برای برنامه نویسی راهنمایی و راهنمایی می کنند. به طور معمول، Copilot ها به یک برنامه خاص (یا مجموعه کوچکی از برنامه های کاربردی مرتبط) "گره خورده اند".
- انسان های مصنوعی (همچنین انسان های دیجیتال): این موجودات از انسان های واقعی در دنیای دیجیتال «تقلید» می کنند. آنها مانند انسان ها به نظر می رسند، رفتار می کنند و صحبت می کنند و بنابراین به توانایی های گفتگوی غنی نیز نیاز دارند. انسان های مصنوعی اغلب در برنامه های همه جانبه مانند بازی و واقعیت افزوده و مجازی استفاده می شوند.
- دوقلوهای دیجیتال: دوقلوهای دیجیتال «کپیهایی» دیجیتالی از فرآیندها و اشیاء دنیای واقعی مانند کارخانهها، اتومبیلها یا موتورها هستند. آنها برای شبیه سازی، تحلیل و بهینه سازی طراحی و رفتار شی واقعی استفاده می شوند. تعامل زبان طبیعی با دوقلوهای دیجیتال امکان دسترسی راحت تر و همه کاره تر به داده ها و مدل ها را فراهم می کند.
- پایگاه داده ها: امروزه، داده ها در مورد هر موضوعی، خواه توصیه های سرمایه گذاری، قطعه کد، یا مطالب آموزشی در دسترس هستند. آنچه اغلب سخت است، یافتن داده های بسیار خاصی است که کاربران در یک موقعیت خاص به آن نیاز دارند. رابطهای گرافیکی پایگاههای داده یا خیلی درشت هستند یا با جستجوی بیپایان و ویجتهای فیلتر پوشیده شدهاند. زبان های پرس و جوی همه کاره مانند SQL و GraphQL فقط برای کاربرانی که مهارت های مربوطه را دارند در دسترس هستند. راهحلهای مکالمه به کاربران اجازه میدهند تا دادهها را به زبان طبیعی جستجو کنند، در حالی که LLM که درخواستها را پردازش میکند به طور خودکار آنها را به زبان پرس و جو مربوطه تبدیل میکند (ر. این مقاله برای توضیح Text2SQL).
4.3 نقش کردن شخصیت روی دستیار
ما به عنوان انسان میخواهیم انسانسازی کنیم، یعنی وقتی چیزی را میبینیم که به طور مبهم شبیه به انسان است، صفات انسانی بیشتری را ایجاد کنیم. زبان یکی از منحصربهفردترین و جذابترین تواناییهای بشر است و محصولات مکالمه به طور خودکار با انسانها مرتبط میشوند. مردم فردی را در پشت صفحه نمایش یا دستگاه خود تصور می کنند - و تمرین خوبی است که این شخص خاص را در اختیار تصورات کاربران خود قرار ندهید، بلکه به او شخصیت ثابتی بدهید که با محصول و برند شما همسو باشد. این فرآیند "طراحی پرسونا" نامیده می شود.
اولین گام طراحی پرسونا، درک ویژگی های شخصیتی است که دوست دارید پرسونای شما نشان دهد. در حالت ایدهآل، این کار قبلاً در سطح دادههای آموزشی انجام میشود - برای مثال، هنگام استفاده از RLHF، میتوانید از حاشیهنویسان خود بخواهید که دادهها را بر اساس ویژگیهایی مانند کمکرسانی، ادب، سرگرمی و غیره رتبهبندی کنند تا مدل را به سمت سوگیری سوق دهند. ویژگی های مورد نظر این ویژگیها را میتوان با ویژگیهای برند شما تطبیق داد تا تصویری ثابت ایجاد کند که به طور مداوم برند شما را از طریق تجربه محصول ارتقا دهد.
فراتر از ویژگی های کلی، باید به این فکر کنید که دستیار مجازی شما چگونه با موقعیت های خاص فراتر از "مسیر شاد" برخورد می کند. به عنوان مثال، چگونه به درخواستهای کاربران که فراتر از محدوده آن است پاسخ میدهد، به سؤالات مربوط به خودش پاسخ میدهد و با زبان توهینآمیز یا مبتذل برخورد میکند؟
مهم است که دستورالعملهای داخلی صریح را در مورد شخصیت خود ایجاد کنید که بتواند توسط حاشیهنویسان داده و طراحان مکالمه استفاده شود. این به شما امکان می دهد شخصیت خود را به روشی هدفمند طراحی کنید و آن را در تیم خود و در طول زمان ثابت نگه دارید، زیرا برنامه شما چندین بار تکرار و اصلاح می شود.
4.4 مفید ساختن مکالمات با «اصل همکاری»
آیا تا به حال این تصور را داشته اید که با یک دیوار آجری صحبت می کنید در حالی که در واقع با یک انسان صحبت می کنید؟ گاهی اوقات، متوجه می شویم که شرکای مکالمه ما علاقه ای به هدایت گفتگو به سمت موفقیت ندارند. خوشبختانه، در بیشتر موارد، همه چیز نرمتر است و انسانها به طور شهودی از «اصل همکاری» که توسط فیلسوف زبان پل گریس معرفی شد، پیروی میکنند. بر اساس این اصل، انسان هایی که با موفقیت با یکدیگر ارتباط برقرار می کنند، از چهار اصل یعنی کمیت، کیفیت، ارتباط و شیوه پیروی می کنند.
حداکثر مقدار
حداکثر کمیت از گوینده می خواهد که آموزنده باشد و سهم خود را در حد نیاز آموزنده باشد. در سمت دستیار مجازی، این به معنای پیشبرد فعالانه مکالمه است. به عنوان مثال، این قطعه از یک برنامه مد تجارت الکترونیک را در نظر بگیرید:
دستیار: به دنبال چه نوع لباس هایی هستید؟
کاربر: من دنبال لباس نارنجی هستم.
دستیار: نکن: با عرض پوزش، ما در حال حاضر لباس نارنجی نداریم.
آیا: متأسفیم، ما لباس نارنجی نداریم، اما ما این لباس عالی و بسیار راحت را به رنگ زرد داریم: …
کاربر امیدوار است که برنامه شما را با یک مورد مناسب ترک کند. توقف مکالمه به دلیل نداشتن مواردی که دقیقاً با توضیحات مطابقت داشته باشد، احتمال موفقیت را از بین می برد. با این حال، اگر برنامه شما پیشنهاداتی در مورد موارد جایگزین ارائه دهد، مفیدتر به نظر می رسد و گزینه تعامل موفق را باز می گذارد.
به خصوص در تعاملات صوتی، یافتن تعادل مناسب بین ارائه تمام اطلاعاتی که کاربر ممکن است برای موفقیت به آن نیاز داشته باشد، در حالی که آنها را با اطلاعات غیر ضروری که ممکن است تعامل را مختل کند، غرق نکنید، مهم است.
حداکثر کیفیت
اصل کیفیت از سخنرانان می خواهد که صادق باشند و چیزهایی را که معتقدند نادرست هستند یا فاقد شواهد کافی برای آن هستند، نگویند. ذهنیت و باور شخصی زیادی در اینجا دخیل است - بنابراین، این اصل را نمی توان مستقیماً در LLM ها پیش بینی کرد. همانطور که دیدیم، LLM ها تمایل به توهم دارند، و این خطر به ویژه زمانی که مکالمه به مناطق کمتر آشنا کشیده می شود، زیاد است. برای جلوگیری از اظهارات گمراه کننده و بازگرداندن مکالمه به مسیر اصلی می توان از نرده های محافظ اضافی استفاده کرد.
حداکثر ارتباط
حداکثر ارتباط از ما می خواهد که مرتبط باشیم - خوب، مرتبط. به عنوان پیش شرط، دستیار مجازی باید هدف واقعی کاربر را درک کند. در اینجا نمونه ای از دستیار هواپیمایی است که این قانون را نقض می کند:
کاربر: فردا صبح به پرواز از برلین به زوریخ نیاز دارم.
دستیار: خوب، پروازهای زیر را از برلین به زوریخ برای فردا صبح پیدا کردم. پرواز BZ36294 ساعت 6.30:8 صبح برلین را ترک می کند و ساعت 96294 صبح به زوریخ می رسد. پرواز BZ8 ساعت 9.30 صبح برلین را ترک می کند و ساعت 96294:8 صبح می رسد. پرواز BZ9.30 ساعت 95614 صبح برلین را ترک می کند و ساعت 11:12.30 صبح به زوریخ می رسد. پرواز BZ11.45 ساعت 3 صبح برلین را ترک می کند و ساعت XNUMX:XNUMX بعد از ظهر به زوریخ می رسد. امکان پرواز ارتباطی نیز وجود دارد که در این صورت ساعت XNUMX:XNUMX صبح از برلین خارج شده و ساعت XNUMX به زوریخ می رسید.
کاربر: متاسفم… می توانید این را دوباره تکرار کنید؟
دستیار با اطلاعات دقیقی که ممکن است مرتبط نباشد کاربر را غرق می کند. با شکستن این مورد و راهنمایی کاربر برای محدود کردن فضای جستجوی خود، هضم گفتگو بسیار آسان تر می شود:
کاربر: فردا صبح به پرواز از برلین به زوریخ نیاز دارم.
دستیار: خوب، پروازهایی را پیدا کردم که در ساعت های 6.30، 8 و 11 صبح حرکت می کنند. دوست داری چه ساعتی بری؟
کاربر: من باید قبل از ساعت 9 در زوریخ باشم.
دستیار: خوب، بنابراین می توانید با پرواز BZ36294 بروید. ساعت 6.30 حرکت می کند و ساعت 8 صبح می رسد. آیا باید بلیط را برای شما بخرم؟
کاربر: بله ممنون.
حداکثر شیوه
در نهایت، اصل روش بیان می کند که اعمال گفتاری ما باید واضح، مختصر و منظم باشد و از ابهام و ابهام در بیان خودداری شود. دستیار مجازی شما باید از اصطلاحات فنی یا داخلی خودداری کند و از فرمولبندیهای ساده و قابل فهم همگانی استفاده کند.
در حالی که اصول Grice برای همه مکالمات مستقل از یک دامنه خاص معتبر است، LLMهایی که به طور خاص برای مکالمه آموزش ندیده اند اغلب در انجام آنها شکست می خورند. بنابراین، هنگام جمعآوری دادههای آموزشی، داشتن نمونههای گفتگوی کافی که به مدل شما اجازه میدهد این اصول را بیاموزد، مهم است.
حوزه طراحی مکالمه به سرعت در حال توسعه است. چه در حال ساخت محصولات هوش مصنوعی باشید و چه در مورد مسیر شغلی خود در هوش مصنوعی فکر می کنید، من شما را تشویق می کنم که در این موضوع عمیق تر شوید (به مقدمه های عالی در [5] و [6] مراجعه کنید). از آنجایی که هوش مصنوعی در حال تبدیل شدن به یک کالا است، طراحی خوب همراه با یک استراتژی داده قابل دفاع به دو عامل مهم برای محصولات هوش مصنوعی تبدیل خواهد شد.
خلاصه
بیایید نکات کلیدی مقاله را خلاصه کنیم. علاوه بر این، شکل 5 یک "برگ تقلب" را با نکات اصلی ارائه می دهد که می توانید به عنوان مرجع دانلود کنید.
- LLM ها هوش مصنوعی محاوره ای را تقویت می کنند: مدل های زبان بزرگ (LLM) به طور قابل توجهی کیفیت و مقیاس پذیری برنامه های هوش مصنوعی محاوره ای را در صنایع مختلف و موارد استفاده بهبود بخشیده اند.
- هوش مصنوعی محاورهای میتواند ارزش زیادی به برنامههای کاربردی با درخواستهای مشابه کاربران (به عنوان مثال، خدمات مشتری) یا نیاز به دسترسی به مقدار زیادی از دادههای بدون ساختار (مانند مدیریت دانش) اضافه کند.
- داده ها: تنظیم دقیق LLM برای کارهای مکالمه به داده های مکالمه ای با کیفیت بالا نیاز دارد که تعاملات دنیای واقعی را از نزدیک منعکس می کند. جمع سپاری و داده های تولید شده توسط LLM می توانند منابع ارزشمندی برای مقیاس بندی جمع آوری داده ها باشند.
- کنار هم قرار دادن سیستم: توسعه سیستمهای هوش مصنوعی یک فرآیند تکراری و آزمایشی است که شامل بهینهسازی دائمی دادهها، استراتژیهای تنظیم دقیق و یکپارچهسازی اجزا است.
- آموزش مهارت های مکالمه به LLM ها: تنظیم دقیق LLM شامل آموزش آنها برای تشخیص و پاسخ به اهداف و موقعیت های ارتباطی خاص است.
- افزودن دادههای خارجی با جستجوی معنایی: ادغام منابع دادههای خارجی و داخلی با استفاده از جستجوی معنایی، پاسخهای هوش مصنوعی را با ارائه اطلاعات مرتبط با زمینه بیشتر افزایش میدهد.
- آگاهی از حافظه و زمینه: سیستمهای گفتگوی مؤثر باید آگاهی از زمینه، از جمله ردیابی تاریخچه مکالمه فعلی و تعاملات گذشته را حفظ کنند تا پاسخهای معنادار و منسجمی ارائه دهند.
- تنظیم نردههای محافظ: برای اطمینان از رفتار مسئولانه، سیستمهای هوش مصنوعی مکالمه باید از نردههای محافظ برای جلوگیری از نادرستی، توهم و نقض حریم خصوصی استفاده کنند.
- طراحی شخصی: طراحی یک شخصیت ثابت برای دستیار مکالمه شما برای ایجاد یک تجربه کاربری منسجم و برند ضروری است. ویژگی های شخصی باید با ویژگی های محصول و برند شما هماهنگ باشد.
- صدا در مقابل چت: انتخاب بین رابط های صوتی و چت به عواملی مانند تنظیمات فیزیکی، زمینه احساسی، عملکرد و چالش های طراحی بستگی دارد. هنگام تصمیم گیری در مورد رابط هوش مصنوعی مکالمه خود، این عوامل را در نظر بگیرید.
- یکپارچهسازی در زمینههای مختلف: هوش مصنوعی مکالمهای را میتوان در زمینههای مختلف، از جمله خلبانها، انسان مصنوعی، دوقلوهای دیجیتال و پایگاههای داده، که هرکدام دارای موارد استفاده و الزامات خاصی هستند، ادغام کرد.
- رعایت اصل همکاری: پیروی از اصول کمیت، کیفیت، ارتباط و شیوه در مکالمات می تواند تعامل با هوش مصنوعی مکالمه را مفیدتر و کاربرپسندتر کند.
منابع
[1] Heng-Tze Chen و همکاران. 2022. LaMDA: به سمت مدلهای گفتگوی ایمن، پایه و با کیفیت بالا برای همه چیز.
[2] OpenAI. 2022. ChatGPT: بهینه سازی مدل های زبان برای گفتگو. بازبینی شده در 13 ژانویه 2022.
[3] پاتریک لوئیس و همکاران. 2020. بازیابی-افزایش نسل برای وظایف NLP دانش فشرده.
[4] پل گریس. 1989. مطالعات در راه الفاظ.
[5] کتی پرل. 2016. طراحی رابط کاربری صوتی.
[6] مایکل کوهن و همکاران. 2004. طراحی رابط کاربری صوتی.
توجه: تمام تصاویر توسط نویسنده است، به جز ذکر دیگری.
این مقاله در اصل در تاریخ منتشر شد به سمت علم داده و با اجازه نویسنده مجدداً در TOPBOTS منتشر شد.
از این مقاله لذت می برید؟ برای به روز رسانی های بیشتر تحقیقات هوش مصنوعی ثبت نام کنید.
زمانی که مقالات خلاصه بیشتری مانند این مقاله منتشر کنیم، به شما اطلاع خواهیم داد.
مربوط
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://www.topbots.com/redefining-conversational-ai-with-large-language-models/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 11
- 12
- 125
- 13
- 14
- 17
- 200
- 2016
- 2020
- 2022
- 30
- 32
- ٪۱۰۰
- 41
- 7
- 70
- 8
- 9
- a
- توانایی
- توانایی
- درباره ما
- مطلق
- پذیرفتن
- پذیرش
- دسترسی
- قابل دسترسی است
- در دسترس
- تطبیق
- انجام دادن
- مطابق
- حساب
- انباشتن
- دقت
- دقیق
- در میان
- عمل
- فعالانه
- فعالیت ها
- فعالیت
- اعمال
- واقعا
- اضافه کردن
- اضافه کردن
- اضافی
- اطلاعات اضافی
- علاوه بر این
- نشانی
- اتخاذ
- پیشرفت
- مزیت - فایده - سود - منفعت
- مزایای
- توصیه
- پس از
- از نو
- در برابر
- عامل
- عاملان
- پیش
- AI
- تحقیق ai
- سیستم های هوش مصنوعی
- شرکت هواپیمایی
- AL
- تراز
- هم راستا
- معرفی
- اجازه دادن
- اجازه می دهد تا
- تقریبا
- در امتداد
- قبلا
- همچنین
- جایگزین
- جایگزین
- am
- ابهام
- در میان
- an
- تحلیل
- و
- ناشناس
- دیگر
- سبقت جستن
- هر
- نرم افزار
- ظاهر شدن
- کاربرد
- برنامه های کاربردی
- اعمال میشود
- روش
- مناسب
- برنامه های
- هستند
- مناطق
- دور و بر
- وارد می شود
- هنر
- مقاله
- مقالات
- مصنوعی
- AS
- پرسیدن
- خواهان
- ارزیابی کنید
- ارزیابی
- ارزیابی
- دارایی
- همکاری
- دستیار
- دستیاران
- مرتبط است
- At
- تلاشها
- توجه
- خواص
- تقویت کردن
- افزوده شده
- نویسنده
- بطور خودکار
- در دسترس
- اجتناب از
- اجتناب از
- اطلاع
- دور
- به عقب
- بازگشت به مسیر
- برج میزان
- توپ
- پایه
- مستقر
- اساسی
- BE
- زیرا
- شدن
- شود
- بوده
- قبل از
- رفتار
- رفتار
- پشت سر
- بودن
- باور
- باور
- محبوب
- سود
- برلین
- بهترین
- بهترین شیوه
- بهتر
- میان
- خارج از
- تعصب
- بیت
- انسداد
- کتاب
- هر دو
- رباتها
- جعبه
- نام تجاری
- مارکدار
- علامت گذاری
- نقض
- شکستن
- به ارمغان بیاورد
- گسترده تر
- آورده
- ساختن
- بنا
- ساخته
- کسب و کار
- مشغول
- اما
- دکمه
- خرید
- خریداری کردن
- by
- نام
- تماس ها
- آمد
- CAN
- نمی توان
- قابلیت های
- کاریابی
- اتومبیل
- مورد
- موارد
- کمبود
- مرکز
- به چالش
- چالش ها
- به چالش کشیدن
- شانس
- تغییر
- کانال
- شخصیت
- مشخصات
- مشخص می کند
- chatbot
- chatbots
- GPT چت
- چن
- کودک
- انتخاب
- انتخاب
- انتخاب
- واضح
- به وضوح
- نزدیک
- نزدیک
- تن پوش
- ابر
- رمز
- کوهن
- منسجم
- منسجم
- همکاری
- مجموعه
- ترکیب
- بیا
- می آید
- راحت
- کالا
- ارتباط
- ارتباط
- ارتباطات
- شرکت
- شرکت
- مقایسه
- رقابت
- پیچیده
- جزء
- اجزاء
- کنسرت
- مختصر
- رفتار
- متصل
- اتصال
- اتصالات
- در نظر بگیرید
- با توجه به
- استوار
- ثابت
- به طور مداوم
- ساخت
- ساخت و ساز
- تماس
- محتوا
- زمینه
- زمینه ها
- متنی
- به طور مداوم
- قرارداد
- کنتراست
- کمک
- کمک
- سهم
- بحث برانگیز
- گفتگو
- محاورهای
- هوش مصنوعی محاوره ای
- گفتگو
- سرد
- همکاری
- تعاونی
- هسته
- متناظر
- میتوانست
- زن و شوهر
- دوره
- پوشش داده شده
- ایجاد
- ایجاد
- خلاقیت
- موجودات
- قابل اعتماد
- ضوابط
- crowdsourcing
- جاری
- در حال حاضر
- منحنی
- مشتری
- خدمات مشتری
- پشتیبانی مشتریان
- مشتریان
- داده ها
- استراتژی داده
- پایگاه داده
- پایگاه های داده
- مرده
- مقدار
- دهه
- تصمیم گیری
- تصمیم گیری
- تصمیم گیری
- عمیق تر
- تعريف كردن
- قطعا
- درجه
- تاخیر
- بستگی دارد
- شرح
- طرح
- طراح
- طراحان
- طراحی
- مطلوب
- دقیق
- جزئیات
- توسعه
- توسعه
- توسعه دهندگان
- در حال توسعه
- پروژه
- دستگاه
- دستگاه ها
- گفتگو
- گفتگو
- مختلف
- تمایز دهنده
- مشکل
- DIG
- هضم
- دیجیتال
- دوقلوهای دیجیتال
- دنیای دیجیتال
- مستقیما
- کشف
- نمایش دادن
- توزیع
- شیرجه رفتن
- do
- مستندات
- اسناد و مدارک
- میکند
- سگ
- عمل
- دامنه
- انجام شده
- آیا
- محکوم به فنا
- دانلود
- راننده
- دو
- در طی
- e
- تجارت الکترونیک
- E&T
- هر
- آسان تر
- آموزش
- موثر
- بهره وری
- موثر
- هر دو
- عناصر
- تعبیه کردن
- ظهور
- خروج
- ظهور می کند
- یکدلی
- کارکنان
- قدرت دادن
- را قادر می سازد
- تشویق
- پایان
- تلاش می کند
- بی پایان
- تعامل
- موتورهای حرفه ای
- بالا بردن
- پیشرفت ها
- افزایش می یابد
- لذت بخش
- کافی
- غنی سازی
- غنی شده
- غنی سازی
- اطمینان حاصل شود
- سرمایه گذاری
- به خصوص
- ضروری است
- و غیره
- ارزیابی
- حتی
- در نهایت
- تا کنون
- مدرک
- کاملا
- مثال
- مثال ها
- عالی
- جز
- مازاد
- برانگیخته
- مهیج
- اجرا کردن
- موجود
- انتظار
- انتظار می رود
- گران
- تجربه
- تجربی
- توضیح دهید
- توضیح
- بیان
- خارجی
- چهره
- عامل
- کارخانه
- عوامل
- FAIL
- نتواند
- شکست
- آبشار
- غلط
- آشنا
- شگفت انگیز
- روش
- سریعتر
- باز خورد
- احساس
- شکل
- فیلتر
- نهایی کردن
- پیدا کردن
- نام خانوادگی
- مناسب
- رفع
- پرواز
- پرواز
- جریان
- در حال جریان
- جریانها
- تمرکز
- به دنبال
- به دنبال
- پیروی
- برای
- فرم
- رسمی
- فرمول بندی
- خوشبختانه
- به جلو
- یافت
- چهار
- مکرر
- غالبا
- از جانب
- جلو
- خسته کننده، اذیت کننده
- تکمیل کنید
- سرگرمی
- قابلیت
- اساسی
- بیشتر
- آینده
- بازی
- شکاف
- جمع آوری
- سوالات عمومی
- عموما
- تولید می کنند
- نسل
- دریافت کنید
- GitHub
- داده
- Go
- می رود
- رفتن
- خوب
- بزرگ
- سبز
- زمین
- راهنمایی
- راهنمایی
- دستورالعمل ها
- بود
- دست ها
- رخ دادن
- اتفاق می افتد
- سخت
- مضر
- آیا
- he
- سلامتی
- شنیدن
- کمک
- مفید
- او
- اینجا کلیک نمایید
- پنهان
- زیاد
- با کیفیت بالا
- بالاتر
- خیلی
- خود را
- تاریخ
- اصابت
- جامع
- امید
- امیدوار
- HOT
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- بزرگ
- انسان
- انسان
- شوخ طبعی
- هیپ
- i
- ایده آل
- شناسه ها
- شناسایی می کند
- if
- نشان می دهد
- تصویر
- تصاویر
- تصورات
- تصور کنید
- همهجانبه
- اجرا
- مهم
- بهبود یافته
- بهبود
- in
- در عمق
- شامل
- از جمله
- ترکیب کردن
- افزایش
- بطور باور نکردنی
- به طور مستقل
- فرد
- لوازم
- وارد کردن
- اطلاعات
- حاوی اطلاعات مفید
- ذاتی
- اول
- وارد کردن
- ورودی
- در عوض
- ادغام
- یکپارچه
- ادغام
- ادغام
- قصد
- از قصد
- تعامل
- اثر متقابل
- فعل و انفعالات
- تعاملی
- سیستم های پاسخ صوتی تعاملی
- علاقه مند
- رابط
- رابط
- داخلی
- در هم تنیده
- به
- معرفی
- معرفی
- معرفی
- معرفی
- حسی
- سرمایه گذاری
- توصیه های سرمایه گذاری
- گرفتار
- شامل
- انزوا
- موضوع
- مسائل
- IT
- اقلام
- تکرار
- تکرار
- ITS
- خود
- تلفن گویا
- ژانویه
- اصطلاحات مخصوص یک صنف
- کار
- مشترک
- JPG
- تنها
- نگاه داشتن
- کلید
- کلید واژه ها
- نوع
- دانستن
- دانش
- مدیریت دانش
- شناخته شده
- برچسب ها
- عدم
- زبان
- زبان ها
- بزرگ
- در مقیاس بزرگ
- بزرگتر
- تاخیر
- بعد
- وکیل
- برجسته
- منجر می شود
- یاد گرفتن
- آموخته
- یادگیری
- ترک کردن
- ترک
- میراث
- قانونی
- قرض دادن
- کمتر
- اجازه
- سطح
- سطح
- قدرت نفوذ
- اهرم
- بهره برداری
- لوئیس
- کتابخانه
- نهفته است
- پسندیدن
- محدود
- محدود شده
- استماع
- زنده
- LLM
- منطق
- طولانی
- نگاه کنيد
- به دنبال
- مطالب
- تلفات
- خیلی
- مقدار زیادی
- دستگاه
- ساخته
- پستی
- اصلی
- حفظ
- حفظ
- عمده
- ساخت
- باعث می شود
- ساخت
- اداره می شود
- مدیریت
- مدیران
- روش
- بسیاری
- بازار
- فرصت های بازار
- مسابقه
- تطبیق
- ماده
- مصالح
- حداکثر عرض
- اصل
- me
- متوسط
- معنی دار
- به معنی
- رسانه ها
- متوسط
- نشست
- اعضا
- حافظه
- روانی
- سلامت روان
- روش
- مایکل
- مایکروسافت
- قدرت
- میلی ثانیه
- مین گذاری
- گمراه کننده
- سوء تفاهم
- مدل
- مدل
- مدرن
- لحظه
- ماه
- اخلاقی
- بیش
- کارآمدتر
- صبح
- اکثر
- اغلب
- متحرک
- بسیار
- چندگانه
- بسیاری
- باید
- my
- yo mismo
- نام
- از جمله
- طبیعی
- پردازش زبان طبیعی
- لازم
- ضرورت
- نیاز
- ضروری
- نیازهای
- منفی
- هرگز
- جدید
- برنامه جدید
- بعد
- nlp
- نه
- غیر فنی
- هیچ
- به طور معمول
- اشاره کرد
- ایده
- اکنون
- نیسان
- عدد
- متعدد
- مخلص کلام
- هدف
- هدف
- اشیاء
- of
- خاموش
- ارائه
- ارائه شده
- پیشنهادات
- دفتر
- غالبا
- on
- یک بار
- ONE
- فقط
- به سوی
- باز کن
- OpenAI
- عملیاتی
- عملیات
- نظر
- فرصت ها
- فرصت
- بهینه سازی
- بهینه سازی
- بهینه
- بهینه سازی
- گزینه
- گزینه
- or
- نارنجی
- سفارش
- در اصل
- دیگر
- دیگران
- در غیر این صورت
- ما
- خارج
- خروجی
- خارج از
- روی
- قریب به اتفاق
- خود
- با ما
- اوراق
- نمونه
- شرکای
- حزب
- گذشت
- گذشته
- اختراعات
- مسیر
- صبر کن
- پاتریک
- الگوهای
- پل
- مردم
- برای
- ادراک شده
- انجام
- اجازه
- شخص
- شخصی
- شخصیت
- شخصا
- از پا افتادن
- فیزیکی
- انتخاب کنید
- تصاویر
- سنگ فرش
- محل
- ساده
- برنامه ریزی
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقطه
- نقطه
- فقیر
- پاپ
- محبوب
- موقعیت
- مثبت
- امکان
- ممکن
- پتانسیل
- بالقوه
- تمرین
- شیوه های
- پیش گویی
- تنظیمات
- ارائه شده
- جلوگیری از
- اصل
- از اصول
- خلوت
- خصوصی
- ادامه
- روند
- فرآوری شده
- فرآیندهای
- در حال پردازش
- ساخته
- محصول
- محصولات
- حرفه ای
- پروفایل
- برنامه نويسي
- پیش بینی
- برجسته
- ترویج می کند
- پروتکل
- ارائه
- فراهم می کند
- ارائه
- روانشناسی
- عمومی
- منتشر شده
- هدف
- فشار
- هل می دهد
- کیفیت
- مقدار
- نمایش ها
- سوالات
- به سرعت
- رتبه بندی
- رتبه بندی
- نسبتا
- واکنش
- اماده
- واقعی
- دنیای واقعی
- واقعیت
- به رسمیت شناختن
- شناختن
- شناختن
- توصیه
- مکرر
- قرمز
- تعریف مجدد
- كاهش دادن
- مراجعه
- مرجع
- منابع
- اشاره
- اشاره دارد
- بازتاب
- بازتاب می دهد
- مربوط
- آزاد
- ربط
- مربوط
- تکیه بر
- ماندن
- تکرار
- جایگزین
- پاسخ
- درخواست
- درخواست
- ضروری
- مورد نیاز
- نیاز
- تحقیق
- شباهت دارد
- وضوح
- منابع
- پاسخ
- پاسخ دادن
- پاسخ
- پاسخ
- مسئوليت
- رستوران
- نتیجه
- نتایج
- فاش کردن
- غنی
- راست
- خطر
- قانون
- قوانین
- دویدن
- امن
- ایمنی
- سعید
- همان
- رضایت
- نگهداری می شود
- گفتن
- مقیاس پذیری
- مقیاس
- مقیاس گذاری
- علمی
- حوزه
- پرده
- جستجو
- دوم
- ثانیه
- بخش
- دیدن
- مشاهده گردید
- حساس
- سلسله
- سرویس
- تنظیم
- محیط
- تنظیمات
- چند
- باید
- نشان
- نشان داده شده
- نشان می دهد
- طرف
- امضاء
- به طور قابل توجهی
- مشابه
- ساده
- سادگی
- پس از
- نشسته
- وضعیت
- شرایط
- مهارت ها
- کوچک
- صاف تر
- قطعه
- So
- آگاهی
- اجتماعی کردن
- نرم
- فروخته شده
- راه حل
- مزایا
- برخی از
- کسی
- چیزی
- گاهی
- بزودی
- منابع
- فضا
- دهانه ها
- سخن گفتن
- گوینده
- سخنرانان
- صحبت کردن
- تخصصی
- خاص
- به طور خاص
- اختصاصی
- سخنرانی - گفتار
- تشخیص گفتار
- سرعت
- شروع
- آغاز شده
- شروع می شود
- بیانیه
- اظهارات
- ایالات
- ایستگاه
- آماری
- ماندن
- هدایت کردن
- فرمان
- گام
- مراحل
- هنوز
- متوقف کردن
- ذخیره شده
- داستان
- ساده
- استراتژی ها
- استراتژی
- ساده کردن
- فشار
- ساختار
- ساخت یافته
- مطالعات
- سبک
- قابل توجه
- موفقیت
- موفق
- موفقیت
- چنین
- حاکی از
- مناسب
- دنباله
- خلاصه کردن
- خلاصه
- پشتیبانی
- مطمئن
- تاب خوردن
- گزینه
- نمادین
- نحو
- ترکیبی
- سیستم
- سیستم های
- جدول
- گرفتن
- Takeaways
- صحبت
- سخنگو
- شیپور خاموشی
- هدف
- اهداف
- کار
- وظایف
- تدریس کرد
- تعلیم
- تیم
- اعضای تیم
- فنی
- تکنیک
- پیشرفته
- سلامت
- قوانین و مقررات
- سرزمین
- تست
- متن
- نسبت به
- با تشکر
- که
- La
- آینده
- اطلاعات
- جهان
- شان
- آنها
- خودشان
- سپس
- آنجا.
- اینها
- آنها
- اشیاء
- فکر می کنم
- تفکر
- سوم
- این
- کسانی که
- سه
- از طریق
- بدین ترتیب
- بلیط
- بلیط
- زمان
- بار
- به
- با هم
- رمز
- فردا
- TONE
- هم
- ابزار
- TOPBOTS
- موضوع
- نسبت به
- طرف
- مسیر
- پیگردی
- تجارت
- سنتی
- قطار
- آموزش دیده
- آموزش
- دگرگون کردن
- مبدل
- انتقال
- گذار
- انتقال
- باعث شد
- درست
- امتحان
- دور زدن
- عطف
- تبدیل
- دوقلوها
- دو
- نوعی
- ui
- تحت عمل قرار می گیرد
- فهمیدن
- قابل فهم
- درک
- منحصر به فرد
- جهانی
- به طور کلی
- غیر ضروری
- در جریان روز
- به روز رسانی
- به روز رسانی
- us
- قابلیت استفاده
- استفاده کنید
- استفاده
- کاربر
- سابقه کاربر
- رابط کاربری
- طراحی رابط کاربر
- کاربر پسند
- کاربران
- استفاده
- با استفاده از
- ux
- طراحی UX
- طراح ux
- طراحان ux
- معتبر
- ارزشمند
- ارزش
- تنوع
- مختلف
- همه کاره
- در مقابل
- بسیار
- از طريق
- قربانی
- مجازی
- دستیار مجازی
- واقعیت مجازی
- صدا
- vs
- مبتذل
- W3
- دیوار
- می خواهم
- می خواهد
- بود
- امواج
- مسیر..
- راه
- we
- ثروت
- سایت اینترنتی
- وب سایت
- خوب
- بود
- چی
- چه شده است
- چرخ
- چه زمانی
- هر زمان که
- چه
- که
- در حین
- WHO
- چرا
- اراده
- پنجره
- با
- بدون
- کلمات
- مهاجرت کاری
- کارگران
- جهان
- نگران کننده است
- خواهد بود
- نوشتن
- سال
- سال
- شما
- جوان
- شما
- زفیرنت
- زوریخ