מקור: rawpixel.com
Conversational AI הוא יישום של LLMs שעורר הרבה באז ותשומת לב בשל יכולת ההרחבה שלו בתעשיות ובמקרי שימוש רבים. בעוד שמערכות שיחה קיימות במשך עשרות שנים, LLMs הביאו את הדחיפה האיכותית הדרושה לאימוץ בקנה מידה גדול. במאמר זה, נשתמש במודל המנטלי המוצג באיור 1 כדי לנתח יישומי AI לשיחה (ראה. בניית מוצרי AI עם מודל מנטלי הוליסטי להיכרות עם המודל המנטלי). לאחר בחינת הזדמנויות השוק והערך העסקי של מערכות בינה מלאכותית לשיחה, נסביר את ה"מכונות" הנוספות במונחים של נתונים, כוונון LLM ועיצוב שיחה שצריך להגדיר כדי להפוך שיחות לא רק אפשריות אלא גם שימושיות ומהנה.
1. הזדמנות, ערך ומגבלות
עיצוב UX מסורתי בנוי סביב מספר רב של רכיבי UX מלאכותיים, החלקות, הקשות ולחיצות, הדורשים עקומת למידה עבור כל אפליקציה חדשה. באמצעות בינה מלאכותית של שיחה, נוכל לבטל את העיסוק הזה, ולהחליף אותו בחוויה האלגנטית של שיחה זורמת באופן טבעי, שבה נוכל לשכוח מהמעברים בין אפליקציות, חלונות ומכשירים שונים. אנו משתמשים בשפה, הפרוטוקול האוניברסלי והמוכר שלנו לתקשורת, כדי ליצור אינטראקציה עם עוזרים וירטואליים שונים (VAs) ולבצע את המשימות שלנו.
ממשק משתמשי שיחות הם לא בדיוק הדברים החמים החדשים. מערכות תגובה קוליות אינטראקטיביות (IVR) וצ'אטבוטים קיימים מאז שנות ה-1990, וההתקדמות הגדולה ב-NLP עקבה מקרוב אחרי גלים של תקווה ופיתוח עבור ממשקי קול וצ'אט. עם זאת, לפני תקופת ה-LLM, רוב המערכות יושמו בפרדיגמה הסמלית, תוך הסתמכות על כללים, מילות מפתח ודפוסי שיחה. הם גם הוגבלו לתחום ספציפי ומוגדר מראש של "כשירות", ומשתמשים שיצאו מחוץ לאלו יגיעו במהרה למבוי סתום. בסך הכל, מערכות אלו נכרו עם נקודות כשל פוטנציאליות, ולאחר כמה ניסיונות מתסכלים, משתמשים רבים לא חזרו אליהן. האיור הבא ממחיש דיאלוג לדוגמה. משתמש שרוצה להזמין כרטיסים להופעה ספציפית עובר בסבלנות זרימת חקירה מפורטת, רק כדי לגלות בסוף שהקונצרט אזל.
כטכנולוגיה מאפשרת, מנהלי LLM יכולים לקחת ממשקי שיחה לרמות חדשות של איכות ושביעות רצון המשתמש. מערכות שיחה יכולות כעת להציג ידע עולמי רחב הרבה יותר, יכולת לשונית ויכולת שיחה. באמצעות מינוף מודלים שהוכשרו מראש, ניתן לפתח אותם גם בטווחי זמן קצרים בהרבה מאחר שהעבודה המייגעת של הידור כללים, מילות מפתח וזרימות דיאלוג מוחלפת כעת בידע הסטטיסטי של ה-LLM. בואו נסתכל על שני יישומים בולטים שבהם AI שיחה יכול לספק ערך בקנה מידה:
- תמיכת לקוחות ובאופן כללי יותר, יישומים המשמשים מספר רב של משתמשים המבקשים לעתים קרובות בקשות דומות. כאן, לחברה המספקת את תמיכת הלקוחות יש יתרון מידע ברור על המשתמש והיא יכולה למנף זאת כדי ליצור חווית משתמש אינטואיטיבית ומהנה יותר. שקול את המקרה של הזמנת טיסה מחדש. לעצמי, נוסע מתמיד, זה משהו שקורה 1-2 פעמים בשנה. בין לבין, אני נוטה לשכוח את פרטי התהליך, שלא לדבר על ממשק המשתמש של חברת תעופה ספציפית. לעומת זאת, לתמיכת הלקוחות של חברת התעופה יש בקשות הזמנה מחדש בחזית ובמרכז הפעילות שלה. במקום לחשוף את תהליך ההזמנה מחדש באמצעות ממשק גרפי מורכב, ניתן "להסתיר" את ההיגיון שלו מלקוחות הפונים לתמיכה, והם יכולים להשתמש בשפה כערוץ טבעי לביצוע ההזמנה מחדש. כמובן, עדיין יישאר "זנב ארוך" של בקשות פחות מוכרות. לדוגמה, דמיינו שינוי מצב רוח ספונטני שדוחף לקוחה עסקית להוסיף את הכלב האהוב שלה כמטען עודף לטיסה שהוזמנה. ניתן להעביר בקשות אינדיבידואליות יותר אלו לסוכנים אנושיים או לכסות אותם באמצעות מערכת ניהול ידע פנימי המחוברת לעוזרת הוירטואלית.
- ניהול ידע אשר מבוסס על כמות גדולה של נתונים. עבור חברות מודרניות רבות, הידע הפנימי שהן צוברות במשך שנים של תפעול, איטרציה ולמידה הוא נכס עיקרי ומבדל - אם הוא מאוחסן, מנוהל וגישה אליו בצורה יעילה. כשהם יושבים על שפע של נתונים החבויים בכלי שיתוף פעולה, ויקי אינטרנט פנימיים, מאגרי ידע וכו', הם לרוב לא מצליחים להפוך אותם לידע בר-פעולה. כשהעובדים עוזבים, עובדים חדשים נכנסים למטוס, ולעולם אינך בא לסיים את דף התיעוד הזה שהתחלת לפני שלושה חודשים, ידע יקר ערך נופל קורבן לאנטרופיה. זה הופך להיות יותר ויותר קשה למצוא דרך דרך מבוך הנתונים הפנימי ולהניח את ידך על פיסות המידע הנדרשות במצב עסקי ספציפי. זה מוביל להפסדי יעילות עצומים לעובדי הידע. כדי לטפל בבעיה זו, אנו יכולים להרחיב את LLMs עם חיפוש סמנטי במקורות נתונים פנימיים. לימודי LLM מאפשרים להשתמש בשאלות בשפה טבעית במקום בשאילתות רשמיות מורכבות כדי לשאול שאלות על מסד נתונים זה. משתמשים יכולים לפיכך להתמקד בצרכי המידע שלהם ולא במבנה של בסיס הידע או בתחביר של שפת שאילתה כגון SQL. בהיותן מבוססות טקסט, מערכות אלו עובדות עם נתונים במרחב סמנטי עשיר, ויוצרות קשרים משמעותיים "מתחת למכסה המנוע".
מעבר לתחומי היישומים העיקריים הללו, ישנם יישומים רבים אחרים, כגון telehealth, עוזרי בריאות הנפש וצ'טבוטים חינוכיים, שיכולים לייעל את ה-UX ולהביא ערך למשתמשים שלהם בצורה מהירה ויעילה יותר.
אם תוכן חינוכי מעמיק זה שימושי עבורך, תוכל הירשם לרשימת התפוצה של מחקרי AI שלנו להתריע כשאנחנו משחררים חומר חדש.
2. נתונים
תואר שני במקור לא הוכשרו לעסוק בשיחות חולין שוטפות או בשיחות משמעותיות יותר. במקום זאת, הם לומדים ליצור את האסימון הבא בכל שלב מסקנות, ובסופו של דבר מתקבל טקסט קוהרנטי. מטרה ברמה נמוכה זו שונה מהאתגר של שיחה אנושית. השיחה היא אינטואיטיבית להפליא עבור בני אדם, אבל היא הופכת מורכבת וניואנסית להפליא כאשר אתה רוצה ללמד מכונה לעשות זאת. לדוגמה, בואו נסתכל על הרעיון הבסיסי של כוונות. כאשר אנו משתמשים בשפה, אנו עושים זאת למטרה מסוימת, שהיא הכוונה התקשורתית שלנו - זה יכול להיות להעביר מידע, להתרועע, או לבקש ממישהו לעשות משהו. בעוד ששני הראשונים הם פשוטים למדי עבור LLM (כל עוד הוא ראה את המידע הנדרש בנתונים), האחרון כבר מאתגר יותר. לא רק שה-LLM צריך לשלב ולבנות את המידע הקשור בצורה קוהרנטית, אלא שהוא גם צריך להגדיר את הטון הרגשי הנכון מבחינת קריטריונים רכים כמו רשמיות, יצירתיות, הומור וכו'. זהו אתגר לעיצוב שיחה (השוו סעיף 5), השזורה באופן הדוק במשימת יצירת נתוני כוונון עדין.
ביצוע המעבר מיצירת שפה קלאסית לזיהוי והתגובה לכוונות תקשורתיות ספציפיות הוא צעד חשוב לקראת שימושיות וקבלה טובה יותר של מערכות שיחה. באשר לכל מאמצי הכוונון העדין, זה מתחיל בהידור של מערך נתונים מתאים.
נתוני הכוונון צריכים להתקרב ככל האפשר להתפלגות הנתונים בעולם האמיתי (העתיד). ראשית, זה צריך להיות נתוני שיחה (דיאלוג). שנית, אם העוזר הוירטואלי שלך יהיה מתמחה בתחום מסוים, עליך לנסות להרכיב נתוני כוונון עדין המשקפים את הידע הדרוש בתחום. שלישית, אם יש זרימות ובקשות אופייניות שיחזרו על עצמן לעתים קרובות באפליקציה שלך, כמו במקרה של תמיכת לקוחות, נסה לשלב דוגמאות מגוונות של אלה בנתוני ההדרכה שלך. הטבלה הבאה מציגה מדגם של נתוני כוונון עדין לשיחה מה- ערכת נתונים של שיחות 3K עבור ChatBot, אשר זמין בחינם ב- Kaggle:
יצירה ידנית של נתוני שיחה יכולה להפוך למשימה יקרה - מיקור המונים ושימוש ב-LLMs כדי לעזור לך לייצר נתונים הם שתי דרכים להתרחב. לאחר איסוף נתוני הדיאלוג, יש להעריך את השיחות ולהערות אותן. זה מאפשר לך להראות למודל שלך דוגמאות חיוביות ושליליות כאחד ולתת לו להרים את המאפיינים של השיחות "הנכונות". ההערכה יכולה להתרחש עם ציונים מוחלטים או דירוג של אפשרויות שונות ביניהן. הגישה האחרונה מובילה לנתוני כוונון מדויקים יותר מכיוון שבני אדם בדרך כלל טובים יותר בדירוג אפשרויות מרובות מאשר להעריך אותן במנותק.
עם הנתונים שלך במקום, אתה מוכן לכוונן את המודל שלך ולהעשיר אותו ביכולות נוספות. בסעיף הבא, נבחן כוונון עדין, שילוב מידע נוסף מהזיכרון וחיפוש סמנטי, וחיבור סוכנים למערכת השיחה שלך כדי להעצים אותה לבצע משימות ספציפיות.
3. הרכבת מערכת השיחה
מערכת שיחה טיפוסית בנויה עם סוכן שיחה שמתזמן ומתאם את הרכיבים והיכולות של המערכת, כגון ה-LLM, הזיכרון ומקורות נתונים חיצוניים. הפיתוח של מערכות בינה מלאכותית לשיחה הוא משימה ניסיונית ואמפירית ביותר, והמפתחים שלך יהיו בתנועה מתמדת הלוך ושוב בין אופטימיזציה של הנתונים שלך, שיפור אסטרטגיית הכוונון העדין, משחק עם רכיבים ושיפורים נוספים ובדיקת התוצאות. . גם חברי צוות לא טכניים, כולל מנהלי מוצר ומעצבי UX, יבחנו את המוצר באופן רציף. בהתבסס על פעילויות גילוי הלקוחות שלהם, הם נמצאים בעמדה מצוינת לצפות את סגנון השיחה והתוכן של משתמשים עתידיים וצריכים לתרום באופן פעיל את הידע הזה.
3.1 לימוד מיומנויות שיחה ללימודי התואר השני שלך
עבור כוונון עדין, אתה צריך את נתוני הכוונון שלך (ראה סעיף 2) ו- LLM מאומן מראש. לימודי תואר שני כבר יודעים הרבה על השפה והעולם, והאתגר שלנו הוא ללמד אותם את עקרונות השיחה. בכוונון עדין, פלטי היעד הם טקסטים, והמודל יתבצע אופטימיזציה ליצירת טקסטים הדומים ככל האפשר למטרות. עבור כוונון עדין מפוקח, תחילה עליך להגדיר בבירור את משימת ה-AI השיחתית שברצונך שהמודל יבצע, לאסוף את הנתונים ולהריץ ולחזור על תהליך הכוונון העדין.
עם ההייפ סביב LLMs, צצו מגוון שיטות כוונון עדין. לדוגמא מסורתית למדי של כוונון עדין לשיחה, אתה יכול לעיין בתיאור של מודל ה-LaMDA.[1] LaMDA כוונן בשני שלבים. ראשית, נעשה שימוש בנתוני דיאלוג כדי ללמד את המודל כישורי שיחה ("כיוונון עדין" "גנרטיבי"). לאחר מכן, התוויות המיוצרות על ידי נותנים במהלך הערכת הנתונים משמשות להכשרת מסווגים שיכולים להעריך את תפוקות המודל לפי תכונות רצויות, הכוללות היגיון, ספציפיות, מעניינות ובטיחות (כיוונון עדין "אבחנה"). מסווגים אלה משמשים לאחר מכן כדי לכוון את התנהגות המודל לעבר תכונות אלה.
בנוסף, מקורקעות עובדתית - היכולת לבסס את התפוקות שלהם במידע חיצוני אמין - היא תכונה חשובה של LLMs. כדי להבטיח ביסוס עובדתי ולמזער הזיות, LaMDA כוונן עדין עם מערך נתונים הכולל קריאות למערכת של אחזור מידע חיצוני בכל פעם שנדרש ידע חיצוני. כך, המודל למד קודם כל לשלוף מידע עובדתי בכל פעם שהמשתמש ערך שאילתה שדרשה ידע חדש.
טכניקת כוונון עדין פופולרית נוספת היא למידת חיזוק ממשוב אנושי (RLHF)[2]. RLHF "מפנה מחדש" את תהליך הלמידה של ה-LLM ממשימת החיזוי הפשוטה אך המלאכותית של הבא-אסימון לעבר לימוד העדפות אנושיות במצב תקשורתי נתון. העדפות אנושיות אלו מקודדות ישירות בנתוני האימון. במהלך תהליך ההערה, מוצגות לבני אדם הנחיות או שהם כותבים את התגובה הרצויה או מדרגים סדרה של תגובות קיימות. לאחר מכן, ההתנהגות של ה-LLM עוברת אופטימיזציה לשקף את ההעדפה האנושית.
3.2 הוספת נתונים חיצוניים וחיפוש סמנטי
מעבר להידור שיחות לכוונון עדין של המודל, אולי תרצה לשפר את המערכת שלך עם נתונים מיוחדים שניתן למנף אותם במהלך השיחה. לדוגמה, ייתכן שהמערכת שלך תזדקק לגישה לנתונים חיצוניים, כגון פטנטים או מאמרים מדעיים, או נתונים פנימיים, כגון פרופילי לקוחות או התיעוד הטכני שלך. זה נעשה בדרך כלל באמצעות חיפוש סמנטי (הידוע גם בשם Retrieval-Augmented Generation, או RAG)[3]. הנתונים הנוספים נשמרים במסד נתונים בצורה של הטמעות סמנטיות (ראה. את המאמר הזה להסבר על הטבעות והפניות נוספות). כאשר בקשת המשתמש נכנסת, היא מעובדת מראש והופכת להטמעה סמנטית. לאחר מכן, החיפוש הסמנטי מזהה את המסמכים הרלוונטיים ביותר לבקשה ומשתמש בהם כהקשר להנחיה. על ידי שילוב נתונים נוספים עם חיפוש סמנטי, אתה יכול להפחית הזיות ולספק תגובות שימושיות יותר, מבוססות עובדתיות. על ידי עדכון מתמיד של מסד הנתונים ההטמעה, אתה יכול גם לשמור על הידע והתגובות של המערכת שלך מעודכנים מבלי להפעיל כל הזמן את תהליך הכוונון העדין שלך.
3.3 זיכרון ומודעות להקשר
תאר לעצמך ללכת למסיבה ולפגוש את פיטר, עורך דין. אתה מתרגש ומתחיל להציע את הצ'אט בוט החוקי שאתה מתכנן לבנות כרגע. פיטר נראה מתעניין, רוכן אליך, אהממ ומהנהן. בשלב מסוים, אתה רוצה לדעתו אם הוא ירצה להשתמש באפליקציה שלך. במקום אמירה אינפורמטיבית שתפצה על רהיטותך, אתה שומע: "אהמ... מה האפליקציה הזו עושה שוב?"
חוזה התקשורת הבלתי כתוב בין בני אדם מניח שאנו מקשיבים לשותפי השיחה שלנו ובונים את הדיבור שלנו פועל על ההקשר שאנו יוצרים במשותף במהלך האינטראקציה. במסגרות חברתיות, הופעתה של הבנה משותפת זו מאפיינת שיחה פורה ומעשירה. במסגרות ארציות יותר כמו הזמנת שולחן במסעדה או קניית כרטיס רכבת, זה הכרחי מוחלט על מנת לבצע את המשימה ולספק את הערך המצופה למשתמש. זה מחייב את העוזר שלך לדעת את ההיסטוריה של השיחה הנוכחית, אבל גם של שיחות קודמות - למשל, זה לא צריך לבקש את השם ופרטים אישיים אחרים של משתמש שוב ושוב בכל פעם שהוא פותח שיחה.
אחד האתגרים בשמירה על מודעות להקשר הוא רזולוציית coreference, כלומר הבנה לאילו אובייקטים מתייחסים בכינויים. בני אדם משתמשים באופן אינטואיטיבי בהרבה רמזים הקשריים כשהם מפרשים שפה - לדוגמה, אתה יכול לשאול ילד צעיר, "בבקשה תוציא את הכדור הירוק מהקופסה האדומה והביא אותו אלי", והילד יידע שאתה מתכוון לכדור , לא הקופסה. עבור עוזרים וירטואליים, משימה זו יכולה להיות מאתגרת למדי, כפי שמודגם בדיאלוג הבא:
עוֹזֵר: תודה, אני אזמין את הטיסה שלך. האם גם אתם רוצים להזמין ארוחה לטיסה שלכם?
משתמש: אממ... אני יכול להחליט מאוחר יותר אם אני רוצה את זה?
עוֹזֵר: מצטערים, לא ניתן לשנות או לבטל טיסה זו מאוחר יותר.
כאן, העוזר לא מצליח לזהות את הכינוי it מהמשתמש מתייחס לא לטיסה, אלא לארוחה, ולכן מצריך איטרציה נוספת כדי לתקן את אי ההבנה הזו.
3.4 מעקות בטיחות נוספים
מדי פעם, אפילו ה-LLM הטוב ביותר יתנהג לא נכון ויזה. במקרים רבים, הזיות הן בעיות דיוק פשוטות - ובכן, אתה צריך לקבל שאף AI אינו מדויק ב-100%. בהשוואה למערכות בינה מלאכותיות אחרות, ה"מרחק" בין המשתמש ל-AI די קטן בין המשתמש ל-AI. בעיית דיוק פשוטה יכולה להפוך במהירות למשהו שנתפס כרעיל, מפלה או מזיק בדרך כלל. בנוסף, מכיוון שללמדי LLM אין הבנה מובנית של פרטיות, הם יכולים גם לחשוף נתונים רגישים כגון מידע אישי מזהה (PII). אתה יכול לפעול נגד התנהגויות אלה על ידי שימוש במעקות בטיחות נוספים. כלים כגון Guardrails AI, Rebuff, NeMo Guardrails ו-Microsoft Guidance מאפשרים לך להוריד את הסיכון של המערכת שלך על ידי ניסוח דרישות נוספות על יציאות LLM וחסימת פלטים לא רצויים.
ארכיטקטורות מרובות אפשריות ב-AI לשיחות. הסכמה הבאה מציגה דוגמה פשוטה לאופן שבו ניתן לשלב את ה-LLM, הנתונים החיצוניים והזיכרון המכוונים היטב על ידי סוכן שיחה, שאחראי גם על הבנייה המהירה ומעקות הבטיחות.
4. חווית משתמש ועיצוב שיחה
הקסם של ממשקי שיחה טמון בפשטות ובאחידות שלהם על פני יישומים שונים. אם עתיד ממשקי המשתמש הוא שכל האפליקציות נראות פחות או יותר אותו הדבר, האם תפקידו של מעצב ה-UX נידונה? בהחלט לא - שיחה היא אומנות שיש ללמד את ה-LLM שלך כך שהוא יכול לנהל שיחות מועילות, טבעיות ונוחות למשתמשים שלך. עיצוב שיחה טוב מתגלה כאשר אנו משלבים את הידע שלנו בפסיכולוגיה אנושית, בלשנות ועיצוב UX. בהמשך, נבחן תחילה שתי אפשרויות בסיסיות בעת בניית מערכת שיחה, כלומר האם תשתמש בקול ו/או בצ'אט, וכן את ההקשר הגדול יותר של המערכת שלך. לאחר מכן, נבחן את השיחות עצמן, ונראה כיצד תוכל לעצב את האישיות של העוזר שלך תוך כדי ללמד אותה לעסוק בשיחות מועילות ומשתפות פעולה.
4.1 קול מול צ'אט
ניתן ליישם ממשקי שיחה באמצעות צ'אט או קול. בקיצור, הקול מהיר יותר בעוד שצ'אט מאפשר למשתמשים להישאר פרטיים וליהנות מפונקציונליות ממשק משתמש מועשרת. בואו נצלול קצת יותר לעומק שתי האפשרויות שכן זו אחת ההחלטות הראשונות והחשובות שתעמוד בפניכם בעת בניית אפליקציית שיחה.
כדי לבחור בין שתי החלופות, התחל בהתחשב בהגדרה הפיזית שבה ישמש האפליקציה שלך. לדוגמה, מדוע כמעט כל מערכות השיחה במכוניות, כמו אלו שמציעה Nuance Communications, מבוססות על קול? כי ידיו של הנהג כבר תפוסות והם לא יכולים לעבור כל הזמן בין ההגה למקלדת. זה חל גם על פעילויות אחרות כמו בישול, שבהן המשתמשים רוצים להישאר בזרימת הפעילות שלהם בזמן השימוש באפליקציה שלך. מכוניות ומטבחים הם לרוב הגדרות פרטיות, כך שמשתמשים יכולים לחוות את השמחה שבאינטראקציה קולית מבלי לדאוג לפרטיות או להטריד אחרים. לעומת זאת, אם האפליקציה שלך מיועדת לשמש בסביבה ציבורית כמו משרד, ספרייה או תחנת רכבת, ייתכן שקול לא יהיה הבחירה הראשונה שלך.
לאחר הבנת המסגרת הפיזית, שקול את הצד הרגשי. ניתן להשתמש בקול בכוונה לשדר טון, מצב רוח ואישיות - האם זה מוסיף ערך בהקשר שלך? אם אתה בונה את האפליקציה שלך למטרות פנאי, הקול עשוי להגביר את גורם הכיף, בעוד שעוזר לבריאות הנפש יכול להכיל יותר אמפתיה ולאפשר למשתמש בעל קושי פוטנציאלי ביטוי גדול יותר. לעומת זאת, אם האפליקציה שלך תסייע למשתמשים בסביבה מקצועית כמו מסחר או שירות לקוחות, אינטראקציה אנונימית יותר, מבוססת טקסט, עשויה לתרום להחלטות אובייקטיביות יותר ולחסוך ממך את הטרחה של עיצוב חוויה רגשית מדי.
כשלב הבא, חשבו על הפונקציונליות. הממשק מבוסס הטקסט מאפשר לך להעשיר את השיחות עם מדיה אחרת כמו תמונות ואלמנטים גרפיים של ממשק משתמש כגון כפתורים. לדוגמה, בעוזר מסחר אלקטרוני, אפליקציה שמציעה מוצרים על ידי פרסום תמונות ותיאורים מובנים שלהם תהיה הרבה יותר ידידותית למשתמש מאשר אפליקציה שמתארת מוצרים באמצעות קול ועשויה לספק את המזהים שלהם.
לבסוף, בואו נדבר על אתגרי העיצוב והפיתוח הנוספים של בניית ממשק משתמש קולי:
- ישנו שלב נוסף של זיהוי דיבור המתרחש לפני שניתן לעבד קלט של משתמשים עם LLMs ועיבוד שפה טבעית (NLP).
- הקול הוא מדיום תקשורת אישי ורגשי יותר - לפיכך, הדרישות לעיצוב אישיות עקבית, מתאימה ומהנה מאחורי העוזר הוירטואלי שלך גבוהות יותר, ותצטרך לקחת בחשבון גורמים נוספים של "עיצוב קול" כגון גוון. , מתח, טון ומהירות דיבור.
- משתמשים מצפים שהשיחה הקולית שלך תתנהל באותה מהירות כמו שיחה אנושית. כדי להציע אינטראקציה טבעית באמצעות קול, אתה צריך זמן אחזור קצר בהרבה מאשר לצ'אט. בשיחות אנושיות, הפער הטיפוסי בין פניות הוא 200 מילישניות - התגובה המהירה הזו אפשרית מכיוון שאנו מתחילים לבנות את התורות שלנו תוך כדי הקשבה לדיבור של בן הזוג שלנו. העוזרת הקולית שלך תצטרך להתאים למידת השטף הזו באינטראקציה. לעומת זאת, עבור צ'אטבוטים, אתה מתחרה בטווחי זמן של שניות, וכמה מפתחים אפילו מציגים עיכוב נוסף כדי לגרום לשיחה להרגיש כמו צ'אט מודפס בין בני אדם.
- תקשורת באמצעות קול היא ארגון ליניארי וחד פעמי - אם המשתמש שלך לא קיבל את מה שאמרת, אתה צפוי ללולאת הבהרה מייגעת ונוטה לשגיאות. לפיכך, התורים שלך צריכים להיות תמציתיים, ברורים ואינפורמטיביים ככל האפשר.
אם אתה הולך על הפתרון הקולי, וודא שאתה לא רק מבין בבירור את היתרונות בהשוואה לצ'אט, אלא שיש לך גם את הכישורים והמשאבים להתמודד עם אתגרים נוספים אלה.
4.2 היכן יחיה הבינה המלאכותית שלך לשיחה?
כעת, הבה נבחן את ההקשר הרחב יותר שבו אתה יכול לשלב AI שיחה. כולנו מכירים את הצ'אטבוטים באתרי החברה - אותם ווידג'טים בצד ימין של המסך שלך שצצים כשאנחנו פותחים אתר של עסק. באופן אישי, לעתים קרובות יותר, התגובה האינטואיטיבית שלי היא לחפש את כפתור הסגור. למה? באמצעות ניסיונות ראשוניים "לשוחח" עם הבוטים הללו, למדתי שהם לא יכולים לעמוד בדרישות מידע ספציפיות יותר, ובסופו של דבר, אני עדיין צריך לסרוק את האתר. מוסר ההשכל של הסיפור? אל תבנה צ'אט בוט כי הוא מגניב וטרנדי - אלא, בנה אותו כי אתה בטוח שהוא יכול ליצור ערך נוסף עבור המשתמשים שלך.
מעבר לווידג'ט השנוי במחלוקת באתר של חברה, יש כמה הקשרים מרגשים לשילוב אותם צ'אטבוטים כלליים יותר שהתאפשרו עם LLMs:
- טייסי משנה: עוזרים אלה מנחים ומייעצים לך בתהליכים ומשימות ספציפיות, כמו GitHub CoPilot לתכנות. בדרך כלל, טייסי המשנה "קשורים" לאפליקציה ספציפית (או חבילה קטנה של יישומים קשורים).
- בני אדם סינתטיים (גם בני אדם דיגיטליים): היצורים הללו "מחקים" בני אדם אמיתיים בעולם הדיגיטלי. הם נראים, מתנהגים ומדברים כמו בני אדם ולכן זקוקים גם ליכולות שיחה עשירות. אנשים סינתטיים משמשים לעתים קרובות ביישומים סוחפים כגון משחקים ומציאות רבודה ווירטואלית.
- תאומים דיגיטליים: תאומים דיגיטליים הם "עותקים" דיגיטליים של תהליכים וחפצים בעולם האמיתי, כגון מפעלים, מכוניות או מנועים. הם משמשים כדי לדמות, לנתח ולייעל את העיצוב וההתנהגות של האובייקט האמיתי. אינטראקציות בשפה טבעית עם תאומים דיגיטליים מאפשרים גישה חלקה ורב-תכליתית יותר לנתונים ולדגמים.
- מאגרי מידע: כיום, נתונים זמינים בכל נושא, בין אם זה המלצות השקעה, קטעי קוד או חומרים חינוכיים. מה שקשה לעתים קרובות הוא למצוא את הנתונים המאוד ספציפיים שמשתמשים צריכים במצב ספציפי. ממשקים גרפיים למאגרי מידע הם גס מדי או מכוסים בווידג'טים של חיפוש וסינון אינסופיים. שפות שאילתות מגוונות כמו SQL ו-GraphQL נגישות רק למשתמשים בעלי הכישורים המתאימים. פתרונות שיחה מאפשרים למשתמשים לבצע שאילתות על הנתונים בשפה טבעית, בעוד שה-LLM שמעבד את הבקשות ממיר אותן אוטומטית לשפת השאילתה המתאימה (ראה. את המאמר הזה להסבר על Text2SQL).
4.3 הטבעת אישיות על העוזר שלך
כבני אדם, אנו מחווטים לאנתרופומורפיזציה, כלומר ליצור תכונות אנושיות נוספות כאשר אנו רואים משהו שדומה במעורפל לאדם. שפה היא אחת היכולות הייחודיות והמרתקות ביותר של האנושות, ומוצרי שיחה ישויכו אוטומטית לבני אדם. אנשים ידמיינו אדם מאחורי המסך או המכשיר שלהם - וזה נוהג טוב לא להשאיר את האדם הספציפי הזה להזדמנות של הדמיון של המשתמשים שלך, אלא להעניק לו אישיות עקבית המותאמת למוצר ולמותג שלך. תהליך זה נקרא "עיצוב פרסונה".
השלב הראשון של עיצוב פרסונה הוא הבנת תכונות האופי שהיית רוצה שהפרסונה שלך תציג. באופן אידיאלי, זה נעשה כבר ברמת נתוני האימון - לדוגמה, בעת שימוש ב-RLHF, אתה יכול לבקש מהמעריכים שלך לדרג את הנתונים לפי תכונות כמו מועילות, נימוס, כיף וכו', כדי להטות את המודל כלפי את המאפיינים הרצויים. ניתן להתאים את המאפיינים הללו לתכונות המותג שלך כדי ליצור תדמית עקבית שמקדמת את המיתוג שלך ללא הרף באמצעות חווית המוצר.
מעבר למאפיינים כלליים, כדאי לחשוב גם כיצד העוזר הוירטואלי שלכם יתמודד עם מצבים ספציפיים מעבר ל"דרך המאושרת". למשל, איך הוא יגיב לבקשות משתמשים שהן מעבר להיקפו, יענה לשאלות על עצמו ויתמודד עם שפה פוגענית או גסות?
חשוב לפתח קווים מנחים פנימיים מפורשים לגבי הפרסונה שלך, שיכולים לשמש כותבי נתונים ומעצבי שיחות. זה יאפשר לך לעצב את האישיות שלך בצורה תכליתית ולשמור אותה עקבית בכל הצוות שלך ולאורך זמן, שכן האפליקציה שלך עוברת איטרציות ושכלולים מרובים.
4.4 יצירת שיחות מועילות עם "עקרון שיתוף הפעולה"
האם אי פעם היה לך רושם לדבר אל קיר לבנים כשדיברת עם בן אדם? לפעמים, אנו מגלים ששותפי השיחה שלנו פשוט לא מעוניינים להוביל את השיחה להצלחה. למרבה המזל, ברוב המקרים, הדברים חלקים יותר, ובני אדם יפעלו באופן אינטואיטיבי לפי "עקרון שיתוף הפעולה" שהציג פילוסוף השפה פול גריס. על פי עיקרון זה, בני אדם המתקשרים בהצלחה אחד עם השני פועלים לפי ארבעה מיקודים, כלומר כמות, איכות, רלוונטיות ואופן.
מקסימום של כמות
מרב הכמות מבקש מהדובר להיות אינפורמטיבי ולתרום את תרומתו אינפורמטיבית כנדרש. בצד העוזר הוירטואלי, זה אומר גם להעביר את השיחה באופן אקטיבי קדימה. לדוגמה, שקול את הקטע הזה מאפליקציית אופנה למסחר אלקטרוני:
עוֹזֵר: איזה סוג של פריטי לבוש אתה מחפש?
משתמש: אני מחפשת שמלה בכתום.
עוזר: אל תעשה: מצטערים, אין לנו שמלות כתומות כרגע.
תעשה: סליחה, אין לנו שמלות בכתום, אבל יש לנו את השמלה הנהדרת והנוחה הזו בצהוב: …
המשתמש מקווה לעזוב את האפליקציה שלך עם פריט מתאים. הפסקת השיחה כי אין לך פריטים שיתאימו לתיאור המדויק קוטלת את האפשרות להצלחה. עם זאת, אם האפליקציה שלך מציעה הצעות לגבי פריטים חלופיים, היא תיראה מועילה יותר ותשאיר את האפשרות של אינטראקציה מוצלחת פתוחה.
במיוחד באינטראקציות קוליות, חשוב למצוא את האיזון הנכון בין אספקת כל המידע שהמשתמש עשוי להזדקק לו להצלחה תוך אי-הציף שלו במידע מיותר שעלול להעיב על האינטראקציה.
מקסימום של איכות
מרב האיכות מבקש מהדוברים להיות כנים ולא לומר דברים שהם מאמינים שהם שקריים או שאין להם הוכחות מספיקות לגביהם. יש כאן הרבה סובייקטיביות ואמונה אישית מעורבים - לפיכך, לא ניתן להקרין ישירות את המקסימום הזה על לימודי LLM. כפי שראינו, LLMs נוטים להזות, והסיכון הזה גבוה במיוחד כאשר השיחה גולשת לטריטוריות פחות מוכרות. ניתן להשתמש במעקות בטיחות נוספים על מנת למנוע אמירות מטעות ולהחזיר את השיחה למסלול.
מקסימום של רלוונטיות
עיקר הרלוונטיות מבקש מאיתנו להיות - ובכן, רלוונטיים. כתנאי מוקדם, העוזר הוירטואלי צריך להבין את כוונתו האמיתית של המשתמש. הנה דוגמה לעוזר של חברת תעופה שמפר את הכלל הזה:
משתמש: אני צריך טיסה מברלין לציריך מחר בבוקר.
עוֹזֵר: בסדר, מצאתי את הטיסות הבאות מברלין לציריך למחר בבוקר. טיסה BZ36294 יוצאת מברלין בשעה 6.30:8 ומגיעה לציריך בשעה 96294 בבוקר. טיסה BZ8 יוצאת מברלין בשעה 9.30 בבוקר ומגיעה בשעה 96294:8 בבוקר. טיסה BZ9.30 יוצאת מברלין בשעה 95614 בבוקר ומגיעה לציריך בשעה 11:12.30 בבוקר. טיסה BZ11.45 יוצאת מברלין בשעה 3:XNUMX ומגיעה לציריך בשעה XNUMX:XNUMX. ישנה גם אפשרות לטיסת המשך, ובמקרה כזה תצאו מברלין ב-XNUMX:XNUMX בבוקר ותגיעו לציריך ב-XNUMX:XNUMX.
משתמש: סליחה... האם תוכל לחזור על זה שוב?
העוזר מציף את המשתמש במידע מפורט שאולי לא רלוונטי. על ידי פירוק זה והנחיית המשתמש להגביל את מרחב החיפוש שלו, הדיאלוג הופך להרבה יותר קל לעיכול:
משתמש: אני צריך טיסה מברלין לציריך מחר בבוקר.
עוֹזֵר: אוקיי, מצאתי טיסות שיוצאות ב-6.30, 8 ו-11 בבוקר. באיזו שעה תרצה לעזוב?
משתמש: אני צריך להיות בציריך לפני 9 בבוקר.
עוֹזֵר: בסדר, אז אתה יכול לקחת את הטיסה BZ36294. הוא יוצא ב-6.30 ומגיע ב-8 בבוקר. כדאי לי לקנות את הכרטיס בשבילך?
משתמש: כן תודה.
מקסימום של אופן
לבסוף, עיקר האופן קובע כי פעולות הדיבור שלנו צריכות להיות ברורות, תמציתיות ומסודרות, תוך הימנעות מעמימות ומעורפל של ביטוי. העוזר הווירטואלי שלך צריך להימנע מז'רגון טכני או פנימי, ולהעדיף ניסוחים פשוטים ומובנים באופן אוניברסלי.
בעוד שהעקרונות של Grice תקפים עבור כל השיחות ללא תלות בתחום מסוים, LLMs שלא הוכשרו במיוחד לשיחה לרוב לא מצליחים למלא אותם. לפיכך, בעת חיבור נתוני האימון שלך, חשוב שיהיו מספיק דוגמאות דיאלוג שיאפשרו למודל שלך ללמוד את העקרונות הללו.
תחום עיצוב השיחה מתפתח די מהר. בין אם אתם כבר בונים מוצרי בינה מלאכותית או חושבים על מסלול הקריירה שלכם בבינה מלאכותית, אני ממליץ לכם לחפור עמוק יותר בנושא זה (השוו את ההקדמות המצוינות ב-[5] ו-[6]). כאשר בינה מלאכותית הופכת לסחורה, עיצוב טוב יחד עם אסטרטגיית נתונים ברת הגנה יהפכו לשני גורמים מבדילים חשובים למוצרי בינה מלאכותית.
<br> סיכום
בואו נסכם את הנקודות העיקריות מהמאמר. בנוסף, איור 5 מציע "גיליון רמאות" עם הנקודות העיקריות שתוכל להוריד כעיון.
- LLMs משפרים בינה מלאכותית לשיחות: מודלים של שפה גדולה (LLMs) שיפרו משמעותית את האיכות והמדרגיות של יישומי בינה מלאכותית לשיחה בתעשיות ובמקרי שימוש שונים.
- AI לשיחה יכול להוסיף ערך רב ליישומים עם הרבה בקשות משתמש דומות (למשל, שירות לקוחות) או שצריכים לגשת לכמות גדולה של נתונים לא מובנים (למשל ניהול ידע).
- נתונים: כוונון עדין של LLMs למשימות שיחה דורש נתוני שיחה באיכות גבוהה המשקפים מקרוב אינטראקציות בעולם האמיתי. מיקור המונים ונתונים שנוצרו על ידי LLM יכולים להיות משאבים יקרי ערך עבור קנה מידה של איסוף נתונים.
- חיבור המערכת יחד: פיתוח מערכות בינה מלאכותית לשיחה הוא תהליך איטרטיבי וניסיוני הכולל אופטימיזציה מתמדת של הנתונים, כוונון עדין של אסטרטגיות ושילוב רכיבים.
- לימוד מיומנויות שיחה ללימודי תואר שני: כוונון עדין של לימודי תואר שני כרוך באימון שלהם לזהות ולהגיב לכוונות ומצבים תקשורתיים ספציפיים.
- הוספת נתונים חיצוניים עם חיפוש סמנטי: שילוב מקורות נתונים חיצוניים ופנימיים באמצעות חיפוש סמנטי משפר את התגובות של ה-AI על ידי מתן מידע רלוונטי יותר מבחינה הקשרית.
- מודעות זיכרון והקשר: מערכות שיחה יעילות חייבות לשמור על מודעות להקשר, כולל מעקב אחר ההיסטוריה של השיחה הנוכחית ואינטראקציות בעבר, כדי לספק תגובות משמעותיות וקוהרנטיות.
- הגדרת מעקות בטיחות: כדי להבטיח התנהגות אחראית, מערכות בינה מלאכותית לשיחה צריכות להפעיל מעקות בטיחות כדי למנוע אי דיוקים, הזיות והפרת פרטיות.
- עיצוב פרסונה: עיצוב פרסונה עקבית עבור עוזר השיחה שלך חיוני ליצירת חווית משתמש מגובשת וממותגת. מאפייני פרסונה צריכים להתאים למאפייני המוצר והמותג שלך.
- קול לעומת צ'אט: הבחירה בין ממשקי קול וצ'אט תלויה בגורמים כמו הסביבה הפיזית, ההקשר הרגשי, הפונקציונליות ואתגרי העיצוב. קחו בחשבון את הגורמים האלה כשאתם מחליטים על הממשק עבור ה-AI השיחה שלכם.
- אינטגרציה בהקשרים שונים: ניתן לשלב בינה מלאכותית של שיחה בהקשרים שונים, כולל טייסי משנה, בני אדם סינתטיים, תאומים דיגיטליים ומסדי נתונים, לכל אחד מקרי שימוש ודרישות ספציפיות.
- שמירה על עקרון שיתוף הפעולה: שמירה על עקרונות הכמות, האיכות, הרלוונטיות והאופן בשיחות יכולה להפוך את האינטראקציות עם AI שיחתי למועיל יותר וידידותי יותר למשתמש.
הפניות
[1] הנג-צה חן ואח'. 2022. למד"א: לקראת דגמי דיאלוג בטוחים, מקורקעים ואיכותיים לכל דבר.
[2] OpenAI. 2022. ChatGPT: ייעול מודלים של שפה לדיאלוג. אוחזר ב-13 בינואר 2022.
[3] פטריק לואיס וחב'. 2020. דור מוגבר לאחזור למשימות NLP עתירות ידע.
[4] פול גריס. 1989. מחקרים בדרך המילים.
[5] קאתי פרל. 2016. עיצוב ממשקי משתמש קוליים.
[6] מיכאל כהן ואח'. 2004. עיצוב ממשק משתמש קולי.
הערה: כל התמונות הן של המחבר, למעט צוין אחרת.
מאמר זה פורסם במקור ב לקראת מדעי נתונים ופורסם מחדש ל- TOPBOTS באישור המחבר.
נהנים מהמאמר הזה? הירשם לעדכוני מחקר AI נוספים.
נודיע לך כשנפרסם מאמרים נוספים בנושא זה.
מוצרים מקושרים
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://www.topbots.com/redefining-conversational-ai-with-large-language-models/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 10
- 11
- 12
- 125
- 13
- 14
- 17
- 200
- 2016
- 2020
- 2022
- 30
- 32
- 35%
- 41
- 7
- 70
- 8
- 9
- a
- יכולות
- יכולת
- אודות
- מוּחלָט
- לְקַבֵּל
- קבלה
- גישה
- נצפה
- נגיש
- להתאים
- להשיג
- פי
- חֶשְׁבּוֹן
- לצבור
- דיוק
- מדויק
- לרוחב
- לפעול
- באופן פעיל
- פעילויות
- פעילות
- מעשים
- למעשה
- להוסיף
- מוסיף
- נוסף
- מידע נוסף
- בנוסף
- כתובת
- אימוץ
- התקדמות
- יתרון
- יתרונות
- לייעץ
- לאחר
- שוב
- נגד
- סוֹכֵן
- סוכנים
- לִפנֵי
- AI
- ai מחקר
- מערכות AI
- חברת תעופה
- AL
- ליישר
- מיושר
- תעשיות
- להתיר
- מאפשר
- כמעט
- לאורך
- כְּבָר
- גם
- חלופה
- חלופות
- am
- דו משמעות
- בין
- an
- לנתח
- ו
- אנונימי
- אחר
- לצפות
- כל
- האפליקציה
- לְהוֹפִיעַ
- בקשה
- יישומים
- חל
- גישה
- מתאים
- אפליקציות
- ARE
- אזורים
- סביב
- מגיע
- אמנות
- מאמר
- מאמרים
- מלאכותי
- AS
- לשאול
- לשאול
- לְהַעֲרִיך
- מוֹעֳרָך
- הערכה
- נכס
- לעזור
- עוזר
- עוזרים
- המשויך
- At
- ניסיונות
- תשומת לב
- תכונות
- לְהַגדִיל
- מוגבר
- מחבר
- באופן אוטומטי
- זמין
- לְהִמָנַע
- הימנעות
- מודעות
- רָחוֹק
- בחזרה
- בחזרה למסלול
- איזון
- כדור
- בסיס
- מבוסס
- בסיסי
- BE
- כי
- להיות
- הופך להיות
- היה
- לפני
- התנהגות
- התנהגויות
- מאחור
- להיות
- אמונה
- תאמינו
- אָהוּב
- תועלת
- ברלין
- הטוב ביותר
- שיטות עבודה מומלצות
- מוטב
- בֵּין
- מעבר
- הטיה
- קצת
- חסימה
- ספר
- שניהם
- בוטים
- אריזה מקורית
- מותג
- ממותגים
- מיתוג
- פרות
- שבירה
- להביא
- רחב
- מובא
- לִבנוֹת
- בִּניָן
- נבנה
- עסקים
- עסוק
- אבל
- לַחְצָן
- לִקְנוֹת
- קנייה
- by
- נקרא
- שיחות
- הגיע
- CAN
- לא יכול
- יכולות
- קריירה
- מכוניות
- מקרה
- מקרים
- קאתי
- מרכז
- לאתגר
- האתגרים
- אתגר
- סיכוי
- השתנה
- ערוץ
- אופי
- מאפיינים
- מאפיין
- chatbot
- chatbots
- ChatGPT
- חן
- ילד
- בחירה
- בחירות
- בחירה
- ברור
- בבירור
- סְגוֹר
- מקרוב
- ביגוד
- ענן
- קוד
- כהן
- קוהרנטי
- מגובש
- שיתוף פעולה
- אוסף
- לשלב
- איך
- מגיע
- נוח
- מצרך
- להעביר
- תקשורת
- תקשורת
- חברות
- חברה
- לעומת
- להתחרות
- מורכב
- רְכִיב
- רכיבים
- קונצרט
- תמציתית
- לנהל
- מחובר
- מקשר
- חיבורי
- לשקול
- בהתחשב
- עִקבִי
- קבוע
- תמיד
- בנייה
- בניה
- צור קשר
- תוכן
- הקשר
- הקשרים
- קשר
- ברציפות
- חוזה
- לעומת זאת
- לתרום
- תורם
- תרומה
- שנוי במחלוקת
- שיחה
- שיחה
- AI שיחה
- שיחות
- קריר
- שיתוף פעולה
- קואופרטיב
- ליבה
- תוֹאֵם
- יכול
- זוג
- קורס
- מכוסה
- לִיצוֹר
- יוצרים
- יצירתיות
- יצורים
- מְהֵימָן
- הקריטריונים
- crowdsourcing
- נוֹכְחִי
- כיום
- זונה
- לקוח
- שירות לקוחות
- שירות לקוחות
- לקוחות
- נתונים
- אסטרטגיית נתונים
- מסד נתונים
- מאגרי מידע
- מת
- עסקה
- עשרות שנים
- להחליט
- מחליטים
- החלטות
- עמוק יותר
- לְהַגדִיר
- בהחלט
- תואר
- עיכוב
- תלוי
- תיאור
- עיצוב
- מְעַצֵב
- מעצבים
- תכנון
- רצוי
- מְפוֹרָט
- פרטים
- לפתח
- מפותח
- מפתחים
- מתפתח
- צעצועי התפתחות
- מכשיר
- התקנים
- דיאלוג
- דיאלוג
- אחר
- גורם מבדל
- קשה
- לחפור
- תקציר
- דיגיטלי
- תאומים דיגיטליים
- הדיגיטלי שלך
- ישירות
- תגלית
- לְהַצִיג
- הפצה
- צלילה
- do
- תיעוד
- מסמכים
- עושה
- כֶּלֶב
- עושה
- תחום
- עשה
- לא
- אבוד
- להורדה
- נהג
- ראוי
- בְּמַהֲלָך
- e
- מסחר אלקטרוני
- E&T
- כל אחד
- קל יותר
- חינוך
- אפקטיבי
- יְעִילוּת
- יעיל
- או
- אלמנטים
- הטבעה
- יצא
- הִתהַוּוּת
- מתגלה
- אמפתיה
- עובדים
- להסמיך
- מה שמאפשר
- לעודד
- סוף
- מאמצים
- אין סופי
- לעסוק
- מנועים
- להגביר את
- שיפורים
- משפר
- מהנה
- מספיק
- להעשיר
- מועשר
- מעשיר
- לְהַבטִיחַ
- מִפְעָל
- במיוחד
- חיוני
- וכו '
- הערכה
- אֲפִילוּ
- בסופו של דבר
- אי פעם
- עדות
- בדיוק
- דוגמה
- דוגמאות
- מצוין
- אלא
- עודף
- נרגש
- מרגש
- לבצע
- קיימים
- לצפות
- צפוי
- יקר
- ניסיון
- ניסיוני
- להסביר
- הסבר
- ביטוי
- חיצוני
- פָּנִים
- גורם
- מפעלים
- גורמים
- FAIL
- נכשל
- כשלון
- פולס
- שקר
- מוכר
- מקסים
- אופנה
- מהר יותר
- מָשׁוֹב
- להרגיש
- תרשים
- לסנן
- לְסַכֵּם
- ראשון
- מתאים
- לסדר
- טיסה
- טיסות
- תזרים
- זורם
- זורם
- להתמקד
- לעקוב
- בעקבות
- הבא
- בעד
- טופס
- רִשְׁמִי
- ניסוח
- למרבה המזל
- קדימה
- מצא
- ארבע
- תכוף
- בתדירות גבוהה
- החל מ-
- חזית
- מתסכל
- הגשמה
- כֵּיף
- פונקציונלי
- יסודי
- נוסף
- עתיד
- המשחקים
- פער
- ללקט
- כללי
- בדרך כלל
- ליצור
- דור
- לקבל
- GitHub
- נתן
- Go
- Goes
- הולך
- טוב
- גדול
- ירוק
- קרקע
- הדרכה
- מדריך
- הנחיות
- היה
- ידיים
- לקרות
- קורה
- קשה
- מזיק
- יש
- he
- בְּרִיאוּת
- לִשְׁמוֹעַ
- לעזור
- מועיל
- לה
- כאן
- מוּסתָר
- גָבוֹהַ
- באיכות גבוהה
- גבוה יותר
- מאוד
- שֶׁלוֹ
- היסטוריה
- מכה
- הוליסטית
- לקוות
- מקווה
- חַם
- איך
- אולם
- HTML
- http
- HTTPS
- עצום
- בן אנוש
- בני אדם
- הומור
- התלהבות
- i
- באופן אידיאלי
- מזהים
- מזהה
- if
- מדגים
- תמונה
- תמונות
- דמיון
- תמונה
- immersive
- יושם
- חשוב
- משופר
- שיפור
- in
- מעמיק
- לכלול
- כולל
- בע"מ
- להגדיל
- בצורה מדהימה
- באופן עצמאי
- בנפרד
- תעשיות
- לגרום
- מידע
- אִינפוֹרמָטִיבִי
- הטמון
- בתחילה
- ליזום
- תשומות
- במקום
- לשלב
- משולב
- שילוב
- השתלבות
- כוונה
- בכוונה
- אינטראקציה
- אינטראקציה
- יחסי גומלין
- אינטראקטיבי
- מערכות תגובה קוליות אינטראקטיביות
- מעוניין
- מִמְשָׁק
- ממשקים
- פנימי
- שזורים
- אל תוך
- מבוא
- הציג
- מבוא
- היכרות
- אינטואיטיבי
- השקעה
- המלצות השקעה
- מעורב
- מעורב
- בדידות
- סוגיה
- בעיות
- IT
- פריטים
- איטרציה
- איטרציות
- שֶׁלָה
- עצמו
- IVRs
- יָנוּאָר
- בז'רגון
- עבודה
- משותף
- jpg
- רק
- שמור
- מפתח
- מילות מפתח
- סוג
- לדעת
- ידע
- ניהול ידע
- ידוע
- תוויות
- חוסר
- שפה
- שפות
- גָדוֹל
- בקנה מידה גדול
- גדול יותר
- חֶבִיוֹן
- מאוחר יותר
- עורך דין
- מוביל
- מוביל
- לִלמוֹד
- למד
- למידה
- יציאה
- עזיבה
- מוֹרֶשֶׁת
- משפטי
- לְהַלווֹת
- פחות
- לתת
- רמה
- רמות
- תנופה
- ממונפות
- מינוף
- לואיס
- סִפְרִיָה
- שקרים
- כמו
- להגביל
- מוגבל
- האזנה
- לחיות
- LLM
- הגיון
- ארוך
- נראה
- הסתכלות
- נראה
- אבדות
- מגרש
- הרבה
- מכונה
- עשוי
- דיוור
- ראשי
- לתחזק
- שמירה
- גדול
- לעשות
- עושה
- עשייה
- הצליח
- ניהול
- מנהלים
- דרך
- רב
- שוק
- אפשרויות שוק
- להתאים
- מתאים
- חוֹמֶר
- חומרים
- max-width
- אמרה
- me
- אומר
- משמעותי
- אומר
- מדיה
- בינוני
- מפגש
- להרשם/להתחבר
- זכרון
- נפשי
- בריאות נפש
- שיטות
- מיכאל
- מיקרוסופט
- יכול
- מילי שניות
- מְמוּקָשׁ
- מַטעֶה
- אי הבנה
- מודל
- מודלים
- מודרני
- רֶגַע
- חודשים
- מוסרי
- יותר
- יותר יעיל
- בוקר
- רוב
- בעיקר
- נע
- הרבה
- מספר
- המון
- צריך
- my
- עצמי
- שם
- כלומר
- טבעי
- עיבוד שפה טבעית
- הכרחי
- הכרח
- צורך
- נחוץ
- צרכי
- שלילי
- לעולם לא
- חדש
- אפליקציה חדשה
- הבא
- NLP
- לא
- לא טכני
- ללא חתימה
- בדרך כלל
- ציין
- רעיון
- עַכשָׁיו
- ניואנס
- מספר
- רב
- קמצוץ
- אובייקט
- מטרה
- אובייקטים
- of
- כבוי
- הַצָעָה
- מוצע
- המיוחדות שלנו
- Office
- לעתים קרובות
- on
- פעם
- ONE
- רק
- עַל גַבֵּי
- לפתוח
- OpenAI
- פועל
- תפעול
- דעה
- הזדמנויות
- הזדמנות
- אופטימיזציה
- מטב
- אופטימיזציה
- מיטוב
- אפשרות
- אפשרויות
- or
- כָּתוֹם
- להזמין
- בְּמָקוֹר
- אחר
- אחרים
- אַחֶרֶת
- שלנו
- הַחוּצָה
- פלטים
- בחוץ
- יותר
- מכריע
- שֶׁלוֹ
- עמוד
- ניירות
- פרדיגמה
- שותפים
- צד
- עבר
- עבר
- פטנטים
- נתיב
- סבלנות
- פטריק
- דפוסי
- פול
- אֲנָשִׁים
- עבור
- נתפס
- לְבַצֵעַ
- רשות
- אדם
- אישי
- אישיות
- אישית
- פיטר
- גופני
- לבחור
- תמונות
- התנדנדות
- מקום
- מישור
- תכנון
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- נקודה
- נקודות
- עני
- פופ
- פופולרי
- עמדה
- חיובי
- אפשרות
- אפשרי
- פוטנציאל
- פוטנציאל
- תרגול
- פרקטיקות
- נבואה
- העדפות
- מוצג
- למנוע
- עקרון
- עקרונות
- פְּרָטִיוּת
- פְּרָטִי
- להמשיך
- תהליך
- מעובד
- תהליכים
- תהליך
- מיוצר
- המוצר
- מוצרים
- מקצועי
- פרופילים
- תכנות
- מוקרן
- בולט
- מקדם
- פרוטוקול
- לספק
- מספק
- מתן
- פסיכולוגיה
- ציבורי
- לאור
- מטרה
- דחוף
- דוחף
- איכות
- כמות
- שאילתות
- שאלות
- מהירות
- לדרג
- דירוג
- במקום
- תגובה
- מוכן
- ממשי
- עולם אמיתי
- מציאות
- הכרה
- להכיר
- זיהוי
- המלצות
- חוזר
- Red
- הגדרה מחודשת
- להפחית
- להתייחס
- הפניה
- אזכור
- מכונה
- מתייחס
- לשקף
- משקף
- קָשׁוּר
- לשחרר
- הרלוונטיות
- רלוונטי
- הסתמכות
- להשאר
- לחזור על
- החליף
- תשובה
- לבקש
- בקשות
- נדרש
- דרישות
- דורש
- מחקר
- דומה
- החלטה
- משאבים
- להגיב
- להגיב
- תגובה
- תגובות
- אחראי
- מסעדה
- וכתוצאה מכך
- תוצאות
- לגלות
- עשיר
- תקין
- הסיכון
- כלל
- כללי
- הפעלה
- בטוח
- בְּטִיחוּת
- אמר
- אותו
- שביעות רצון
- הציל
- לומר
- בקרת מערכות ותקשורת
- סולם
- דרוג
- מדעי
- היקף
- מסך
- חיפוש
- שְׁנִיָה
- שניות
- סעיף
- לִרְאוֹת
- לראות
- רגיש
- סדרה
- שרות
- סט
- הצבה
- הגדרות
- כמה
- צריך
- לְהַצִיג
- הראה
- הופעות
- צד
- סִימָן
- באופן משמעותי
- דומה
- פָּשׁוּט
- פשטות
- since
- ישיבה
- מצב
- מצבים
- מיומנויות
- קטן
- חלק יותר
- קטע
- So
- חֶברָתִי
- להתרועע
- רך
- נמכרים
- פִּתָרוֹן
- פתרונות
- כמה
- מישהו
- משהו
- לפעמים
- בקרוב
- מקורות
- מֶרחָב
- משתרע
- לדבר
- רַמקוֹל
- רמקולים
- מדבר
- מיוחד
- ספציפי
- במיוחד
- ספֵּצִיפִיוּת
- נאום
- זיהוי דיבור
- מְהִירוּת
- התחלה
- החל
- התחלות
- הצהרה
- הצהרות
- הברית
- תחנה
- סטטיסטי
- להשאר
- להטות
- היגוי
- שלב
- צעדים
- עוד
- סְתִימָה
- מאוחסן
- סיפור
- פשוט
- אסטרטגיות
- אִסטרָטֶגִיָה
- לייעל
- לחץ
- מִבְנֶה
- מובנה
- מחקרים
- סגנון
- ניכר
- הצלחה
- מוצלח
- בהצלחה
- כזה
- מציע
- מַתְאִים
- מערכת
- לסכם
- סיכום
- תמיכה
- בטוח
- Swing
- מתג
- סמלי
- תחביר
- סינטטי
- מערכת
- מערכות
- שולחן
- לקחת
- Takeaways
- לדבר
- מדבר
- ברזים
- יעד
- מטרות
- המשימות
- משימות
- לימד
- הוראה
- נבחרת
- חברי צוות
- טכני
- טכניקה
- טכנולוגיה
- בריאות
- מונחים
- שטחים
- בדיקות
- טֶקסט
- מֵאֲשֶׁר
- תודה
- זֶה
- השמיים
- העתיד
- המידע
- העולם
- שֶׁלָהֶם
- אותם
- עצמם
- אז
- שם.
- אלה
- הֵם
- דברים
- לחשוב
- חושב
- שְׁלִישִׁי
- זֶה
- אלה
- שְׁלוֹשָׁה
- דרך
- כָּך
- כרטיס
- כרטיסים
- זמן
- פִּי
- ל
- יַחַד
- אסימון
- מחר
- צליל
- גַם
- כלים
- עליון
- נושא
- לקראת
- לקראת
- לעקוב
- מעקב
- מסחר
- מסורתי
- רכבת
- מְאוּמָן
- הדרכה
- לשנות
- טרנספורמציה
- מַעֲבָר
- מעברים
- לְהַעֲבִיר
- מופעל
- נָכוֹן
- לנסות
- תור
- פנייה
- פונה
- תְאוּמִים
- שתיים
- טיפוסי
- ui
- עוברת
- להבין
- מובן
- הבנה
- ייחודי
- אוניברסלי
- באופן אוניברסלי
- מְיוּתָר
- עדכן
- עדכונים
- עדכון
- us
- שמישות
- להשתמש
- מְשׁוּמָשׁ
- משתמש
- חוויית משתמש
- ממשק משתמש
- עיצוב ממשק משתמש
- ידידותי למשתמש
- משתמשים
- שימושים
- באמצעות
- ux
- עיצוב UX
- מעצב ux
- מעצבי ux
- תקף
- בעל ערך
- ערך
- מגוון
- שונים
- רב צדדי
- נגד
- מאוד
- באמצעות
- קרבן
- וירטואלי
- עוזר וירטואלי
- מציאות וירטואלית
- קול
- vs
- וולגרי
- W3
- קיר
- רוצה
- רוצה
- היה
- גלים
- דֶרֶך..
- דרכים
- we
- עושר
- אתר
- אתרים
- טוֹב
- היו
- מה
- מה
- גַלגַל
- מתי
- בכל פעם
- אם
- אשר
- בזמן
- מי
- למה
- יצטרך
- חלונות
- עם
- לְלֹא
- מילים
- תיק עבודות
- עובדים
- עוֹלָם
- לדאוג
- היה
- לכתוב
- שנה
- שנים
- אתה
- צעיר
- זפירנט
- ציריך