Forrás: rawpixel.com
A társalgási mesterséges intelligencia az LLM-ek olyan alkalmazása, amely számos iparágban és felhasználási esetben skálázhatósága miatt sok felhajtást és figyelmet váltott ki. Míg a társalgási rendszerek már évtizedek óta léteznek, az LLM-ek meghozták azt a minőségi lökést, amely szükséges volt a nagyszabású alkalmazásukhoz. Ebben a cikkben az 1. ábrán látható mentális modellt fogjuk használni a társalgási AI-alkalmazások boncolgatására (vö. AI-termékek készítése holisztikus mentális modellel a mentális modell bevezetéséhez). A párbeszédes AI-rendszerek piaci lehetőségeinek és üzleti értékének átgondolása után elmagyarázzuk az adatokkal, az LLM-finomhangolással és a párbeszédes tervezéssel kapcsolatos további „gépezetet”, amelyet be kell állítani, hogy a beszélgetések ne csak lehetségesek, hanem hasznosak is legyenek. és élvezetes.
1. Lehetőség, érték és korlátok
A hagyományos UX-dizájn mesterséges UX-elemek, csúsztatások, koppintások és kattintások sokaságára épül, és minden új alkalmazáshoz tanulási görbét igényel. A társalgási mesterséges intelligencia használatával megszüntethetjük ezt az elfoglaltságot, és felválthatjuk egy természetesen folyó beszélgetés elegáns élményével, amelyben elfelejthetjük a különböző alkalmazások, ablakok és eszközök közötti átmeneteket. A nyelvet, az univerzális és megszokott kommunikációs protokollunkat használjuk a különböző virtuális asszisztensekkel (VA-k) való interakcióhoz és feladataink elvégzéséhez.
A beszélgetős felhasználói felületek nem éppen az újdonságnak számítanak. Az interaktív hangreakciós rendszerek (IVR) és a chatbotok az 1990-es évek óta léteznek, és az NLP terén elért jelentős előrelépéseket szorosan követték a reményhullámok és a hang- és csevegőfelületek fejlesztése. Az LLM-ek kora előtt azonban a legtöbb rendszert szimbolikus paradigmában implementálták, szabályokra, kulcsszavakra és társalgási mintákra támaszkodva. Ezenkívül a „kompetencia” egy meghatározott, előre meghatározott tartományára korlátozódtak, és az ezeken kívülre merészkedő felhasználók hamarosan zsákutcába kerültek. Összességében ezek a rendszerek potenciális meghibásodási pontokkal bányásztak, és néhány frusztráló próbálkozás után sok felhasználó soha nem tért vissza hozzájuk. A következő ábra egy példa párbeszédet mutat be. Az a felhasználó, aki egy adott koncertre szeretne jegyet rendelni, türelmesen végigmegy egy részletes kihallgatáson, de a végén kiderül, hogy a koncert eltelt.
Lehetővé tevő technológiaként az LLM-ek a párbeszédes felületeket a minőség és a felhasználói elégedettség új szintjére emelhetik. A társalgási rendszerek ma már sokkal szélesebb világismeretet, nyelvi kompetenciát és társalgási képességet tudnak megjeleníteni. Az előre betanított modellek felhasználásával sokkal rövidebb idő alatt is kifejleszthetők, mivel a szabályok, kulcsszavak és párbeszédfolyamatok fárasztó munkáját felváltja az LLM statisztikai ismerete. Nézzünk meg két kiemelkedő alkalmazást, ahol a társalgási AI nagyarányú értéket tud nyújtani:
- Ügyfélszolgálat és általánosságban véve olyan alkalmazások, amelyeket nagyszámú felhasználó használ, akik gyakran küldenek hasonló kéréseket. Itt az ügyfélszolgálatot nyújtó vállalat egyértelmű információs előnyt élvez a felhasználóval szemben, és ezt kihasználva intuitívabb és élvezetesebb felhasználói élményt teremthet. Fontolja meg egy járat átfoglalásának esetét. Számomra, meglehetősen gyakori repülővel, ez évente 1-2 alkalommal fordul elő. Közben hajlamos vagyok megfeledkezni a folyamat részleteiről, nem beszélve egy adott légitársaság felhasználói felületéről. Ezzel szemben a légitársaság ügyfélszolgálata az átfoglalási kérelmeket a műveletek elején és középpontjában helyezi el. Ahelyett, hogy az újrafoglalási folyamatot egy összetett grafikus felületen keresztül tárnák fel, logikája „elrejthető” a támogatást felkereső ügyfelek elől, és természetes csatornaként használhatják a nyelvet az újrafoglaláshoz. Természetesen továbbra is marad „hosszú farka” a kevésbé ismert kéréseknek. Képzeljünk el például egy spontán hangulatingadozást, amely arra készteti az üzleti ügyfelet, hogy szeretett kutyáját a lefoglalt repülőjegyek többletpoggyászaként adja hozzá. Ezek az egyedibb kérések továbbíthatók emberi ügynökökhöz, vagy a virtuális asszisztenshez kapcsolódó belső tudáskezelő rendszeren keresztül fedezhetők.
- Tudásmenedzsment amely nagy mennyiségű adatra épül. Sok modern vállalat számára a működés, az iteráció és a tanulás során felhalmozott belső tudás alapvető eszköz és megkülönböztető tényező – ha azt hatékonyan tárolják, kezelik és hozzáférnek. Az együttműködési eszközökben, belső wikikben, tudásbázisokban stb. elrejtett rengeteg adaton ülve gyakran nem tudják azokat végrehajtható tudássá alakítani. Ahogy az alkalmazottak távoznak, új alkalmazottakat vesznek fel, és soha nem kell befejezni a három hónapja elindított dokumentációs oldalt, az értékes tudás entrópia áldozatává válik. Egyre nehezebb megtalálni az utat a belső adatlabirintuson, és hozzájutni az adott üzleti helyzetben szükséges információkhoz. Ez hatalmas hatékonyságvesztéshez vezet a tudásmunkások számára. A probléma megoldása érdekében az LLM-eket szemantikus kereséssel bővíthetjük belső adatforrásokon. Az LLM-ek lehetővé teszik a természetes nyelvű kérdések használatát az összetett formális lekérdezések helyett, hogy kérdéseket tegyenek fel az adatbázissal kapcsolatban. A felhasználók így az információigényeikre összpontosíthatnak, nem pedig a tudásbázis szerkezetére vagy egy lekérdezési nyelv, például az SQL szintaxisára. Szövegalapúak lévén ezek a rendszerek gazdag szemantikai térben dolgoznak az adatokkal, értelmes kapcsolatokat hozva létre „a motorháztető alatt”.
Ezeken a főbb alkalmazási területeken túl számos egyéb alkalmazás létezik, mint például a távegészségügy, a mentális egészségügyi asszisztensek és az oktatási chatbotok, amelyek egyszerűsíthetik a felhasználói élményt, és gyorsabban és hatékonyabban hozhatnak értéket a felhasználók számára.
Ha ez a mélyreható oktatási tartalom hasznos az Ön számára, megteheti iratkozzon fel AI kutatási levelezőlistánkra figyelmeztetni kell, ha új anyagot adunk ki.
2. Adat
Az LLM-eket eredetileg nem képezték ki arra, hogy folyékonyan kis beszédeket vagy tartalmasabb beszélgetéseket folytassanak. Inkább megtanulják, hogy minden következtetési lépésnél generálják a következő tokent, ami végül koherens szöveget eredményez. Ez az alacsony szintű célkitűzés különbözik az emberi beszélgetés kihívásától. A beszélgetés hihetetlenül intuitív az emberek számára, de hihetetlenül bonyolulttá és árnyalttá válik, ha egy gépet meg akarunk tanítani rá. Nézzük például a szándékok alapvető fogalmát. Amikor nyelvet használunk, azt egy meghatározott célból tesszük, ami a kommunikációs szándékunk – ez lehet az információ közvetítése, a társasági élet, vagy megkérünk valakit valamire. Míg az első kettő meglehetősen egyszerű egy LLM számára (amíg látta a szükséges információkat az adatokban), az utóbbi már nagyobb kihívást jelent. Az LLM-nek nemcsak koherens módon kell kombinálnia és strukturálnia a kapcsolódó információkat, hanem meg kell határoznia a megfelelő érzelmi hangot az olyan lágy kritériumok tekintetében, mint a formalitás, a kreativitás, a humor stb. Ez kihívást jelent a társalgási tervezésben. (vö. 5. fejezet), amely szorosan összefonódik a finomhangoló adatok létrehozásának feladatával.
A klasszikus nyelvgenerálásról a konkrét kommunikációs szándékok felismerésére és reagálására való átmenet fontos lépés a társalgási rendszerek jobb használhatósága és elfogadása felé. Mint minden finomhangolási törekvés, ez is egy megfelelő adatkészlet összeállításával kezdődik.
A finomhangoló adatoknak a lehető legközelebb kell állniuk a (jövőbeni) valós adateloszláshoz. Először is beszélgetési (párbeszéd) adatoknak kell lenniük. Másodszor, ha a virtuális asszisztens egy adott tartományra specializálódott, akkor meg kell próbálnia olyan finomhangoló adatokat összeállítani, amelyek tükrözik a szükséges tartományi ismereteket. Harmadszor, ha vannak tipikus folyamatok és kérések, amelyek gyakran ismétlődnek az alkalmazásában, például az ügyfélszolgálat esetében, próbáljon meg ezekre különböző példákat beépíteni a képzési adataiba. A következő táblázat a beszélgetési finomhangolási adatok mintáját mutatja be a 3K beszélgetési adatkészlet a ChatBot számára, amely ingyenesen elérhető a Kaggle-en:
A beszélgetési adatok manuális létrehozása költséges vállalkozássá válhat – a közösségi beszerzés és az LLM-ek használata az adatok generálására a bővítés két módja. A párbeszédadatok összegyűjtése után a beszélgetéseket értékelni kell és megjegyzésekkel kell ellátni. Ez lehetővé teszi, hogy mind pozitív, mind negatív példákat mutasson a modelljének, és a „helyes” beszélgetések jellemzőinek felismerése felé terelje. Az értékelés történhet abszolút pontszámokkal vagy a különböző lehetőségek egymás közötti rangsorolásával. Ez utóbbi megközelítés pontosabb adatok finomhangolásához vezet, mivel az emberek általában jobban tudnak több lehetőséget rangsorolni, mint elszigetelten értékelni azokat.
Ha adatai a helyükön vannak, készen áll a modell finomhangolására és további képességekkel való gazdagítására. A következő részben megvizsgáljuk a finomhangolást, a memóriából és a szemantikai keresésből származó további információk integrálását, valamint az ügynökök összekapcsolását a társalgási rendszerrel, hogy az adott feladatokat végrehajthasson.
3. A társalgási rendszer összeállítása
Egy tipikus társalgási rendszer egy párbeszédes ágenssel épül fel, amely hangszereli és koordinálja a rendszer összetevőit és képességeit, például az LLM-et, a memóriát és a külső adatforrásokat. A párbeszédes AI-rendszerek fejlesztése rendkívül kísérleti és empirikus feladat, és a fejlesztők folyamatosan oda-vissza járnak az adatok optimalizálása, a finomhangolási stratégia javítása, a további összetevőkkel és fejlesztésekkel való játék, valamint az eredmények tesztelése között. . A nem műszaki csapat tagjai, köztük termékmenedzserek és UX-tervezők is folyamatosan tesztelik majd a terméket. Ügyfélfelfedezési tevékenységeik alapján kiváló helyzetben vannak ahhoz, hogy előre jelezzék a jövőbeli felhasználók beszélgetési stílusát és tartalmát, és ehhez aktívan hozzá kell járulniuk ehhez a tudáshoz.
3.1 Beszélgetési készségek oktatása az LLM-nek
A finomhangoláshoz szüksége van a finomhangolási adatokra (vö. 2. szakasz) és egy előre betanított LLM-re. Az LLM-ek már sokat tudnak a nyelvről és a világról, és a mi kihívásunk az, hogy megtanítsuk nekik a beszélgetés alapelveit. A finomhangolás során a célkimenetek szövegek, és a modell úgy lesz optimalizálva, hogy olyan szövegeket állítson elő, amelyek a lehető legjobban hasonlítanak a célokhoz. A felügyelt finomhangoláshoz először egyértelműen meg kell határoznia a párbeszédes AI-feladatot, amelyet a modellnek végre kell hajtania, össze kell gyűjtenie az adatokat, és futnia és ismételnie kell a finomhangolási folyamatot.
Az LLM-ek körüli felhajtással számos finomhangolási módszer jelent meg. A beszélgetés finomhangolásának egy meglehetősen hagyományos példája a LaMDA modell leírásában található.[1] A LaMDA finomhangolása két lépésben történt. Először is, a párbeszédadatokat a modell társalgási készségek megtanítására használják („generatív” finomhangolás). Ezután az annotátorok által az adatok értékelése során előállított címkéket olyan osztályozók képzésére használják, amelyek képesek értékelni a modell kimeneteit a kívánt attribútumok mentén, amelyek közé tartozik az érzékenység, a specifikusság, az érdekesség és a biztonság („diszkriminatív” finomhangolás). Ezeket az osztályozókat ezután arra használják, hogy a modell viselkedését ezen attribútumok felé irányítsák.
Ezen túlmenően a tényszerű megalapozottság – az a képesség, hogy eredményeiket hiteles külső információkra alapozzák – az LLM-ek fontos tulajdonsága. A tényszerű megalapozottság biztosítása és a hallucinációk minimalizálása érdekében a LaMDA-t egy olyan adatkészlettel finomították, amely külső információ-visszakereső rendszer hívásait foglalja magában, amikor külső tudásra van szükség. Így a modell megtanulta, hogy először tényszerű információkat kérjen le, amikor a felhasználó olyan lekérdezést végzett, amely új ismereteket igényel.
Egy másik népszerű finomhangolási technika az RLHF (Reforcement Learning from Human Feedback)[2]. Az RLHF „átirányítja” az LLM tanulási folyamatát az egyszerű, de mesterséges next token predikciós feladattól az emberi preferenciák tanulása felé egy adott kommunikációs helyzetben. Ezek az emberi preferenciák közvetlenül kódolva vannak a képzési adatokban. Az annotálási folyamat során az emberek felszólítást kapnak, és vagy megírják a kívánt választ, vagy rangsorolják a meglévő válaszok sorozatát. Az LLM viselkedését ezután úgy optimalizálják, hogy tükrözze az emberi preferenciákat.
3.2 Külső adatok hozzáadása és szemantikai keresés
A modell finomhangolásához szükséges beszélgetések összeállításán túl érdemes lehet a rendszert speciális adatokkal bővíteni, amelyek a beszélgetés során felhasználhatók. Például előfordulhat, hogy rendszerének hozzáférésre van szüksége külső adatokhoz, például szabadalmakhoz vagy tudományos közleményekhez, vagy belső adatokhoz, például ügyfélprofilokhoz vagy műszaki dokumentációkhoz. Ez általában szemantikus kereséssel (retrieval-augmented generation vagy RAG néven is ismert)[3]. A további adatokat szemantikai beágyazások formájában egy adatbázisba mentik (vö. ezt a cikket a beágyazások magyarázatához és további hivatkozásokhoz). Amikor beérkezik a felhasználói kérés, az előfeldolgozásra kerül, és szemantikai beágyazássá alakítja. A szemantikus keresés ezután azonosítja azokat a dokumentumokat, amelyek a legrelevánsabbak a kérés szempontjából, és azokat a prompt kontextusaként használja. További adatok szemantikus kereséssel történő integrálásával csökkentheti a hallucinációkat, és hasznosabb, tényszerűen megalapozott válaszokat adhat. A beágyazási adatbázis folyamatos frissítésével a rendszer tudását és válaszait is naprakészen tarthatja anélkül, hogy folyamatosan újra kellene futtatnia a finomhangolási folyamatot.
3.3 Memória és kontextus tudatosság
Képzelje el, hogy elmegy egy buliba, és találkozik Peter ügyvéddel. Izgatott lesz, és elkezdi bemutatni azt a legális chatbotot, amelyet jelenleg tervez. Péter érdeklődőnek tűnik, feléd hajol, öhmög és bólint. Egy bizonyos ponton szeretnéd kikérni a véleményét arról, hogy szeretné-e használni az alkalmazásodat. Egy informatív kijelentés helyett, amely kompenzálná az ékesszólásodat, a következőt hallod: „Uhm… mit csinált ez az alkalmazás már megint?”
Az emberek közötti íratlan kommunikációs szerződés azt feltételezi, hogy meghallgatjuk beszélgetőpartnereinket, és saját beszédaktusainkat arra a kontextusra építjük, amelyet az interakció során közösen hozunk létre. Társadalmi környezetben ennek a közös megértésnek a kialakulása gyümölcsöző, gazdagító beszélgetést jellemez. Hétköznapibb körülmények között, mint például éttermi asztalfoglalás vagy vonatjegy vásárlása, elengedhetetlen a feladat elvégzéséhez és az elvárt érték biztosításához a felhasználó számára. Ehhez az asszisztensének ismernie kell az aktuális beszélgetés előzményeit, de a múltbeli beszélgetésekét is – például nem szabad újra és újra megkérdeznie egy felhasználó nevét és egyéb személyes adatait, amikor beszélgetést kezdeményez.
A kontextustudat fenntartásának egyik kihívása a koreferenciafeloldás, azaz annak megértése, hogy mely tárgyakra utalnak névmások. Az emberek intuitív módon sok kontextuális jelzést használnak, amikor értelmezik a nyelvet – például megkérhet egy kisgyereket: „Kérjük, vegye ki a zöld golyót a piros dobozból, és hozza el nekem”, és a gyermek tudni fogja, hogy a labdára gondolsz. , nem a doboz. A virtuális asszisztensek számára ez a feladat meglehetősen nagy kihívást jelenthet, amint azt a következő párbeszéd mutatja:
Helyettes: Köszönöm, most lefoglalom a repülőjegyet. Ön is szeretne ételt rendelni a repülőútjára?
Felhasználó: Uhm… később eldönthetem, hogy akarom-e?
Helyettes: Sajnáljuk, ez a járat később nem módosítható vagy törölhető.
Itt az asszisztens nem ismeri fel, hogy a névmás it a felhasználótól nem a repülésre, hanem az étkezésre utal, így újabb iterációra van szükség a félreértés orvoslásához.
3.4 További védőkorlátok
Időnként még a legjobb LLM is rosszul viselkedik és hallucinál. Sok esetben a hallucinációk egyszerű pontossági problémák – és el kell fogadni, hogy egyetlen mesterséges intelligencia sem 100%-ban pontos. Más AI-rendszerekhez képest a felhasználó és a mesterséges intelligencia közötti „távolság” meglehetősen kicsi a felhasználó és az AI között. Egy egyszerű pontossági probléma gyorsan olyan dologgá alakulhat át, amit mérgezőnek, diszkriminatívnak vagy általában károsnak tartanak. Ezenkívül, mivel az LLM-ek nem ismerik a magánélet védelmét, érzékeny adatokat is felfedhetnek, például személyazonosításra alkalmas információkat (PII). Ezen viselkedések ellen további védőkorlátok használatával védekezhet. Az olyan eszközök, mint a Guardrails AI, a Rebuff, a NeMo Guardrails és a Microsoft Guidance lehetővé teszik a rendszer kockázatának csökkentését az LLM kimenetekre vonatkozó további követelmények megfogalmazásával és a nem kívánt kimenetek blokkolásával.
A párbeszédes AI-ban többféle architektúra lehetséges. Az alábbi séma egy egyszerű példát mutat be arra, hogyan integrálhatja a finomhangolt LLM-et, a külső adatokat és a memóriát egy párbeszédes ügynök, amely szintén felelős a gyors felépítésért és a védőkorlátokért.
4. Felhasználói élmény és társalgási tervezés
A társalgási felületek varázsa egyszerűségükben és egységességükben rejlik a különböző alkalmazások között. Ha a felhasználói felületek jövője az, hogy az összes alkalmazás többé-kevésbé ugyanúgy néz ki, akkor az UX tervező munkája kudarcra van ítélve? Egyáltalán nem – a beszélgetés olyan művészet, amelyet meg kell tanítani az LLM-nek, hogy hasznos, természetes és kényelmes beszélgetéseket tudjon folytatni a felhasználók számára. A jó társalgási tervezés akkor alakul ki, ha egyesítjük az emberi pszichológiai, nyelvészeti és UX-tervezési ismereteinket. A következőkben először két alapvető választási lehetőséget fogunk mérlegelni a társalgási rendszer felépítésekor, nevezetesen, hogy hangot és/vagy chat-et használunk-e, valamint a rendszer tágabb kontextusát. Ezután megnézzük magukat a beszélgetéseket, és megnézzük, hogyan alakíthatja ki asszisztense személyiségét, miközben megtanítja őt a segítőkész és együttműködő beszélgetésekre.
4.1 Hang kontra chat
A beszélgetési felületek chat vagy hang segítségével valósíthatók meg. Dióhéjban a hang gyorsabb, míg a csevegés lehetővé teszi a felhasználók számára, hogy privátak maradjanak, és kihasználják a kezelőfelület gazdagított funkcióit. Merüljünk el egy kicsit mélyebben a két lehetőségben, mivel ez az egyik első és legfontosabb döntés, amellyel a társalgási alkalmazás elkészítésekor szembe kell néznie.
A két alternatíva közötti választáshoz először vegye figyelembe, hogy milyen fizikai környezetben fogja használni az alkalmazást. Például, miért épül szinte az összes társalgási rendszer az autókban, például a Nuance Communications által kínált rendszer hangalapú? Mert a sofőr keze már foglalt, és nem tud állandóan váltani a kormány és a billentyűzet között. Ez más tevékenységekre is vonatkozik, például a főzésre, ahol a felhasználók az alkalmazásod használata közben szeretnének a tevékenységeik folyamatában maradni. Az autók és a konyhák többnyire privát beállítások, így a felhasználók megtapasztalhatják a hangos interakció örömét anélkül, hogy aggódnának a magánéletük vagy mások zavarása miatt. Ezzel szemben, ha alkalmazását nyilvános környezetben, például irodában, könyvtárban vagy vasútállomáson kívánja használni, előfordulhat, hogy nem a hang az első választás.
Miután megértette a fizikai környezetet, fontolja meg az érzelmi oldalát. A hang szándékosan használható hangszín, hangulat és személyiség közvetítésére – ez hozzáadott értéket az Ön kontextusában? Ha szabadidős céllal készíti az alkalmazást, a hang növelheti a szórakoztató faktort, míg a mentális egészséggel foglalkozó asszisztens több empátiát képes befogadni, és a potenciálisan problémás felhasználóknak nagyobb kifejezésmódot tesz lehetővé. Ezzel szemben, ha az alkalmazás professzionális környezetben, például kereskedésben vagy ügyfélszolgálatban segíti a felhasználókat, a névtelenebb, szöveges interakció objektívebb döntésekhez járulhat hozzá, és megkíméli Önt a túlzottan érzelmes élmény megtervezésének fáradságától.
Következő lépésként gondolja át a funkcionalitást. A szöveges felület lehetővé teszi a beszélgetések gazdagítását más médiákkal, például képekkel és grafikus felhasználói felület elemekkel, például gombokkal. Például egy e-kereskedelmi asszisztensben egy olyan alkalmazás, amely képeket és strukturált leírásokat tesz közzé, sokkal felhasználóbarátabb lesz, mint az, amely a termékeket hanggal írja le, és potenciálisan megadja az azonosítóikat.
Végül beszéljünk a hangos felhasználói felület felépítésének további tervezési és fejlesztési kihívásairól:
- A beszédfelismerés egy további lépése is megtörténik, mielőtt a felhasználói bemeneteket az LLM-ekkel és a Natural Language Processing (NLP) segítségével feldolgoznák.
- A hang a kommunikáció személyesebb és érzelmesebb médiuma – ezért magasabbak a követelmények a konzisztens, megfelelő és élvezetes személyiség kialakításához a virtuális asszisztense mögött, és figyelembe kell vennie a „hangtervezés” további tényezőit, például a hangszínt. , stressz, hangszín és beszédsebesség.
- A felhasználók elvárják, hogy a hangbeszélgetés ugyanolyan sebességgel haladjon, mint az emberi beszélgetés. A hangon keresztüli természetes interakció biztosításához sokkal rövidebb késleltetésre van szükség, mint a csevegésnél. Emberi beszélgetésekben a fordulatok közötti tipikus hézag 200 ezredmásodperc. Ez az azonnali válasz azért lehetséges, mert partnerünk beszédének hallgatása közben kezdjük meg felépíteni a fordulatokat. A hangsegédnek meg kell felelnie az interakció ilyen fokú folyékonyságának. Ezzel szemben a chatbotok esetében másodperces időintervallumokkal versenyez, és egyes fejlesztők még további késleltetést is bevezetnek, hogy a beszélgetést az emberek közötti gépelt csevegésnek érezze.
- A hangon keresztüli kommunikáció lineáris, egyszeri vállalkozás – ha a felhasználó nem értette meg, amit mondott, akkor egy fárasztó, hibákra hajlamos tisztázási kör előtt áll. Így a fordulatoknak a lehető legtömörebbnek, legvilágosabbnak és informatívabbnak kell lenniük.
Ha a hangalapú megoldást választja, győződjön meg arról, hogy nemcsak tisztában van a csevegés előnyeivel, hanem a további kihívások kezeléséhez szükséges készségekkel és erőforrásokkal is.
4.2 Hol fog élni a társalgási mesterséges intelligencia?
Most nézzük meg azt a tágabb kontextust, amelyben integrálhatja a társalgási AI-t. Mindannyian ismerjük a céges webhelyeken található chatbotokat – a képernyő jobb oldalán található widgeteket, amelyek akkor jelennek meg, amikor megnyitjuk egy vállalkozás webhelyét. Személy szerint általában az intuitív reakcióm, hogy megkeresem a Bezárás gombot. Miert van az? A kezdeti próbálkozások során, hogy „beszéljek” ezekkel a robotokkal, rájöttem, hogy nem tudnak megfelelni specifikusabb információs követelményeknek, és végül még mindig át kell fésülnöm a webhelyet. A történet morálja? Ne építsen chatbotot azért, mert menő és divatos, hanem azért, mert biztos vagy benne, hogy további értéket tud teremteni a felhasználók számára.
A vállalati webhelyeken található vitatott widgeten túl számos izgalmas kontextus létezik az általánosabb chatbotok integrálására, amelyek lehetővé váltak az LLM-ekkel:
- Másodpilóták: Ezek az asszisztensek útmutatást adnak és tanácsot adnak bizonyos folyamatokban és feladatokban, például a GitHub CoPilot programozáshoz. Általában a másodpilóták egy adott alkalmazáshoz (vagy kapcsolódó alkalmazások egy kis csomagjához) vannak „kötve”.
- Szintetikus emberek (digitális emberek is): Ezek a lények valódi embereket „utánoznak” a digitális világban. Úgy néznek ki, viselkednek és beszélnek, mint az emberek, ezért gazdag társalgási képességekre is szükségük van. A szintetikus embereket gyakran használják magával ragadó alkalmazásokban, például játékokban, valamint a kiterjesztett és virtuális valóságban.
- Digitális ikrek: A digitális ikrek valós folyamatok és tárgyak, például gyárak, autók vagy motorok digitális „másolatai”. Ezeket a valós objektum tervezésének és viselkedésének szimulálására, elemzésére és optimalizálására használják. A digitális ikrekkel való természetes nyelvi interakciók gördülékenyebb és sokoldalúbb hozzáférést tesznek lehetővé az adatokhoz és a modellekhez.
- Adatbázisok: Manapság bármilyen témában rendelkezésre állnak adatok, legyen szó befektetési ajánlásokról, kódrészletekről vagy oktatási anyagokról. Gyakran nehéz megtalálni azokat a konkrét adatokat, amelyekre a felhasználóknak egy adott helyzetben szükségük van. Az adatbázisok grafikus felületei vagy túl durva szemcsések, vagy végtelen kereső- és szűrőelemekkel vannak borítva. A sokoldalú lekérdezési nyelvek, mint például az SQL és a GraphQL, csak a megfelelő készségekkel rendelkező felhasználók számára érhetők el. A társalgási megoldások lehetővé teszik a felhasználók számára, hogy természetes nyelven kérdezzék le az adatokat, míg a kéréseket feldolgozó LLM automatikusan a megfelelő lekérdezési nyelvre konvertálja azokat (vö. ezt a cikket a Text2SQL magyarázatához).
4.3 Személyiség rányomtatása asszisztensére
Emberként arra vagyunk kötve, hogy antropomorfizáljunk, azaz további emberi tulajdonságokat hozzunk létre, amikor valami olyasmit látunk, ami homályosan hasonlít egy emberre. A nyelv az emberiség egyik legegyedibb és leglenyűgözőbb képessége, és a beszélgetési termékek automatikusan az emberekhez kapcsolódnak. Az emberek elképzelnek egy személyt a képernyőjük vagy az eszközük mögött – és jó gyakorlat, ha ezt a konkrét személyt nem bízzák a felhasználók fantáziájára, hanem konzisztens személyiséget kölcsönöznek neki, amely illeszkedik az Ön termékéhez és márkájához. Ezt a folyamatot „személyes tervezésnek” nevezik.
A személytervezés első lépése az, hogy megértse azokat a jellemvonásokat, amelyeket meg szeretne jeleníteni a személyében. Ideális esetben ez már a képzési adatok szintjén történik – például az RLHF használatakor megkérheti a kommentátorokat, hogy rangsorolják az adatokat olyan tulajdonságok szerint, mint a segítőkészség, udvariasság, szórakozás stb. a kívánt jellemzőket. Ezeket a jellemzőket össze lehet egyeztetni a márkajellemzőkkel, hogy egységes imázst hozzon létre, amely a termékélményen keresztül folyamatosan népszerűsíti márkáját.
Az általános jellemzőkön túl gondolnia kell arra is, hogy virtuális asszisztense hogyan kezeli a „boldog ösvényen” túlmenő konkrét helyzeteket. Például hogyan válaszol a felhasználói kérésekre, amelyek túlmutatnak a hatókörén, hogyan válaszol a magára vonatkozó kérdésekre, és hogyan kezeli a sértő vagy vulgáris nyelvezetet?
Fontos, hogy a személyére vonatkozóan kifejezett belső irányelveket dolgozzon ki, amelyeket az adatjegyzők és a beszélgetéstervezők használhatnak. Ez lehetővé teszi, hogy személyét célirányosan tervezze meg, és konzisztens maradjon a csapatban és az idő múlásával, mivel az alkalmazás többszörös iteráción és finomításon megy keresztül.
4.4 A beszélgetések hasznossá tétele az „együttműködés elvével”
Volt már olyan benyomásod, hogy egy téglafalhoz beszélsz, amikor valójában egy emberrel beszéltél? Néha azt tapasztaljuk, hogy beszélgetőpartnereink egyszerűen nem érdekeltek abban, hogy a beszélgetést sikerre vigyék. Szerencsére a legtöbb esetben a dolgok gördülékenyebbek, és az emberek intuitív módon követik az „együttműködés elvét”, amelyet Paul Grice nyelvfilozófus vezetett be. Ennek az elvnek megfelelően az egymással sikeresen kommunikáló emberek négy maximát követnek, nevezetesen a mennyiséget, a minőséget, a relevanciát és a módot.
Maximális mennyiség
A mennyiségmaximum arra kéri az előadót, hogy legyen informatív, és amennyire szükséges, tegye meg hozzájárulását. A virtuális asszisztens oldaláról ez egyben azt is jelenti, hogy aktívan továbbviszik a beszélgetést. Vegyük például ezt a részletet egy e-kereskedelmi divatalkalmazásból:
Helyettes: Milyen ruhadarabokat keresel?
Felhasználó: Narancssárga ruhát keresek.
Asszisztens: Ne: Sajnos jelenleg nincs narancssárga ruhánk.
Csináld: Sajnos nincsenek narancssárga ruháink, de van ez a nagyszerű és nagyon kényelmes sárga ruhánk:…
A felhasználó azt reméli, hogy megfelelő elemmel hagyja el az alkalmazást. Ha abbahagyja a beszélgetést, mert nincsenek olyan elemei, amelyek megfelelnének a pontos leírásnak, megöli a siker lehetőségét. Ha azonban az alkalmazás javaslatokat tesz alternatív elemekre, az hasznosabbnak tűnik, és nyitva hagyja a sikeres interakció lehetőségét.
Különösen a hangos interakciók során fontos megtalálni a megfelelő egyensúlyt aközött, hogy megadja a felhasználónak a sikerhez szükséges összes információt, miközben nem terheli el őket felesleges információkkal, amelyek elhomályosíthatják az interakciót.
Maximális minőség
A minőség maximája arra kéri a beszélőket, hogy legyenek igazak, és ne mondjanak olyan dolgokat, amelyeket hamisnak vélnek, vagy amelyekre nincs megfelelő bizonyíték. Sok szubjektivitás és személyes meggyőződés van itt – így ez a maxima nem vetíthető ki közvetlenül az LLM-ekre. Amint láttuk, az LLM-ek hajlamosak hallucinálni, és ez a kockázat különösen magas, ha a beszélgetés kevésbé ismerős területekre sodródik. További védőkorlátok használhatók a félrevezető kijelentések elkerülése és a beszélgetés visszaállítása érdekében.
Maximum releváns
A relevancia maximája arra kér bennünket, hogy legyünk – nos, relevánsak. Előfeltételként a virtuális asszisztensnek meg kell értenie a felhasználó valódi szándékát. Íme egy példa egy légitársasági asszisztensre, aki megsérti ezt a szabályt:
Felhasználó: Holnap reggel kell egy járat Berlinből Zürichbe.
Helyettes: Rendben, a következő járatokat találtam Berlinből Zürichbe holnap reggelre. A BZ36294-es járat reggel 6.30-kor indul Berlinből és reggel 8-kor érkezik Zürichbe. A BZ96294-es járat reggel 8 órakor indul Berlinből és 9.30-kor érkezik. A BZ96294-es járat reggel 8 órakor indul Berlinből és 9.30-kor érkezik Zürichbe. A BZ95614-es járat 11 órakor indul Berlinből és 12.30:11.45-kor érkezik Zürichbe. Lehetőség van csatlakozó járatra is, ebben az esetben 3:XNUMX-kor indul Berlinből, és XNUMX:XNUMX-kor érkezik Zürichbe.
Felhasználó: Elnézést… meg tudnád ismételni?
Az asszisztens olyan részletes információkkal látja el a felhasználót, amelyek esetleg nem relevánsak. Azáltal, hogy ezt felbontja, és a felhasználót a keresési terület korlátozására irányítja, a párbeszéd sokkal könnyebben emészthetővé válik:
Felhasználó: Holnap reggel kell egy járat Berlinből Zürichbe.
Helyettes: Rendben, találtam 6.30-kor, 8-kor és 11-kor induló járatokat. Mikor szeretnél elmenni?
Felhasználó: Reggel 9 előtt Zürichben kell lennem.
Helyettes: Rendben, akkor felveheti a BZ36294-es járatot. 6.30-kor indul és 8 órakor érkezik. Vegyem meg neked a jegyet?
Felhasználó: Igen köszi.
Maxim a modor
Végül a modor maximája kimondja, hogy beszédaktusaink legyenek világosak, tömörek és rendezettek, kerüljük a kétértelműséget és a kifejezés homályát. Virtuális asszisztensének kerülnie kell a technikai vagy belső szakzsargont, és előnyben kell részesítenie az egyszerű, általánosan érthető megfogalmazásokat.
Míg Grice elvei minden beszélgetésre érvényesek, egy adott területtől függetlenül, a nem kifejezetten beszélgetésre képzett LLM-ek gyakran nem teljesítik azokat. Ezért a képzési adatok összeállításakor fontos, hogy elegendő párbeszédmintával rendelkezzen, amely lehetővé teszi, hogy a modell megtanulja ezeket az elveket.
A társalgási tervezés területe meglehetősen gyorsan fejlődik. Akár már mesterségesintelligencia-termékeket épít, akár a mesterséges intelligencia területén való karrierjére gondol, arra biztatlak, hogy mélyebbre ásjon ebben a témában (vö. [5] és [6] kiváló bevezetőivel). Ahogy a mesterséges intelligencia árucikké válik, a jó tervezés és a védhető adatstratégia az AI-termékek két fontos megkülönböztető eleme lesz.
Összegzésként
Foglaljuk össze a cikk legfontosabb gondolatait. Ezenkívül az 5. ábra egy „csalólapot” kínál a főbb pontokkal, amelyeket referenciaként letölthet.
- Az LLM-ek javítják a társalgási AI-t: A nagy nyelvi modellek (LLM) jelentősen javították a társalgási AI-alkalmazások minőségét és méretezhetőségét a különböző iparágakban és felhasználási esetekben.
- A társalgási mesterséges intelligencia sok értéket adhat a sok hasonló felhasználói kéréssel rendelkező alkalmazásokhoz (pl. ügyfélszolgálat), vagy amelyeknek nagy mennyiségű strukturálatlan adathoz kell hozzáférniük (pl. tudáskezelés).
- Adatok: A társalgási feladatokhoz szükséges LLM-ek finomhangolásához kiváló minőségű társalgási adatokra van szükség, amelyek szorosan tükrözik a valós interakciókat. A Crowdsourcing és az LLM által generált adatok értékes erőforrások lehetnek az adatgyűjtés skálázásához.
- A rendszer összeállítása: A párbeszédes AI-rendszerek fejlesztése egy iteratív és kísérleti folyamat, amely magában foglalja az adatok folyamatos optimalizálását, a stratégiák finomhangolását és az összetevők integrációját.
- Beszélgetési készségek oktatása LLM-eknek: Az LLM-ek finomhangolása magában foglalja a képzést arra, hogy felismerjék és reagáljanak konkrét kommunikációs szándékokra és helyzetekre.
- Külső adatok hozzáadása szemantikus kereséssel: A külső és belső adatforrások szemantikus kereséssel történő integrálása javítja az AI válaszait azáltal, hogy kontextuálisan relevánsabb információkat biztosít.
- Memória és kontextustudatosság: A hatékony társalgási rendszereknek fenn kell tartaniuk a kontextustudatot, beleértve az aktuális beszélgetés és a múltbeli interakciók történetének nyomon követését, hogy értelmes és koherens válaszokat adjanak.
- Korlátok beállítása: A felelősségteljes viselkedés biztosítása érdekében a párbeszédes AI-rendszereknek védőkorlátokat kell alkalmazniuk a pontatlanságok, hallucinációk és a magánélet megsértésének elkerülése érdekében.
- Persona design: A konzisztens személyiség kialakítása a társalgási asszisztens számára elengedhetetlen az összetartó és márkás felhasználói élmény megteremtéséhez. A személyi jellemzőknek összhangban kell lenniük a termék és a márka jellemzőivel.
- Hang kontra csevegés: A hang- és csevegési felületek közötti választás olyan tényezőktől függ, mint a fizikai környezet, az érzelmi környezet, a funkcionalitás és a tervezési kihívások. Vegye figyelembe ezeket a tényezőket, amikor a társalgási mesterséges intelligencia felületéről dönt.
- Integráció különféle kontextusokban: A társalgási mesterséges intelligencia különböző kontextusokban integrálható, beleértve a másodpilóták, szintetikus emberek, digitális ikrek és adatbázisok használatát, amelyek mindegyike sajátos használati esetekkel és követelményekkel rendelkezik.
- Az együttműködés elvének betartása: A mennyiség, a minőség, a relevancia és a beszélgetési mód elveinek betartása hasznosabbá és felhasználóbarátabbá teheti a társalgási MI-vel való interakciót.
Referenciák
[1] Heng-Tze Chen et al. 2022. LaMDA: Biztonságos, megalapozott és jó minőségű párbeszédmodellek mindenhez.
[2] OpenAI. 2022. ChatGPT: Nyelvi modellek optimalizálása a párbeszédhez. Letöltve: 13. január 2022.
[3] Patrick Lewis et al. 2020. Retrieval-Augmented Generation tudásintenzív NLP-feladatokhoz.
[4] Paul Grice. 1989. Tanulmányok a szavak útján.
[5] Cathy Pearl. 2016. Hangos felhasználói felületek tervezése.
[6] Michael Cohen et al. 2004. Hangos felhasználói felület tervezése.
Megjegyzés: Minden kép a szerzőtől származik, kivéve, ha másképp jelezzük.
Ezt a cikket eredetileg közzétették Az adattudomány felé és a szerző engedélyével újra közzétesszük a TOPBOTS-nál.
Tetszett ez a cikk? Iratkozzon fel további AI-kutatási frissítésekért.
Értesíteni fogunk, ha több ehhez hasonló összefoglaló cikket adunk ki.
Összefüggő
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://www.topbots.com/redefining-conversational-ai-with-large-language-models/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 11
- 12
- 125
- 13
- 14
- 17
- 200
- 2016
- 2020
- 2022
- 30
- 32
- 35%
- 41
- 7
- 70
- 8
- 9
- a
- képességek
- képesség
- Rólunk
- Abszolút
- Elfogad!
- elfogadás
- hozzáférés
- igénybe vett
- hozzáférhető
- elhelyezésére
- elérni
- Szerint
- Fiók
- felhalmozásra
- pontosság
- pontos
- át
- törvény
- aktívan
- tevékenységek
- tevékenység
- cselekmények
- tulajdonképpen
- hozzá
- hozzáadásával
- További
- további információ
- Ezen kívül
- cím
- Örökbefogadás
- előlegek
- Előny
- előnyei
- tanácsot ad
- Után
- újra
- ellen
- Ügynök
- szerek
- Augusztus
- AI
- ai kutatás
- AI rendszerek
- légitársaság
- AL
- összehangolása
- igazított
- Minden termék
- lehetővé
- lehetővé teszi, hogy
- majdnem
- mentén
- már
- Is
- alternatív
- alternatívák
- am
- Kétértelműség
- között
- an
- elemez
- és a
- Névtelenül
- Másik
- számít
- bármilyen
- app
- megjelenik
- Alkalmazás
- alkalmazások
- alkalmazandó
- megközelítés
- megfelelő
- alkalmazások
- VANNAK
- területek
- körül
- érkezik
- Művészet
- cikkben
- cikkek
- mesterséges
- AS
- kérdez
- kér
- értékeli
- értékelni
- értékelés
- vagyontárgy
- segít
- Helyettes
- asszisztensek
- társult
- At
- Kísérletek
- figyelem
- attribútumok
- fokozza
- bővített
- szerző
- automatikusan
- elérhető
- elkerülése érdekében
- elkerülve
- tudatosság
- el
- vissza
- vissza a pályára
- Egyenleg
- labda
- bázis
- alapján
- alapvető
- BE
- mert
- válik
- válik
- óta
- előtt
- viselkedés
- viselkedés
- mögött
- hogy
- hit
- Hisz
- szeretett
- haszon
- Berlin
- BEST
- legjobb gyakorlatok
- Jobb
- között
- Túl
- előítélet
- Bit
- blokkoló
- könyv
- mindkét
- botok
- Doboz
- márka
- márkás
- branding
- megsértésének
- Törés
- hoz
- tágabb
- hozott
- épít
- Épület
- épült
- üzleti
- elfoglalt
- de
- gomb
- megvesz
- Vásárlás
- by
- hívott
- kéri
- jött
- TUD
- nem tud
- képességek
- Karrier
- autók
- eset
- esetek
- cathy
- Központ
- kihívás
- kihívások
- kihívást
- esély
- megváltozott
- csatorna
- karakter
- jellemzők
- jellemzését
- chatbot
- chatbots
- ChatGPT
- chen
- gyermek
- választás
- választás
- választja
- világos
- világosan
- közel
- szorosan
- Ruházat
- felhő
- kód
- Cohen
- ÖSSZEFÜGGŐ
- kohéziós
- együttműködés
- gyűjtemény
- össze
- hogyan
- jön
- kényelmes
- árucikk
- kommunikálni
- közlés
- távközlés
- Companies
- vállalat
- képest
- versenyez
- bonyolult
- összetevő
- alkatrészek
- koncert
- tömör
- Magatartás
- összefüggő
- Csatlakozó
- kapcsolatok
- Fontolja
- figyelembe véve
- következetes
- állandó
- állandóan
- építése
- építés
- kapcsolat
- tartalom
- kontextus
- kontextusok
- szövegre vonatkozó
- folyamatosan
- szerződés
- kontraszt
- contribuer
- hozzájáruló
- hozzájárulás
- vitatott
- Beszélgetés
- társalgó
- társalgási AI
- beszélgetések
- Hűvös
- együttműködés
- szövetkezet
- Mag
- Megfelelő
- tudott
- Pár
- Tanfolyam
- fedett
- teremt
- létrehozása
- kreativitás
- lények
- hihető
- kritériumok
- crowdsourcing
- Jelenlegi
- Jelenleg
- görbe
- vevő
- Vevőszolgálat
- Vevőszolgálat
- Ügyfelek
- dátum
- adatstratégia
- adatbázis
- adatbázisok
- halott
- üzlet
- évtizedek
- dönt
- Döntés
- határozatok
- mélyebb
- meghatározott
- minden bizonnyal
- Fok
- késleltetés
- függ
- leírás
- Design
- Tervező
- tervezők
- tervezés
- kívánatos
- részletes
- részletek
- Fejleszt
- fejlett
- fejlesztők
- fejlesztése
- Fejlesztés
- eszköz
- Eszközök
- Párbeszéd
- Párbeszéd
- különböző
- megkülönböztető
- nehéz
- DIG
- megemészteni
- digitális
- Digitális ikrek
- digitális világ
- közvetlenül
- felfedezés
- kijelző
- terjesztés
- merülés
- do
- dokumentáció
- dokumentumok
- nem
- Kutya
- Ennek
- domain
- csinált
- ne
- Ítélve
- letöltés
- gépkocsivezető
- két
- alatt
- e
- e-commerce
- E&T
- minden
- könnyebb
- nevelési
- Hatékony
- hatékonyság
- hatékony
- bármelyik
- elemek
- beágyazás
- alakult
- megjelenése
- kiemelkedik
- átélés
- alkalmazottak
- képessé
- lehetővé téve
- ösztönzése
- végén
- törekvéseket
- Végtelen
- vegyenek
- Motorok
- növelése
- fejlesztések
- Javítja
- élvezetes
- elég
- gazdagítják
- dúsított
- gazdagító
- biztosítására
- Vállalkozás
- különösen
- alapvető
- stb.
- értékelő
- Még
- végül is
- EVER
- bizonyíték
- pontosan
- példa
- példák
- kiváló
- Kivéve
- többlet
- izgatott
- izgalmas
- kivégez
- létező
- vár
- várható
- drága
- tapasztalat
- kísérleti
- Magyarázza
- magyarázat
- kifejezés
- külső
- Arc
- tényező
- gyárak
- tényezők
- FAIL
- nem sikerül
- Kudarc
- Vízesés
- hamis
- ismerős
- elbűvölő
- Divat
- gyorsabb
- Visszacsatolás
- érez
- Ábra
- szűrő
- véglegesítése
- Találjon
- vezetéknév
- megfelelő
- Rögzít
- repülés
- Járatok
- áramlási
- Folyó
- flow
- Összpontosít
- következik
- követ
- következő
- A
- forma
- hivatalos
- megfogalmazása
- szerencsére
- Előre
- talált
- négy
- gyakori
- gyakran
- ból ből
- front
- frusztráló
- eleget tesz
- móka
- funkcionalitás
- alapvető
- további
- jövő
- szerencsejáték
- rés
- gyűjt
- általános
- általában
- generál
- generáció
- kap
- GitHub
- adott
- Go
- Goes
- megy
- jó
- nagy
- Zöld
- Földi
- útmutatást
- útmutató
- irányelvek
- kellett
- kezek
- történik
- megtörténik
- Kemény
- káros
- Legyen
- he
- Egészség
- hall
- segít
- hasznos
- neki
- itt
- Rejtett
- Magas
- jó minőségű
- <p></p>
- nagyon
- övé
- történelem
- Találat
- holisztikus
- remény
- reméli,
- FORRÓ
- Hogyan
- azonban
- HTML
- http
- HTTPS
- hatalmas
- emberi
- Az emberek
- humor
- hype
- i
- ideálisan
- azonosítók
- azonosítja
- if
- illusztrálja
- kép
- képek
- képzeletét
- kép
- immersive
- végre
- fontos
- javított
- javuló
- in
- mélyreható
- tartalmaz
- Beleértve
- bele
- Növelje
- hihetetlenül
- függetlenül
- egyéni
- iparágak
- okoz
- információ
- tájékoztató
- velejáró
- kezdetben
- kezdeményez
- bemenet
- helyette
- integrálni
- integrált
- integrálása
- integráció
- A szándék
- szándékosan
- kölcsönhatásba
- kölcsönhatás
- kölcsönhatások
- interaktív
- Interaktív hangos válaszrendszerek
- érdekelt
- Felület
- interfészek
- belső
- összefonódó
- bele
- bevezet
- Bevezetett
- Bevezetés
- bemutatkozás
- intuitív
- beruházás
- befektetési ajánlások
- részt
- bevonásával
- szigetelés
- kérdés
- kérdések
- IT
- tételek
- ismétlés
- iterációk
- ITS
- maga
- IVR-ek
- január
- zsargon
- Munka
- közös
- jpg
- éppen
- Tart
- Kulcs
- kulcsszavak
- Kedves
- Ismer
- tudás
- Tudásmenedzsment
- ismert
- Címkék
- hiány
- nyelv
- Nyelvek
- nagy
- nagyarányú
- nagyobb
- Késleltetés
- a későbbiekben
- ügyvéd
- vezető
- vezetékek
- TANUL
- tanult
- tanulás
- Szabadság
- kilépő
- Örökség
- Jogi
- kölcsönöz
- kevesebb
- hadd
- szint
- szintek
- Tőkeáttétel
- mobilizálható
- erőfölény
- Lajos
- könyvtár
- fekszik
- mint
- LIMIT
- Korlátozott
- Kihallgatás
- él
- LLM
- logika
- Hosszú
- néz
- keres
- MEGJELENÉS
- veszteség
- Sok
- sok
- gép
- készült
- levelezési
- Fő
- fenntartása
- fenntartása
- fontos
- csinál
- KÉSZÍT
- Gyártás
- sikerült
- vezetés
- Menedzserek
- mód
- sok
- piacára
- piaci lehetőségeket
- Mérkőzés
- párosított
- anyag
- anyagok
- max-width
- Alapelv
- me
- jelent
- jelentőségteljes
- eszközök
- Média
- közepes
- találkozó
- Partnerek
- Memory design
- szellemi
- Mentális egészség
- mód
- Michael
- microsoft
- esetleg
- ezredmásodperc
- aláaknázott
- félrevezető
- félreértés
- modell
- modellek
- modern
- pillanat
- hónap
- erkölcsi
- több
- hatékonyabb
- Reggel
- a legtöbb
- többnyire
- mozgó
- sok
- többszörös
- sokaság
- kell
- my
- magamat
- név
- ugyanis
- Természetes
- Természetes nyelvi feldolgozás
- elengedhetetlen
- szükségesség
- Szükség
- szükséges
- igények
- negatív
- soha
- Új
- új alkalmazás
- következő
- NLP
- nem
- nem műszaki
- Egyik sem
- rendszerint
- neves
- fogalom
- Most
- Árnyalat
- szám
- számos
- dióhéj
- tárgy
- célkitűzés
- objektumok
- of
- kedvezmény
- ajánlat
- felajánlott
- Ajánlatok
- Office
- gyakran
- on
- egyszer
- ONE
- csak
- -ra
- nyitva
- OpenAI
- üzemeltetési
- Művelet
- Vélemény
- Lehetőségek
- Alkalom
- optimalizálás
- Optimalizálja
- optimalizált
- optimalizálása
- opció
- Opciók
- or
- narancs
- érdekében
- eredetileg
- Más
- Egyéb
- másképp
- mi
- ki
- kimenetek
- kívül
- felett
- túlnyomó
- saját
- oldal
- papírok
- paradigma
- partnerek
- párt
- Elmúlt
- múlt
- Szabadalmak
- ösvény
- türelmesen
- patrick
- minták
- Paul
- Emberek (People)
- mert
- érzékelt
- Teljesít
- engedély
- person
- személyes
- Személyiség
- Személyesen
- kimerül
- fizikai
- vedd
- képek
- bólintás
- Hely
- Egyszerű
- tervezés
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- pont
- pont
- szegény
- pop
- Népszerű
- pozíció
- pozitív
- lehetőség
- lehetséges
- potenciális
- potenciálisan
- gyakorlat
- gyakorlat
- előrejelzés
- preferenciák
- bemutatott
- megakadályozása
- alapelv
- elvek
- magánélet
- magán
- folytassa
- folyamat
- Feldolgozott
- Folyamatok
- feldolgozás
- Készült
- Termékek
- Termékek
- szakmai
- Profilok
- Programozás
- tervezett
- kiemelkedő
- elősegíti
- protokoll
- ad
- biztosít
- amely
- Pszichológia
- nyilvános
- közzétett
- cél
- Nyomja
- kitolja
- világítás
- mennyiség
- lekérdezések
- Kérdések
- gyorsan
- rangsorban
- Ranking
- Inkább
- reakció
- kész
- igazi
- való Világ
- Valóság
- elismerés
- elismerik
- felismerés
- ajánlások
- ismétlődő
- Piros
- újradefiniálása
- csökkenteni
- utal
- referencia
- referenciák
- említett
- kifejezés
- tükröznie
- tükrözi
- összefüggő
- engedje
- relevancia
- támaszkodva
- marad
- ismétlés
- helyébe
- válasz
- kérni
- kéri
- kötelező
- követelmények
- megköveteli,
- kutatás
- hasonlít
- Felbontás
- Tudástár
- Reagálni
- válaszol
- válasz
- válaszok
- felelős
- étterem
- kapott
- Eredmények
- mutatják
- Gazdag
- jobb
- Kockázat
- Szabály
- szabályok
- futás
- biztonságos
- Biztonság
- Mondott
- azonos
- elégedettség
- mentett
- azt mondják
- skálázhatóság
- Skála
- skálázás
- tudományos
- hatálya
- Képernyő
- Keresés
- Második
- másodperc
- Rész
- lát
- látott
- érzékeny
- Series of
- szolgáltatás
- készlet
- beállítás
- beállítások
- számos
- kellene
- előadás
- mutatott
- Műsorok
- oldal
- <p></p>
- jelentősen
- hasonló
- Egyszerű
- egyszerűség
- óta
- Ülés
- helyzet
- helyzetek
- készségek
- kicsi
- simább
- töredék
- So
- Közösség
- szocializál
- Puha
- eladott
- megoldások
- Megoldások
- néhány
- Valaki
- valami
- néha
- nemsokára
- Források
- Hely
- ível
- beszél
- Hangszóró
- hangszórók
- beszélő
- specializált
- különleges
- kifejezetten
- sajátosság
- beszéd
- Speech Recognition
- sebesség
- kezdet
- kezdődött
- kezdődik
- nyilatkozat
- nyilatkozatok
- Államok
- állomás
- statisztikai
- tartózkodás
- tinó
- kormányzó
- Lépés
- Lépései
- Még mindig
- megállítás
- memorizált
- Történet
- egyértelmű
- stratégiák
- Stratégia
- áramvonal
- feszültség
- struktúra
- szerkesztett
- tanulmányok
- stílus
- lényeges
- siker
- sikeres
- sikeresen
- ilyen
- javasolja,
- megfelelő
- kíséret
- összegez
- ÖSSZEFOGLALÓ
- támogatás
- biztos
- Hinta
- kapcsoló
- szimbolikus
- szintaxis
- szintetikus
- rendszer
- Systems
- táblázat
- Vesz
- Elvitelre
- Beszél
- beszéd
- Csap
- cél
- célok
- Feladat
- feladatok
- tanított
- Tanítási
- csapat
- Csapattagok
- Műszaki
- technika
- Technológia
- távegészségügyi
- feltételek
- területek
- Tesztelés
- szöveg
- mint
- Kösz
- hogy
- A
- A jövő
- az információ
- a világ
- azok
- Őket
- maguk
- akkor
- Ott.
- Ezek
- ők
- dolgok
- Szerintem
- Gondolkodás
- Harmadik
- ezt
- azok
- három
- Keresztül
- Így
- jegy
- jegyek
- idő
- alkalommal
- nak nek
- együtt
- jelképes
- holnap
- TONE
- is
- szerszámok
- TOPBOTOK
- téma
- felé
- felé
- vágány
- Csomagkövetés
- Kereskedés
- hagyományos
- Vonat
- kiképzett
- Képzések
- Átalakítás
- át
- átmenet
- átmenetek
- továbbít
- váltott
- igaz
- megpróbál
- FORDULAT
- Turning
- fordul
- Ikrek
- kettő
- tipikus
- ui
- keresztülmegy
- megért
- érthető
- megértés
- egyedi
- Egyetemes
- univerzálisan
- felesleges
- up-to-date
- Frissítés
- frissítése
- us
- használhatóság
- használ
- használt
- használó
- User Experience
- felhasználói felület
- felhasználói felület megtervezése
- barátságos felhasználói
- Felhasználók
- használ
- segítségével
- ux
- UX tervezés
- ux tervező
- ux tervezők
- érvényes
- Értékes
- érték
- fajta
- különféle
- sokoldalú
- Ellen
- nagyon
- keresztül
- Áldozat
- Tényleges
- virtuális asszisztens
- Virtuális valóság
- Hang
- vs
- vulgáris
- W3
- Fal
- akar
- akar
- volt
- hullámok
- Út..
- módon
- we
- Vagyon
- weboldal
- honlapok
- JÓL
- voltak
- Mit
- Mi
- Kerék
- amikor
- bármikor
- vajon
- ami
- míg
- WHO
- miért
- lesz
- ablakok
- val vel
- nélkül
- szavak
- Munka
- dolgozók
- világ
- aggasztó
- lenne
- ír
- év
- év
- te
- fiatal
- A te
- zephyrnet
- Zürich