情報源: rawpixel.com
会話型 AI は、多くの業界やユースケースにわたる拡張性により、多くの話題と注目を引き起こしている LLM のアプリケーションです。 会話型システムは何十年も前から存在していますが、LLM は大規模な導入に必要な品質の向上をもたらしてきました。 この記事では、図 1 に示すメンタル モデルを使用して、会話型 AI アプリケーションを詳しく分析します (cf. 総合的なメンタルモデルを使用した AI 製品の構築 メンタルモデルの紹介については)。 会話型 AI システムの市場機会とビジネス価値を考慮した後、会話を可能にするだけでなく有用なものにするために設定する必要があるデータ、LLM 微調整、会話設計の観点から追加の「仕組み」について説明します。そして楽しい。
1. 機会、価値、限界
従来の UX デザインは、スワイプ、タップ、クリックなどの多数の人為的な UX 要素を中心に構築されており、新しいアプリごとに学習曲線が必要です。 会話型 AI を使用すると、この忙しさを解消し、さまざまなアプリ、ウィンドウ、デバイス間の移行を忘れることができる、自然に流れる会話のエレガントな体験に置き換えることができます。 私たちは言語、つまり普遍的で使い慣れた通信プロトコルを使用して、さまざまな仮想アシスタント (VA) と対話し、タスクを実行します。
会話型 UI は、必ずしも新しい注目の要素というわけではありません。 自動音声応答システム (IVR) とチャットボットは 1990 年代から存在しており、NLP の大きな進歩の直後に、音声およびチャット インターフェイスに対する期待と開発の波が押し寄せてきました。 ただし、LLM が登場する前は、ほとんどのシステムはルール、キーワード、会話パターンに依存する記号パラダイムで実装されていました。 また、それらは「能力」という事前に定義された特定の領域に限定されており、ユーザーがこれらの範囲外に挑戦しようとすると、すぐに行き詰まってしまいます。 全体として、これらのシステムは潜在的な障害点を備えてマイニングされており、何度かイライラする試みを行った後、多くのユーザーはそれらのシステムに戻ることはありませんでした。 次の図はダイアログの例を示しています。 特定のコンサートのチケットを注文したいユーザーは、詳細な問い合わせフローを辛抱強く通過しますが、最終的にそのコンサートが売り切れであることがわかります。
LLM は実現テクノロジーとして、会話型インターフェイスの品質とユーザー満足度を新たなレベルに引き上げることができます。 会話システムは、より広範な世界の知識、言語能力、会話能力を表示できるようになりました。 事前トレーニングされたモデルを活用することで、ルール、キーワード、対話フローをコンパイルするという面倒な作業が LLM の統計知識に置き換えられるため、はるかに短い期間で開発することもできます。 会話型 AI が大規模な価値を提供できる XNUMX つの著名なアプリケーションを見てみましょう。
- 顧客サポート さらに一般的には、同様のリクエストを頻繁に行う多数のユーザーによって使用されるアプリケーションです。 ここで、カスタマー サポートを提供する企業はユーザーよりも明らかに情報上の優位性を持っており、これを活用してより直観的で楽しいユーザー エクスペリエンスを生み出すことができます。 フライトを再予約する場合を考えてみましょう。 かなり頻繁に飛行機に乗る私にとって、このようなことは年に 1 ~ 2 回起こります。 その間に、特定の航空会社のユーザー インターフェイスについては言うまでもなく、プロセスの詳細を忘れがちです。 対照的に、航空会社のカスタマー サポートでは、予約変更リクエストが業務の最前線で中心に据えられています。 複雑なグラフィカル インターフェイスを介して再予約プロセスを公開する代わりに、そのロジックをサポートに連絡する顧客から「隠す」ことができ、顧客は再予約を行うための自然なチャネルとして言語を使用できます。 もちろん、あまり馴染みのないリクエストの「ロングテール」は依然として残ります。 たとえば、ビジネス顧客が、予約したフライトに超過手荷物として最愛の犬を追加するよう強いられる自然な気分の変動を想像してください。 これらのより個別のリクエストは、人間のエージェントに渡すことも、仮想アシスタントに接続された内部ナレッジ管理システムを介して処理することもできます。
- 知財管理 それは大量のデータに基づいています。 現代の多くの企業にとって、長年にわたる運営、反復、学習を通じて蓄積された社内知識は、効率的な方法で保存、管理、アクセスできれば中核となる資産であり、差別化要因となります。 コラボレーション ツール、社内 Wiki、ナレッジ ベースなどに隠された大量のデータを利用しているため、多くの場合、それを実用的な知識に変換できません。 従業員が退職し、新しい従業員が入社し、XNUMX か月前に開始したドキュメント ページを完成させるまでに至らないと、貴重な知識がエントロピーの犠牲になります。 内部データの迷路を抜け出し、特定のビジネス状況で必要な情報を入手することはますます困難になっています。 これは、知識労働者の効率の大幅な損失につながります。 この問題に対処するために、内部データ ソースのセマンティック検索を使用して LLM を強化できます。 LLM を使用すると、複雑な形式的なクエリの代わりに自然言語の質問を使用して、このデータベースに対して質問を行うことができます。 したがって、ユーザーはナレッジ ベースの構造や SQL などのクエリ言語の構文ではなく、自分の情報ニーズに集中できます。 これらのシステムはテキストベースであるため、豊富なセマンティック空間でデータを操作し、「内部で」意味のある接続を確立します。
これらの主要なアプリケーション分野以外にも、遠隔医療、メンタルヘルス アシスタント、教育用チャットボットなど、UX を合理化し、より迅速かつ効率的な方法でユーザーに価値をもたらすアプリケーションが数多くあります。
この詳細な教育コンテンツが役立つ場合は、次のことができます。 AIリサーチメーリングリストに登録する 新しい素材がリリースされたときに警告が表示されます。
2。 データ
LLM は元々、流暢な雑談やより本質的な会話を行うように訓練されていません。 むしろ、各推論ステップで次のトークンを生成する方法を学習し、最終的には一貫したテキストが得られます。 この低レベルの目標は、人間の会話の課題とは異なります。 人間にとって会話は信じられないほど直感的ですが、機械に会話を教える場合は非常に複雑で微妙なものになります。 たとえば、インテントの基本的な概念を見てみましょう。 私たちが言語を使用するとき、それはコミュニケーションの意図である特定の目的のために使用されます。それは、情報を伝えたり、交流したり、誰かに何かを依頼したりすることなどです。 最初の 5 つは LLM にとってかなり単純ですが (データ内の必要な情報を認識している限り)、後者はすでにより困難です。 LLM は、関連する情報を一貫した方法で組み合わせて構造化する必要があるだけでなく、形式、創造性、ユーモアなどのソフト基準の観点から適切な感情のトーンを設定する必要もあります。これは会話デザインの課題です。 (セクション XNUMX を参照)、これは微調整データを作成するタスクと密接に絡み合っています。
古典的な言語の生成から、特定のコミュニケーションの意図を認識して応答するように移行することは、会話システムの使いやすさと受け入れを向上させるための重要なステップです。 すべての微調整作業と同様に、これは適切なデータセットのコンパイルから始まります。
微調整データは、(将来の) 現実世界のデータ分布に可能な限り近づける必要があります。 まず、会話(対話)データである必要があります。 次に、仮想アシスタントが特定のドメインに特化する場合は、必要なドメインの知識を反映する微調整データを収集するように努める必要があります。 XNUMX 番目に、カスタマー サポートの場合のように、アプリケーション内で頻繁に繰り返される典型的なフローやリクエストがある場合は、これらのさまざまな例をトレーニング データに組み込むようにしてください。 次の表は、 ChatBot 用の 3K 会話データセット、Kaggle で無料で入手できます。
会話データを手動で作成すると、費用がかかる作業になる可能性があります。スケールアップするには、クラウドソーシングとデータ生成を支援する LLM の使用が XNUMX つの方法です。 対話データが収集されたら、会話を評価して注釈を付ける必要があります。 これにより、モデルに肯定的な例と否定的な例の両方を示し、「正しい」会話の特徴を拾えるようにモデルを誘導することができます。 評価は、絶対スコアまたは相互間のさまざまなオプションのランキングのいずれかを使用して実行できます。 後者のアプローチは、より正確なデータの微調整につながります。これは、人間は通常、複数の選択肢を個別に評価するよりも、複数の選択肢をランク付けする方が優れているためです。
データを適切に配置すると、モデルを微調整し、追加機能でモデルを強化する準備が整います。 次のセクションでは、微調整、メモリとセマンティック検索からの追加情報の統合、エージェントを会話システムに接続して特定のタスクを実行できるようにする方法について説明します。
3. 会話システムの組み立て
一般的な会話システムは、LLM、メモリ、外部データ ソースなどのシステムのコンポーネントと機能を調整および調整する会話エージェントを使用して構築されます。 会話型 AI システムの開発は非常に実験的かつ経験的なタスクであり、開発者はデータの最適化、微調整戦略の改善、追加コンポーネントや機能拡張の試行、結果のテストの間を常に行ったり来たりすることになります。 。 プロダクト マネージャーや UX デザイナーなど、技術者以外のチーム メンバーも継続的に製品をテストします。 顧客発見活動に基づいて、彼らは将来のユーザーの会話スタイルと内容を予測できる優れた立場にあり、この知識を積極的に提供する必要があります。
3.1 LLM に会話スキルを教える
微調整には、微調整データ (セクション 2 を参照) と事前トレーニングされた LLM が必要です。 LLM はすでに言語と世界について多くの知識を持っており、私たちの課題は彼らに会話の原則を教えることです。 微調整では、ターゲット出力はテキストであり、モデルはターゲットにできるだけ類似したテキストを生成するように最適化されます。 教師あり微調整では、まずモデルに実行させる会話型 AI タスクを明確に定義し、データを収集し、微調整プロセスを実行して反復する必要があります。
LLM の誇大宣伝に伴い、さまざまな微調整方法が登場しました。 会話を微調整するかなり伝統的な例については、LaMDA モデルの説明を参照してください。[1] LaMDA は XNUMX つのステップで微調整されました。 まず、対話データを使用してモデルの会話スキルを指導します (「生成的」微調整)。 次に、データの評価中にアノテーターによって生成されたラベルを使用して、合理性、特異性、面白さ、安全性などの必要な属性に沿ってモデルの出力を評価できる分類器をトレーニングします (「識別」微調整)。 これらの分類子は、モデルの動作をこれらの属性に向けて制御するために使用されます。
さらに、事実に基づくこと、つまり出力を信頼できる外部情報に基づいて行う能力は、LLM の重要な属性です。 事実に基づく根拠を確保し、幻覚を最小限に抑えるために、LaMDA は、外部の知識が必要な場合には常に外部情報検索システムを呼び出すデータセットを使用して微調整されました。 したがって、モデルは、ユーザーが新しい知識を必要とするクエリを行うたびに、最初に事実の情報を取得することを学習しました。
もう 2 つの一般的な微調整手法は、ヒューマン フィードバックからの強化学習 (RLHF)[XNUMX]です。 RLHF は、LLM の学習プロセスを、単純だが人為的なネクスト トークン予測タスクから、特定のコミュニケーション状況における人間の好みの学習へと「リダイレクト」します。 これらの人間の好みはトレーニング データに直接エンコードされます。 アノテーションのプロセス中、人間はプロンプトを提示され、必要な応答を書くか、一連の既存の応答をランク付けします。 LLM の動作は、人間の好みを反映するように最適化されます。
3.2 外部データとセマンティック検索の追加
モデルを微調整するために会話をコンパイルするだけでなく、会話中に活用できる特殊なデータを使用してシステムを強化することもできます。 たとえば、システムは、特許や科学論文などの外部データ、または顧客プロファイルや技術文書などの内部データにアクセスする必要がある場合があります。 これは通常、セマンティック検索 (検索拡張生成、または RAG とも呼ばれます) を介して行われます [3]。 追加データは、セマンティック埋め込みの形式でデータベースに保存されます (cf. この記事 埋め込みとその他の参考資料の説明については、を参照してください)。 ユーザーリクエストが受信されると、前処理されてセマンティック埋め込みに変換されます。 次に、セマンティック検索により、リクエストに最も関連するドキュメントが特定され、それらのドキュメントがプロンプトのコンテキストとして使用されます。 追加データをセマンティック検索と統合することで、幻覚を軽減し、より有用で事実に基づいた応答を提供できます。 埋め込みデータベースを継続的に更新することで、微調整プロセスを常に再実行することなく、システムの知識と応答を最新の状態に保つこともできます。
3.3 記憶とコンテキストの認識
パーティーに行って弁護士のピーターに会うところを想像してみてください。 あなたは興奮して、現在構築を計画している法律チャットボットの売り込みを開始します。 ピーターは興味を持った様子で、あなたに体を傾け、うーん、とうなずきます。 ある時点で、あなたは彼のアプリを使用したいかどうかについて彼の意見を知りたいと考えています。 あなたの雄弁さを補ってくれる有益なステートメントの代わりに、「えーっと、このアプリはまた何をしていたのですか?」と聞こえます。
人間間のコミュニケーションにおける不文律の契約は、私たちが会話相手の話を聞き、対話中に共同で作成している文脈に基づいて独自の発話行為を構築することを前提としています。 社交的な場では、この共同理解の出現が実り豊かな会話を特徴づけます。 レストランのテーブルを予約したり、電車の切符を購入したりするような、より日常的な設定では、タスクを達成し、期待される価値をユーザーに提供するために絶対に必要です。 これには、アシスタントが現在の会話の履歴だけでなく、過去の会話の履歴も把握している必要があります。たとえば、ユーザーが会話を開始するたびに、ユーザーの名前やその他の個人情報を何度も尋ねるべきではありません。
コンテキスト認識を維持する際の課題の XNUMX つは、共参照の解決、つまり代名詞によってどのオブジェクトが参照されているかを理解することです。 人間は言語を解釈するときに、多くの文脈上の手がかりを直感的に使用します。たとえば、幼い子供に「赤い箱から緑のボールを取り出して持ってきてください」と頼むと、子供はあなたがそのボールのことを言っていることが分かるでしょう。 、箱ではありません。 次のダイアログに示すように、仮想アシスタントの場合、このタスクはかなり困難になる可能性があります。
アシスタント: ありがとうございます。フライトを予約します。 フライトのお食事もご注文いただけますか?
ユーザー: うーん…欲しいかどうかは後で決めてもいいですか?
アシスタント: 申し訳ございませんが、このフライトは後で変更またはキャンセルすることはできません。
ここで、アシスタントは代名詞が it ユーザーからのメッセージはフライトではなく食事について言及しているため、この誤解を修正するにはもう一度繰り返す必要があります。
3.4 追加のガードレール
時々、最高の LLM であっても、誤った動作をしたり、幻覚を起こしたりすることがあります。 多くの場合、幻覚は単純な精度の問題です。そして、100% 正確な AI は存在しないことを受け入れる必要があります。 他のAIシステムに比べて、ユーザーとAIの間の「距離」はかなり近いです。 単純な精度の問題が、すぐに有害、差別的、または一般的に有害であると認識される問題に変わる可能性があります。 さらに、LLM はプライバシーを本質的に理解していないため、個人を特定できる情報 (PII) などの機密データを漏らす可能性もあります。 追加のガードレールを使用することで、これらの動作に対処できます。 Guardrails AI、Rebuff、NeMo Guardrails、Microsoft Guide などのツールを使用すると、LLM 出力に関する追加要件を策定し、望ましくない出力をブロックすることで、システムのリスクを軽減できます。
会話型 AI では複数のアーキテクチャが可能です。 次のスキーマは、微調整された LLM、外部データ、およびメモリが会話型エージェントによってどのように統合されるかを示す簡単な例を示しています。会話型エージェントは、プロンプトの構築とガードレールも担当します。
4. ユーザーエクスペリエンスと会話デザイン
会話型インターフェイスの魅力は、そのシンプルさとさまざまなアプリケーション間での均一性にあります。 ユーザー インターフェイスの将来が、すべてのアプリが多かれ少なかれ同じに見えるようになるとしたら、UX デザイナーの仕事は終わる運命にあるのでしょうか? 決してそうではありません。会話は、LLM がユーザーにとって有益で自然で快適な会話を行えるように、LLM に教えられる技術です。 人間の心理学、言語学、UX デザインの知識を組み合わせることで、優れた会話デザインが生まれます。 以下では、まず、会話システムを構築する際の XNUMX つの基本的な選択肢、つまり音声とチャット、あるいはその両方を使用するかどうか、およびシステムのより大きなコンテキストについて検討します。 次に、会話自体を見て、アシスタントに有益で協力的な会話を行うように指導しながら、アシスタントの性格をデザインする方法を見ていきます。
4.1 音声とチャット
会話型インターフェイスは、チャットまたは音声を使用して実装できます。 一言で言えば、音声は高速ですが、チャットではユーザーはプライベートを保ち、充実した UI 機能の恩恵を受けることができます。 これは会話型アプリを構築する際に最初に直面する最も重要な決定事項の XNUMX つであるため、XNUMX つのオプションについてもう少し詳しく見てみましょう。
XNUMX つの選択肢から選択するには、まずアプリが使用される物理的な設定を検討します。 たとえば、ニュアンス コミュニケーションズが提供するような、自動車内のほとんどすべての会話システムが音声に基づいているのはなぜでしょうか? なぜなら、ドライバーの手はすでに忙しく、ハンドルとキーボードを常に切り替えることができないからです。 これは、料理などの他のアクティビティにも当てはまります。ユーザーは、アプリの使用中にアクティビティの流れに留まりたいと考えます。 車やキッチンはほとんどプライベートな環境なので、ユーザーはプライバシーや他人への迷惑を気にすることなく、音声インタラクションの楽しさを体験できます。 対照的に、オフィス、図書館、駅などの公共の場でアプリを使用する場合、音声は第一選択ではない可能性があります。
物理的な状況を理解した後、感情的な側面を考慮します。 声は、トーン、気分、個性を伝えるために意図的に使用できます。これはあなたの状況において価値をもたらしますか? 余暇のためにアプリを作成している場合、音声によって楽しみの要素が増える可能性がありますが、メンタルヘルス用のアシスタントはより多くの共感に対応し、潜在的に問題を抱えているユーザーにより大きな表現を提供できる可能性があります。 対照的に、アプリが取引や顧客サービスなどの専門的な環境でユーザーを支援する場合、より匿名でテキストベースのインタラクションがより客観的な意思決定に貢献し、過度に感情的なエクスペリエンスをデザインする手間が省ける可能性があります。
次のステップとして、機能について考えてみましょう。 テキストベースのインターフェイスを使用すると、画像やボタンなどのグラフィカル UI 要素などの他のメディアを使用して会話を豊かにすることができます。 たとえば、e コマース アシスタントでは、写真や構造化された説明を投稿して製品を提案するアプリの方が、音声で製品を説明し、場合によっては識別子を提供するアプリよりもはるかにユーザー フレンドリーになります。
最後に、音声 UI を構築する際の設計および開発の追加の課題について説明します。
- ユーザー入力が LLM および自然言語処理 (NLP) で処理される前に、音声認識の追加のステップが行われます。
- 音声はより個人的で感情的なコミュニケーション媒体です。したがって、仮想アシスタントの背後にある一貫性があり、適切で楽しいペルソナを設計するための要件はより高く、音色などの「音声設計」の追加要素を考慮する必要があります。 、ストレス、口調、話す速度。
- ユーザーは、音声会話が人間の会話と同じ速度で進むことを期待しています。 音声による自然な対話を提供するには、チャットよりもはるかに短い遅延が必要です。 人間の会話では、ターン間のギャップは一般的に 200 ミリ秒です。この素早い応答が可能になるのは、私たちがパートナーの話を聞きながらターンを構築し始めるからです。 音声アシスタントは、対話におけるこの程度の流暢さに対応する必要があります。 対照的に、チャットボットの場合は数秒のタイムスパンで競い合い、会話を人間同士の入力されたチャットのように感じさせるために追加の遅延を導入する開発者もいます。
- 音声によるコミュニケーションは直線的で XNUMX 回限りのビジネスです。ユーザーがあなたの言ったことを理解できなかった場合、退屈で間違いが発生しやすい説明ループに陥ることになります。 したがって、ターンはできるだけ簡潔、明確、有益である必要があります。
音声ソリューションを選択する場合は、チャットと比較した利点を明確に理解するだけでなく、これらの追加の課題に対処するためのスキルとリソースも備えていることを確認してください。
4.2 会話型 AI はどこに配置されますか?
ここで、会話型 AI を統合できるより大きなコンテキストについて考えてみましょう。 私たちは皆、企業 Web サイト上のチャットボット、つまり企業の Web サイトを開いたときに画面の右側にポップアップ表示されるウィジェットに精通しています。 個人的には、直観的に「閉じる」ボタンを探すことが多いです。 何故ですか? これらのボットと「会話」する最初の試みを通じて、ボットはより具体的な情報要件を満たすことができないことがわかり、最終的には依然として Web サイトをくまなく調べる必要があります。 物語の教訓は? クールでトレンディだからチャットボットを構築するのではなく、ユーザーに付加価値を生み出すことができると確信しているから構築してください。
企業 Web サイト上の物議を醸すウィジェット以外にも、LLM を使用して可能になった、より一般的なチャットボットを統合するための興味深いコンテキストがいくつかあります。
- 副操縦士: これらのアシスタントは、プログラミング用の GitHub CoPilot など、特定のプロセスやタスクを通じてガイドおよびアドバイスを提供します。 通常、副操縦士は特定のアプリケーション (または関連アプリケーションの小規模なスイート) に「結び付けられ」ます。
- 合成人間 (デジタル ヒューマンとも): これらの生き物は、デジタル世界で現実の人間を「エミュレート」します。 人間と同じように見た目、行動、話し方をするため、豊かな会話能力も必要となります。 合成人間は、ゲームや拡張現実、仮想現実などの没入型アプリケーションでよく使用されます。
- デジタルツイン: デジタル ツインは、工場、自動車、エンジンなど、現実世界のプロセスやオブジェクトのデジタル「コピー」です。 これらは、実際のオブジェクトの設計と動作をシミュレーション、分析、最適化するために使用されます。 デジタル ツインとの自然言語による対話により、データとモデルへのよりスムーズかつ多用途なアクセスが可能になります。
- データベース: 現在では、投資の推奨事項、コード スニペット、教育資料など、あらゆるトピックに関するデータを入手できます。 多くの場合、難しいのは、ユーザーが特定の状況で必要とする非常に具体的なデータを見つけることです。 データベースへのグラフィカル インターフェイスは粒度が粗すぎるか、無限の検索ウィジェットやフィルター ウィジェットで覆われています。 SQL や GraphQL などの多用途のクエリ言語には、対応するスキルを持つユーザーのみがアクセスできます。 会話型ソリューションを使用すると、ユーザーは自然言語でデータをクエリでき、リクエストを処理する LLM はリクエストを対応するクエリ言語に自動的に変換します (cf. この記事 Text2SQL の説明を参照してください)。
4.3 アシスタントに個性を刷り込む
人間として、私たちは擬人化するように、つまり、漠然と人間に似ているものを見ると、追加の人間の特徴を与えるように配線されています。 言語は人類の最もユニークで魅力的な能力の XNUMX つであり、会話製品は自動的に人間と関連付けられます。 人々は自分の画面やデバイスの背後にある人物を想像します。そして、この特定の人物をユーザーの想像力に任せるのではなく、製品やブランドに合わせた一貫した個性を与えることをお勧めします。 このプロセスを「ペルソナ設計」と呼びます。
ペルソナ設計の最初のステップは、ペルソナに表示したいキャラクターの特徴を理解することです。 理想的には、これはトレーニング データのレベルですでに行われています。たとえば、RLHF を使用する場合、アノテーターに、有用性、礼儀正しさ、楽しさなどの特性に従ってデータをランク付けするよう依頼して、モデルに偏りを与えることができます。望ましい特性。 これらの特性をブランド属性と一致させて、製品体験を通じてブランドを継続的に促進する一貫したイメージを作成できます。
一般的な特性に加えて、仮想アシスタントが「ハッピー パス」を超えた特定の状況にどのように対処するかについても考慮する必要があります。 たとえば、その範囲を超えたユーザーのリクエストにどのように応答するか、自分自身に関する質問に応答するか、暴言や下品な言葉にどう対処するかなどです。
データ アノテーターや会話デザイナーが使用できる、ペルソナに関する明確な内部ガイドラインを作成することが重要です。 これにより、目的を持った方法でペルソナを設計し、アプリケーションが何度も反復され、改良される際に、チーム全体で、また長期にわたって一貫性を保つことができます。
4.4 「協力の原則」で会話を有益にする
実際に人間と話しているのに、レンガの壁に向かって話しているような印象を受けたことはありますか? 時々、会話の相手が会話を成功に導くことに興味がないことに気づくことがあります。 幸いなことに、ほとんどの場合、物事はよりスムーズに進み、人間は言語哲学者ポール・グライスが導入した「協力の原理」に直感的に従うようになります。 この原則によれば、人間同士のコミュニケーションに成功する人は、量、質、関連性、マナーという XNUMX つの原則に従います。
数量の最大値
量の最大値は、講演者に有益であること、そして必要に応じて有益な貢献をすることを求めます。 仮想アシスタント側にとって、これは会話を積極的に進めることも意味します。 たとえば、e コマース ファッション アプリの次のスニペットを考えてみましょう。
アシスタント: どのような衣料品をお探しですか?
ユーザー: オレンジ色のドレスを探しています。
アシスタント: しないでください: 申し訳ございませんが、現在オレンジ色のドレスはございません。
Do: 申し訳ありませんが、オレンジのドレスはありませんが、この素晴らしくてとても快適な黄色のドレスがあります: …
ユーザーは、適切なアイテムをアプリに残したいと考えています。 正確に説明に当てはまるアイテムがないという理由で会話を中止すると、成功の可能性が失われてしまいます。 ただし、アプリが代替アイテムについての提案を行う場合、より役立つように見え、インタラクションを成功させるためのオプションが残されたままになります。
特に音声インタラクションでは、ユーザーが成功するために必要なすべての情報を提供する一方で、インタラクションを曇らせる可能性のある不必要な情報でユーザーを圧倒しないことの間の適切なバランスを見つけることが重要です。
品質の格言
品質の格言は、講演者に真実であることを求め、虚偽であると思われることや十分な証拠が不足していることを話さないことを求めます。 ここには多くの主観と個人的な信念が含まれているため、この格言を LLM に直接投影することはできません。 これまで見てきたように、LLM は幻覚を見る傾向があり、会話があまり馴染みのない領域に流れてしまった場合、このリスクは特に高くなります。 誤解を招く発言を避け、会話を軌道に戻すために、追加のガードレールを使用できます。
関連性の格言
関連性の格言は、私たちに、つまり、関連性があることを求めます。 前提条件として、仮想アシスタントはユーザーの真の意図を理解する必要があります。 この規則に違反する航空アシスタントの例を次に示します。
ユーザー: 明日の朝、ベルリンからチューリッヒまでの飛行機が必要です。
アシスタント: わかりました。明日の朝のベルリン発チューリッヒ行きのフライトを見つけました。 BZ36294便はベルリンを午前6.30時8分に出発し、チューリッヒに午前96294時に到着します。 BZ8便はベルリンを午前9.30時に出発し、午前96294時半に到着します。 BZ8便はベルリンを午前9.30時に出発し、チューリッヒに午前95614時半に到着します。 BZ11便はベルリンを午前12.30時に出発し、チューリッヒに午後11.45時半に到着します。 乗り継ぎ便の可能性もあり、その場合はベルリンを午前3時XNUMX分に出発し、チューリッヒに午後XNUMX時に到着します。
ユーザー: 申し訳ありませんが…もう一度繰り返していただけますか?
アシスタントは、関連性のない詳細な情報をユーザーに提供して圧倒します。 これを分割してユーザーが検索範囲を制限するように誘導することで、ダイアログがはるかに理解しやすくなります。
ユーザー: 明日の朝、ベルリンからチューリッヒまでの飛行機が必要です。
アシスタント: わかりました。午前 6.30 時 8 分、午前 11 時、午前 XNUMX 時に出発するフライトが見つかりました。 何時に出発したいですか?
ユーザー: 午前9時までにチューリッヒに着く必要があります。
アシスタント: はい、BZ36294便にご乗車いただけます。 6.30時8分に出発し、XNUMX時に到着します。 あなたの代わりにチケットを買ったほうがいいでしょうか?
ユーザー: はい、ありがとう。
マナーの格言
最後に、マナーの格言は、表現の曖昧さやあいまいさを避け、私たちの言語行為は明瞭、簡潔、秩序立ったものであるべきであると述べています。 仮想アシスタントは、専門用語や社内用語を避け、シンプルで誰でも理解できる表現を優先する必要があります。
グライスの原則は特定の領域に関係なくすべての会話に有効ですが、会話専用のトレーニングを受けていない LLM は多くの場合、原則を満たせません。 したがって、トレーニング データをコンパイルするときは、モデルがこれらの原則を学習できるようにする十分な対話サンプルを用意することが重要です。
会話型デザインの領域はかなり急速に発展しています。 すでに AI 製品を構築している場合でも、AI でのキャリア パスを検討している場合でも、このトピックをさらに深く掘り下げることをお勧めします ([5] と [6] の優れた紹介文を参照)。 AI がコモディティ化するにつれ、優れた設計と防御可能なデータ戦略が AI 製品の XNUMX つの重要な差別化要因となるでしょう。
まとめ
この記事の重要なポイントをまとめてみましょう。 さらに、図 5 には、参考としてダウンロードできる主要なポイントを記載した「チートシート」が提供されています。
- LLM による会話型 AI の強化: 大規模言語モデル (LLM) により、さまざまな業界やユースケースにわたる会話型 AI アプリケーションの品質とスケーラビリティが大幅に向上しました。
- 会話型 AI は、同様のユーザー要求が多数あるアプリケーション (顧客サービスなど)、または大量の非構造化データにアクセスする必要があるアプリケーション (ナレッジ管理など) に多くの価値を追加できます。
- データ: 会話タスク用に LLM を微調整するには、現実世界の対話を厳密に反映した高品質の会話データが必要です。 クラウドソーシングと LLM で生成されたデータは、データ収集を拡張するための貴重なリソースとなり得ます。
- システムの組み立て: 会話型 AI システムの開発は、データの継続的な最適化、戦略の微調整、コンポーネントの統合を伴う反復的かつ実験的なプロセスです。
- LLM への会話スキルの指導: LLM の微調整には、特定のコミュニケーションの意図や状況を認識して対応できるように LLM をトレーニングすることが含まれます。
- セマンティック検索による外部データの追加: セマンティック検索を使用して外部データ ソースと内部データ ソースを統合すると、よりコンテキストに関連した情報が提供されるため、AI の応答が強化されます。
- 記憶とコンテキストの認識: 効果的な会話システムは、意味のある一貫した応答を提供するために、現在の会話と過去の対話の履歴を追跡するなど、コンテキストの認識を維持する必要があります。
- ガードレールの設定: 責任ある行動を保証するために、会話型 AI システムは不正確さ、幻覚、プライバシーの侵害を防ぐガードレールを採用する必要があります。
- ペルソナのデザイン: 会話アシスタントに一貫したペルソナをデザインすることは、一貫性のあるブランド化されたユーザー エクスペリエンスを作成するために不可欠です。 ペルソナの特徴は、製品およびブランドの属性と一致している必要があります。
- 音声とチャット: 音声インターフェイスとチャット インターフェイスのどちらを選択するかは、物理的な設定、感情的な状況、機能、デザイン上の課題などの要因によって異なります。 会話型 AI のインターフェイスを決定するときは、次の要素を考慮してください。
- さまざまなコンテキストでの統合: 会話型 AI は、副操縦士、合成人間、デジタル ツイン、データベースなどのさまざまなコンテキストに統合でき、それぞれに特定のユースケースと要件があります。
- 協力の原則を遵守する: 会話における量、質、関連性、およびマナーの原則に従うことで、会話型 AI との対話をより便利で使いやすくすることができます。
参考文献
[1] Heng-Tze Chen 他。 2022年。 LaMDA: すべてのための安全で根拠のある高品質の対話モデルに向けて.
[2] OpenAI。 2022.ChatGPT: 対話のための言語モデルの最適化. 13 年 2022 月 XNUMX 日に取得されました。
[3] パトリック・ルイスら。 2020年。 知識集約型NLPタスクの検索拡張生成.
[4] ポール・グライス。 1989年。言葉の研究。
[5] キャシー・パール。 2016. 音声ユーザー インターフェイスの設計。
[6] マイケル・コーエンら。 2004. 音声ユーザー インターフェイスのデザイン。
注: 特に断りのない限り、すべての画像は著者によるものです。
この記事は、最初に公開された データサイエンスに向けて 著者の許可を得てTOPBOTSに再公開しました。
この記事をお楽しみください? AIリサーチの最新情報にサインアップしてください。
このような要約記事がさらにリリースされたらお知らせします。
関連記事
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源: https://www.topbots.com/redefining-conversational-ai-with-large-language-models/
- :持っている
- :は
- :not
- :どこ
- $UP
- 1
- 10
- 11
- 110
- 12
- 125
- 13
- 14
- 17
- 200
- 2016
- 2020
- 2022
- 30
- 32
- 視聴者の38%が
- 41
- 65
- 7
- 70
- 8
- 9
- a
- 能力
- 能力
- 私たちについて
- 絶対の
- 同意
- 受け入れ
- アクセス
- アクセス
- アクセス可能な
- 対応する
- こちらからお申し込みください。
- 従った
- 累積する
- 精度
- 正確な
- 越えて
- 行為
- 積極的に
- 活動
- アクティビティ
- 使徒行伝
- 実際に
- 加えます
- 追加
- NEW
- 追加情報
- さらに
- 住所
- 養子縁組
- 進歩
- 利点
- 利点
- アドバイス
- 後
- 再び
- に対して
- エージェント
- エージェント
- 前
- AI
- 愛の研究
- AIシステム
- 航空会社
- AL
- 整列する
- 整列した
- すべて
- 許す
- ことができます
- ほとんど
- 沿って
- 既に
- また
- 代替案
- 選択肢
- am
- 曖昧さ
- 間で
- an
- 分析します
- および
- 匿名の
- 別の
- 予想する
- どれか
- アプリ
- 現れる
- 申し込み
- 適用
- アプローチ
- 適切な
- アプリ
- です
- エリア
- 周りに
- 到着
- 宝品
- 記事
- 物品
- 人工の
- AS
- 頼む
- 質問
- 評価する
- 評価された
- 評価
- 資産
- アシスト
- アシスタント
- アシスタント
- 関連する
- At
- 試み
- 注意
- 属性
- 増強
- 増強された
- 著者
- 自動的に
- 利用できます
- 避ける
- 回避
- 認知度
- 離れて
- バック
- 軌道に戻す
- 玉
- ベース
- ベース
- 基本
- BE
- なぜなら
- になる
- になる
- き
- 背後に
- さ
- 信念
- 信じる
- 愛する
- 恩恵
- ベルリン
- BEST
- ベストプラクティス
- より良いです
- の間に
- 越えて
- バイアス
- ビット
- ブロッキング
- 本
- 両言語で
- ボット
- ボックス
- ブランド
- ブランドの
- ブランド設定
- 違反
- 破壊
- 持って来る
- より広い
- た
- ビルド
- チャットボットを構築する
- 建物
- 内蔵
- ビジネス
- 忙しい
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- (Comma Separated Values) ボタンをクリックして、各々のジョブ実行の詳細(開始/停止時間、変数値など)のCSVファイルをダウンロードします。
- ボタン
- 購入
- 買収
- by
- 呼ばれます
- コール
- came
- 缶
- キャンセル
- 機能
- キャリア
- 自動車
- 場合
- 例
- キャッシー
- センター
- 挑戦する
- 課題
- 挑戦
- チャンス
- 変更
- チャネル
- 文字
- 特性
- 特徴付ける
- チャットボット
- チャットボット
- AI言語モデルを活用してコードのデバッグからデータの異常検出まで、
- チェン
- 子
- 選択
- 選択肢
- 選択する
- クリア
- はっきりと
- 閉じる
- 密接に
- アパレル
- クラウド
- コード
- コーエン
- コヒーレント
- 凝集
- 環境、テクノロジーを推奨
- コレクション
- 組み合わせる
- 来ます
- comes
- 快適
- 商品
- 伝える
- コミュニケーション
- 通信部
- 企業
- 会社
- 比べ
- 競争する
- 複雑な
- コンポーネント
- コンポーネント
- コンサート
- 特徴
- プロフェッショナルな方法で
- 交流
- 接続する
- Connections
- 検討
- 考えると
- 整合性のある
- 定数
- 絶えず
- 構築
- 建設
- 接触
- コンテンツ
- コンテキスト
- 文脈
- 文脈上の
- 連続的に
- 縮小することはできません。
- コントラスト
- 貢献する
- 貢献
- 貢献
- 物議を醸す
- 会話
- 会話
- 会話型AI
- 会話型インターフェース
- 会話
- 料理
- クール
- 協力
- 協同組合
- 基本
- 対応する
- 可能性
- カップル
- ここから
- カバー
- 作ります
- 作成
- 創造性
- 生き物
- 信頼できる
- 基準
- クラウドソーシング
- 電流プローブ
- 現在
- 曲線
- 顧客
- 顧客サービス
- カスタマーサービス
- Customers
- データ
- データ戦略
- データベース
- データベースを追加しました
- 死んだ
- 取引
- 数十年
- 決めます
- 決定する
- 決定
- より深い
- 定義します
- 絶対に
- 度
- 遅らせる
- 依存
- 説明
- 設計
- デザイナー
- デザイナー
- 設計
- 希望
- 詳細な
- 細部
- 開発する
- 発展した
- 開発者
- 開発
- 開発
- デバイス
- Devices
- 対話
- 対話
- 異なります
- 微分器
- 難しい
- DIG
- ダイジェスト
- デジタル
- デジタルツイン
- デジタルワールド
- 直接に
- 発見
- ディスプレイ
- ディストリビューション
- ダイビング
- do
- ドキュメント
- ドキュメント
- ありません
- 犬
- すること
- ドメイン
- 行われ
- ドント
- 運命
- ダウンロード
- ドライバー
- 原因
- 間に
- e
- eコマース
- E&T
- 各
- 容易
- 教育の
- 効果的な
- 効率
- 効率的な
- どちら
- 要素は
- 埋め込み
- 登場
- 出現
- 出てくる
- 共感
- 社員
- エンパワー
- 有効にする
- 奨励する
- end
- 努力
- エンドレス
- 従事する
- エンジン
- 高めます
- 強化
- 強化
- 楽しい
- 十分な
- 豊かにする
- 豊かな
- 濃縮
- 確保
- Enterprise
- 特に
- 本質的な
- 等
- 評価します
- さらに
- 最終的に
- EVER
- 証拠
- 正確に
- 例
- 例
- 優れた
- 除く
- 過剰
- 興奮した
- エキサイティング
- 実行します
- 既存の
- 期待する
- 予想される
- 高価な
- 体験
- 実験的
- 説明する
- 説明
- 表現
- 外部
- 顔
- 要因
- 工場
- 要因
- 事実上
- フェイル
- 失敗
- 不良解析
- フォールズ
- false
- おなじみの
- 魅惑的な
- ファッション
- 速いです
- フィードバック
- 感じます
- フィギュア
- filter
- 確定する
- もう完成させ、ワークスペースに掲示しましたか?
- 名
- フィット
- 修正する
- フライト
- 航空券
- フロー
- 流れる
- 流れ
- フォーカス
- 続いて
- フォロー中
- フォーム
- フォーマル
- 処方
- 幸いにも
- フォワード
- 発見
- 4
- 頻繁な
- 頻繁に
- から
- フロント
- 忍耐の要る事です。
- 満たす
- 楽しいです
- 機能性
- 基本的な
- さらに
- 未来
- 賭博
- ギャップ
- 集める
- 一般に
- 生成する
- 世代
- 取得する
- GitHubの
- 与えられた
- Go
- ゴエス
- 行く
- 良い
- グラフ
- 素晴らしい
- グリーン
- 陸上
- ガイダンス
- ガイド
- ガイドライン
- 持っていました
- ハンド
- 起こる
- 起こります
- ハード
- 有害な
- 持ってる
- he
- 健康
- 聞く
- 助けます
- 役立つ
- 彼女の
- こちら
- 隠されました
- ハイ
- 高品質
- より高い
- 非常に
- 彼の
- history
- ヒット
- 包括的な
- 希望
- 期待している
- HOT
- 認定条件
- しかしながら
- HTML
- HTTP
- HTTPS
- 巨大な
- 人間
- 人間
- ユーモア
- 誇大広告
- i
- 理想的には
- 識別子
- 識別する
- if
- 説明する
- 画像
- 画像
- 想像力
- 絵
- 没入できる
- 実装
- 重要
- 改善されました
- 改善
- in
- 綿密な
- include
- 含めて
- 組み込む
- 増える
- 信じられないほど
- 単独で
- 個人
- 産業
- 与える
- 情報
- 有益な
- 固有の
- 初期
- 開始する
- 入力
- を取得する必要がある者
- 統合する
- 統合された
- 統合
- 統合
- 意図
- 故意に
- 対話
- 相互作用
- 相互作用
- 相互作用的
- インタラクティブ音声応答システム
- 興味がある
- インタフェース
- インターフェース
- 内部
- 絡み合う
- に
- 紹介する
- 導入
- 概要
- 紹介
- 直観的な
- 投資
- 投資の推奨事項
- 関係する
- 関与
- 関与
- 分離
- 問題
- 問題
- IT
- リーディングシート
- 繰り返し
- 繰り返し
- ITS
- 自体
- IVR
- 1月
- 専門用語
- ジョブ
- ジョイント
- JPG
- ただ
- キープ
- キー
- キーワード
- 殺す
- 種類
- 知っている
- 知識
- データ管理
- 既知の
- ラベル
- 迷路
- 欠如
- 言語
- ESL, ビジネスESL <br> 中国語/フランス語、その他
- 大
- 大規模
- より大きい
- レイテンシ
- 後で
- 弁護士
- 主要な
- リード
- LEARN
- 学んだ
- 学習
- コメントを残す
- 残す
- Legacy
- リーガルポリシー
- LEND
- less
- う
- レベル
- レベル
- 活用します
- レバレッジ
- 活用
- ルイス
- 図書館
- ある
- ような
- LIMIT
- 限定的
- 言語学
- 耳を傾ける
- ライブ
- ロジック
- 長い
- 見て
- 探して
- LOOKS
- 損失
- たくさん
- たくさん
- 機械
- 製
- 郵送
- メイン
- 維持する
- 保守
- 主要な
- make
- 作る
- 作成
- マネージド
- 管理
- マネジメントシステム
- マネージャー
- 方法
- 多くの
- 市場
- 市場機会
- 一致
- マッチ
- 材料
- 材料
- 最大幅
- マキシム
- me
- 意味する
- 意味のある
- 手段
- メディア
- ミディアム
- ご相談
- メンバー
- メモリ
- メンタル
- メンタルヘルス
- メソッド
- Michael Liebreich
- Microsoft
- かもしれない
- ミリ秒
- 採掘された
- 誤解を招く
- 誤解
- モデル
- モダン
- 瞬間
- ヶ月
- 気分
- 道徳
- 他には?
- もっと効率的
- 朝
- 最も
- 主に
- 移動する
- ずっと
- の試合に
- 多数
- しなければなりません
- my
- 自分
- 名
- すなわち
- ナチュラル
- 自然言語
- 自然言語処理
- 必要
- 必要
- 必要
- 必要とされる
- ニーズ
- 負
- 決して
- 新作
- 新しいアプリ
- 次の
- NLP
- いいえ
- 非技術的な
- なし
- 通常は
- 注意
- 概念
- 今
- ニュアンス
- 数
- 多数の
- 簡単
- オブジェクト
- 客観
- オブジェクト
- of
- オフ
- 提供
- 提供
- オファー
- Office
- 頻繁に
- on
- かつて
- ONE
- の
- 開いた
- OpenAI
- オペレーティング
- 業務執行統括
- 意見
- 機会
- 機会
- 最適化
- 最適化
- 最適化
- 最適化
- オプション
- オプション
- or
- オレンジ
- 注文
- 元々
- その他
- その他
- さもないと
- 私たちの
- でる
- outputs
- 外側
- が
- 過度に
- 圧倒的な
- 自分の
- ページ
- 論文
- パラダイム
- パートナー
- パーティー
- 渡された
- 過去
- 特許
- path
- 辛抱強く
- パトリック
- パターン
- Paul Cairns
- のワークプ
- 以下のために
- 知覚される
- 実行する
- 許可
- 人
- 個人的な
- 人格
- 個人的に
- Peter Bauman
- 物理的な
- 選ぶ
- ピクチャー
- 敬虔な
- ピッチング
- 場所
- シンプルスタイル
- 計画
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- 再生
- ポイント
- ポイント
- 貧しいです
- ポップ
- 人気
- 位置
- 正の
- 可能性
- 可能
- 潜在的な
- :
- 練習
- プラクティス
- 予測
- プ
- PLM platform.
- 防ぐ
- 原則
- 原則
- プライバシー
- プライベート
- 進む
- プロセス
- 処理されました
- ラボレーション
- 処理
- 生産された
- プロダクト
- 製品
- プロ
- 対応プロファイル
- プログラミング
- 投影
- 著名な
- 促進する
- 提供します
- は、大阪で
- 提供
- Psychology
- 公共
- 公表
- 目的
- プッシュ
- プッシュ
- 品質
- 量
- クエリ
- 質問
- すぐに
- ランク
- ランキング
- むしろ
- 反応
- 準備
- リアル
- 現実の世界
- 現実
- 認識
- 認識する
- 認識
- 提言
- 繰り返し
- レッド
- 再定義
- 減らします
- 参照する
- 参照
- リファレンス
- 言及
- 指し
- 反映する
- 反映
- 強化学習
- 関連する
- リリース
- 関連性
- 関連した
- 信頼
- 残る
- 繰り返す
- 置き換え
- 返信
- 要求
- リクエスト
- の提出が必要です
- 要件
- 必要
- 研究
- 似てる
- 解像度
- リソース
- 反応します
- 応答
- 応答
- 回答
- 責任
- レストラン
- 結果として
- 結果
- 明らかにする
- 富裕層
- 右
- リスク
- ルール
- ルール
- ラン
- 安全な
- 安全性
- 前記
- 同じ
- 満足
- 保存されました
- 言う
- スケーラビリティ
- 規模
- スケーリング
- 科学的な
- スコープ
- スコア
- 画面
- を検索
- 二番
- 秒
- セクション
- 見て
- 敏感な
- シリーズ
- サービス
- セッションに
- 設定
- 設定
- いくつかの
- すべき
- 表示する
- 示す
- 作品
- 側
- 符号
- 著しく
- 同様の
- 簡単な拡張で
- 単純
- から
- 座っている
- 状況
- 状況
- スキル
- 小さい
- より滑らかに
- スニペット
- So
- 社会
- 社会化する
- ソフト
- 売ら
- 溶液
- ソリューション
- 一部
- 誰か
- 何か
- 時々
- すぐに
- ソース
- スペース
- スパン
- 話す
- スピーカー
- スピーカー
- 話す
- 専門の
- 特定の
- 特に
- 特異性
- スピーチ
- 音声認識
- スピード
- SQL
- start
- 開始
- 開始
- ステートメント
- 文
- 米国
- 駅
- 統計的
- 滞在
- 舵を取る
- 操舵
- ハンドル
- 手順
- ステップ
- まだ
- 停止
- 保存され
- ストーリー
- 簡単な
- 作戦
- 戦略
- 流線
- ストレス
- 構造
- 構造化された
- 研究
- かなりの
- 成功
- 成功した
- 首尾よく
- そのような
- 提案する
- 適当
- スイート
- まとめる
- 概要
- サポート
- 確か
- スイング
- スイッチ
- シンボリック
- 構文
- 合成
- システム
- テーブル
- 取る
- まとめ
- Talk
- 会話
- タップ
- ターゲット
- ターゲット
- 仕事
- タスク
- 教えた
- ティーチング
- チーム
- チームメンバー
- 技術的
- 技術
- テクノロジー
- テレヘルス
- 条件
- 地域
- テスト
- 클라우드 기반 AI/ML및 고성능 컴퓨팅을 통한 디지털 트윈의 기초 – Edward Hsu, Rescale CPO 많은 엔지니어링 중심 기업에게 클라우드는 R&D디지털 전환의 첫 단계일 뿐입니다. 클라우드 자원을 활용해 엔지니어링 팀의 제약을 해결하는 단계를 넘어, 시뮬레이션 운영을 통합하고 최적화하며, 궁극적으로는 모델 기반의 협업과 의사 결정을 지원하여 신제품을 결정할 때 데이터 기반 엔지니어링을 적용하고자 합니다. Rescale은 이러한 혁신을 돕기 위해 컴퓨팅 추천 엔진, 통합 데이터 패브릭, 메타데이터 관리 등을 개발하고 있습니다. 이번 자리를 빌려 비즈니스 경쟁력 제고를 위한 디지털 트윈 및 디지털 스레드 전략 개발 방법에 대한 인사이트를 나누고자 합니다.
- より
- 感謝
- それ
- 未来
- 情報
- 世界
- アプリ環境に合わせて
- それら
- 自分自身
- その後
- そこ。
- ボーマン
- 彼ら
- 物事
- 考える
- 考え
- 三番
- この
- それらの
- 三
- 介して
- 従って
- チケット
- チケット
- 時間
- <font style="vertical-align: inherit;">回数</font>
- 〜へ
- 一緒に
- トークン
- 明日
- TONE
- あまりに
- 豊富なツール群
- トップボット
- トピック
- に向かって
- に向かって
- 追跡する
- 追跡
- トレーディング
- 伝統的な
- トレーニング
- 訓練された
- トレーニング
- 最適化の適用
- 変換
- 遷移
- 遷移
- 送信します
- トリガ
- true
- 試します
- 順番
- ターニング
- ターン
- 双子
- 2
- 典型的な
- ui
- 被災者
- わかる
- 理解できる
- 理解する
- ユニーク
- ユニバーサル
- 普遍的
- 最新
- 更新版
- 更新
- us
- 使いやすさ
- つかいます
- 中古
- ユーザー
- 操作方法
- ユーザーインターフェース
- ユーザーインターフェース設計
- 「DeckleBenchは非常に使いやすく最適なソリューションを簡単に見つけることができるため、稼働率が向上しコストも削減した。当社の旧システムは良かったが改善は期待していなかった。
- users
- 使用されます
- ux
- UXデザイン
- UXデザイナー
- UXデザイナー
- 有効な
- 貴重な
- 値
- 多様
- さまざまな
- 多才な
- 対
- 非常に
- 、
- 被害者
- バーチャル
- 仮想アシスタント
- バーチャルリアリティ
- ボイス
- 音声アシスタント
- vs
- 低俗
- W3
- 壁
- 欲しいです
- 望んでいる
- ました
- 波浪
- 仕方..
- 方法
- we
- 富
- ウェブサイト
- ウェブサイト
- WELL
- した
- この試験は
- 何ですか
- ホイール
- いつ
- たびに
- かどうか
- which
- while
- 誰
- なぜ
- 意志
- ウィンドウズ
- 無し
- 言葉
- 仕事
- 労働者
- 世界
- 心配
- でしょう
- 書きます
- 年
- 年
- 黄
- 貴社
- 若い
- あなたの
- ゼファーネット
- チューリッヒ