ที่มา: rawpixel.com
Conversational AI เป็นแอปพลิเคชันของ LLM ที่กระตุ้นให้เกิดกระแสความสนใจและความสนใจอย่างมาก เนื่องจากความสามารถในการปรับขนาดในอุตสาหกรรมและกรณีการใช้งานต่างๆ มากมาย แม้ว่าระบบการสนทนาจะมีมานานหลายทศวรรษแล้ว แต่ LLM ได้นำแรงผลักดันด้านคุณภาพที่จำเป็นสำหรับการนำไปใช้ในวงกว้าง ในบทความนี้ เราจะใช้แบบจำลองทางจิตที่แสดงในรูปที่ 1 เพื่อวิเคราะห์แอปพลิเคชัน AI เชิงสนทนา (เปรียบเทียบ การสร้างผลิตภัณฑ์ AI ด้วยโมเดลทางจิตแบบองค์รวม เพื่อเป็นการแนะนำแบบจำลองทางจิต) หลังจากพิจารณาโอกาสทางการตลาดและมูลค่าทางธุรกิจของระบบการสนทนา AI แล้ว เราจะอธิบาย "เครื่องจักร" เพิ่มเติมในแง่ของข้อมูล การปรับแต่ง LLM และการออกแบบการสนทนาที่จำเป็นต้องตั้งค่าเพื่อทำให้การสนทนาไม่เพียงเป็นไปได้ แต่ยังมีประโยชน์ด้วย และสนุกสนาน
1. โอกาส คุณค่า และข้อจำกัด
การออกแบบ UX แบบดั้งเดิมสร้างขึ้นจากองค์ประกอบ UX เทียมจำนวนมาก การปัด การแตะ และการคลิก ซึ่งต้องใช้เส้นโค้งการเรียนรู้สำหรับแอปใหม่แต่ละแอป การใช้ AI การสนทนาช่วยให้เราสามารถขจัดความยุ่งวุ่นวายนี้ โดยแทนที่ด้วยประสบการณ์ที่หรูหราของการสนทนาที่ลื่นไหลอย่างเป็นธรรมชาติ ซึ่งเราสามารถลืมการเปลี่ยนแปลงระหว่างแอป หน้าต่าง และอุปกรณ์ต่างๆ ได้ เราใช้ภาษา ซึ่งเป็นโปรโตคอลที่เป็นสากลและคุ้นเคยในการสื่อสาร เพื่อโต้ตอบกับผู้ช่วยเสมือน (VA) ต่างๆ และทำงานของเราให้สำเร็จ
UI การสนทนาไม่ใช่สิ่งใหม่ที่กำลังมาแรงอย่างแน่นอน ระบบตอบสนองด้วยเสียงแบบโต้ตอบ (IVR) และแชทบอทมีมาตั้งแต่ปี 1990 และความก้าวหน้าที่สำคัญใน NLP ก็ตามมาอย่างใกล้ชิดด้วยคลื่นแห่งความหวังและการพัฒนาอินเทอร์เฟซเสียงและการแชท อย่างไรก็ตาม ก่อนถึงเวลาของ LLM ระบบส่วนใหญ่ถูกนำมาใช้ในกระบวนทัศน์เชิงสัญลักษณ์ โดยอาศัยกฎ คำหลัก และรูปแบบการสนทนา พวกเขายังถูกจำกัดอยู่เพียงโดเมน "ความสามารถ" ที่กำหนดไว้ล่วงหน้าโดยเฉพาะ และผู้ใช้ที่เสี่ยงออกไปนอกขอบเขตเหล่านี้ก็จะถึงทางตันในไม่ช้า โดยรวมแล้ว ระบบเหล่านี้ถูกขุดขึ้นมาโดยมีจุดที่อาจเกิดความล้มเหลว และหลังจากความพยายามที่น่าหงุดหงิดอยู่สองสามครั้ง ผู้ใช้จำนวนมากก็ไม่เคยกลับมาหาพวกเขาอีกเลย รูปภาพต่อไปนี้แสดงตัวอย่างบทสนทนา ผู้ใช้ที่ต้องการสั่งซื้อตั๋วสำหรับคอนเสิร์ตเฉพาะเจาะจงจะต้องผ่านขั้นตอนการสอบสวนโดยละเอียด แต่กลับพบว่าคอนเสิร์ตขายหมดในที่สุด
ในฐานะเทคโนโลยีที่เอื้ออำนวย LLM สามารถนำอินเทอร์เฟซการสนทนาไปสู่ระดับคุณภาพและความพึงพอใจของผู้ใช้ในระดับใหม่ ขณะนี้ระบบการสนทนาสามารถแสดงความรู้ทางโลก ความสามารถทางภาษา และความสามารถในการสนทนาได้กว้างขึ้นมาก ด้วยการใช้ประโยชน์จากแบบจำลองที่ได้รับการฝึกอบรมล่วงหน้า พวกมันยังสามารถพัฒนาได้ในระยะเวลาที่สั้นลงมาก เนื่องจากการทำงานที่น่าเบื่อในการรวบรวมกฎ คำสำคัญ และโฟลว์การสนทนา ถูกแทนที่ด้วยความรู้ทางสถิติของ LLM มาดูแอปพลิเคชั่นที่โดดเด่นสองแอปพลิเคชั่นที่ AI การสนทนาสามารถให้คุณค่าในวงกว้าง:
- การสนับสนุนลูกค้า และโดยทั่วไปคือแอปพลิเคชันที่ใช้โดยผู้ใช้จำนวนมากซึ่งมักจะส่งคำขอที่คล้ายกัน ที่นี่ บริษัทที่ให้การสนับสนุนลูกค้ามีข้อได้เปรียบด้านข้อมูลที่ชัดเจนเหนือผู้ใช้ และสามารถใช้ประโยชน์จากสิ่งนี้เพื่อสร้างประสบการณ์ผู้ใช้ที่ใช้งานง่ายและสนุกสนานยิ่งขึ้น พิจารณากรณีจองเที่ยวบินใหม่ สำหรับตัวผมเองที่บินค่อนข้างบ่อยนี่คือสิ่งที่เกิดขึ้นปีละ 1-2 ครั้ง ในระหว่างนี้ ฉันมักจะลืมรายละเอียดของกระบวนการ ไม่ใช่พูดถึงอินเทอร์เฟซผู้ใช้ของสายการบินใดสายการบินหนึ่ง ในทางตรงกันข้าม ฝ่ายสนับสนุนลูกค้าของสายการบินมีคำขอจองใหม่ที่ด้านหน้าและศูนย์กลางการดำเนินงาน แทนที่จะเปิดเผยกระบวนการจองใหม่ผ่านอินเทอร์เฟซกราฟิกที่ซับซ้อน ตรรกะสามารถ "ซ่อน" จากลูกค้าที่ติดต่อฝ่ายสนับสนุนได้ และพวกเขาสามารถใช้ภาษาเป็นช่องทางปกติในการจองใหม่ได้ แน่นอนว่าคำขอที่ไม่ค่อยคุ้นเคยจะยังมี "หางยาว" อยู่ ตัวอย่างเช่น ลองจินตนาการถึงอารมณ์แปรปรวนที่เกิดขึ้นเองซึ่งผลักดันให้ลูกค้าธุรกิจเพิ่มสุนัขอันเป็นที่รักของเธอเป็นสัมภาระส่วนเกินในเที่ยวบินที่จองไว้ คำขอส่วนบุคคลเพิ่มเติมเหล่านี้สามารถส่งผ่านไปยังตัวแทนที่เป็นมนุษย์หรือครอบคลุมผ่านระบบการจัดการความรู้ภายในที่เชื่อมต่อกับผู้ช่วยเสมือน
- การจัดการความรู้ ซึ่งมีข้อมูลจำนวนมาก สำหรับบริษัทสมัยใหม่หลายแห่ง ความรู้ภายในที่พวกเขาสั่งสมมาจากการดำเนินงาน การทำซ้ำ และการเรียนรู้เป็นเวลาหลายปีถือเป็นทรัพย์สินหลักและสิ่งที่สร้างความแตกต่าง หากได้รับการจัดเก็บ จัดการ และเข้าถึงด้วยวิธีที่มีประสิทธิภาพ ด้วยข้อมูลจำนวนมากที่ซ่อนอยู่ในเครื่องมือการทำงานร่วมกัน วิกิภายใน ฐานความรู้ ฯลฯ พวกเขามักจะล้มเหลวในการแปลงความรู้ให้เป็นความรู้ที่นำไปปฏิบัติได้ เมื่อพนักงานลาออก พนักงานใหม่ก็เริ่มทำงาน และคุณไม่เคยสรุปหน้าเอกสารที่คุณเริ่มไว้เมื่อสามเดือนก่อน ความรู้อันมีค่าจะตกเป็นเหยื่อของเอนโทรปี การค้นหาเส้นทางผ่านเขาวงกตข้อมูลภายในเป็นเรื่องยากมากขึ้นเรื่อยๆ และเข้าถึงข้อมูลเล็กๆ น้อยๆ ที่จำเป็นในสถานการณ์ทางธุรกิจที่เฉพาะเจาะจง สิ่งนี้นำไปสู่การสูญเสียประสิทธิภาพอย่างมากสำหรับผู้ปฏิบัติงานที่มีความรู้ เพื่อแก้ไขปัญหานี้ เราสามารถเพิ่ม LLM ด้วยการค้นหาเชิงความหมายในแหล่งข้อมูลภายใน LLM อนุญาตให้ใช้คำถามที่เป็นภาษาธรรมชาติแทนคำถามที่เป็นทางการที่ซับซ้อนเพื่อถามคำถามกับฐานข้อมูลนี้ ผู้ใช้สามารถมุ่งเน้นไปที่ความต้องการข้อมูลของตนมากกว่าโครงสร้างของฐานความรู้หรือไวยากรณ์ของภาษาคิวรีเช่น SQL เนื่องจากระบบเหล่านี้ใช้ข้อความเป็นหลักจึงทำงานร่วมกับข้อมูลในพื้นที่ความหมายที่หลากหลาย ทำให้เกิดการเชื่อมต่อที่มีความหมาย "ภายใต้ประทุน"
นอกเหนือจากขอบเขตการใช้งานหลักๆ เหล่านี้แล้ว ยังมีแอปพลิเคชันอื่นๆ อีกมากมาย เช่น การดูแลสุขภาพทางไกล ผู้ช่วยด้านสุขภาพจิต และแชทบอทเพื่อการศึกษา ซึ่งสามารถปรับปรุง UX และสร้างคุณค่าให้กับผู้ใช้ด้วยวิธีที่รวดเร็วและมีประสิทธิภาพยิ่งขึ้น
หากเนื้อหาการศึกษาเชิงลึกนี้มีประโยชน์สำหรับคุณ คุณสามารถ สมัครรับจดหมายข่าวการวิจัย AI ของเรา เพื่อรับการแจ้งเตือนเมื่อเราเผยแพร่เนื้อหาใหม่
2 ข้อมูล
เดิมที LLM ไม่ได้รับการฝึกฝนให้มีส่วนร่วมในการพูดคุยเล็ก ๆ น้อย ๆ ได้อย่างคล่องแคล่วหรือบทสนทนาที่สำคัญกว่านี้ แต่พวกเขาเรียนรู้ที่จะสร้างโทเค็นต่อไปนี้ในแต่ละขั้นตอนการอนุมาน ซึ่งในที่สุดก็ส่งผลให้เกิดข้อความที่สอดคล้องกัน วัตถุประสงค์ระดับต่ำนี้แตกต่างจากความท้าทายในการสนทนาของมนุษย์ การสนทนานั้นใช้งานง่ายอย่างเหลือเชื่อสำหรับมนุษย์ แต่จะซับซ้อนอย่างไม่น่าเชื่อและเหมาะสมอย่างยิ่งเมื่อคุณต้องการสอนให้เครื่องจักรทำแบบนั้น ตัวอย่างเช่น ลองดูที่แนวคิดพื้นฐานของเจตนา เมื่อเราใช้ภาษา เราทำเช่นนั้นเพื่อจุดประสงค์เฉพาะซึ่งเป็นจุดประสงค์ในการสื่อสารของเรา อาจเป็นเพื่อถ่ายทอดข้อมูล เข้าสังคม หรือขอให้ผู้อื่นทำบางสิ่งบางอย่าง แม้ว่าสองรายการแรกจะค่อนข้างตรงไปตรงมาสำหรับ LLM (ตราบใดที่ได้เห็นข้อมูลที่จำเป็นในข้อมูลแล้ว) แต่รายการหลังก็มีความท้าทายมากกว่าอยู่แล้ว LLM ไม่เพียงแต่จำเป็นต้องรวมและจัดโครงสร้างข้อมูลที่เกี่ยวข้องในลักษณะที่สอดคล้องกัน แต่ยังต้องกำหนดน้ำเสียงทางอารมณ์ที่เหมาะสมในแง่ของเกณฑ์ที่นุ่มนวล เช่น พิธีการ ความคิดสร้างสรรค์ อารมณ์ขัน ฯลฯ นี่เป็นความท้าทายสำหรับการออกแบบการสนทนา (เปรียบเทียบส่วนที่ 5) ซึ่งเกี่ยวพันอย่างใกล้ชิดกับงานการสร้างข้อมูลแบบละเอียด
การเปลี่ยนจากรุ่นภาษาคลาสสิกไปสู่การรับรู้และตอบสนองต่อจุดประสงค์ในการสื่อสารที่เฉพาะเจาะจงเป็นก้าวสำคัญสู่การใช้งานและการยอมรับระบบการสนทนาที่ดีขึ้น สำหรับความพยายามในการปรับแต่งทั้งหมด สิ่งนี้เริ่มต้นด้วยการรวบรวมชุดข้อมูลที่เหมาะสม
ข้อมูลที่มีการปรับแต่งอย่างละเอียดควรใกล้เคียงกับการกระจายข้อมูลในโลกแห่งความเป็นจริง (ในอนาคต) มากที่สุด อันดับแรก ควรเป็นข้อมูลการสนทนา (บทสนทนา) ประการที่สอง หากผู้ช่วยเสมือนของคุณมีความเชี่ยวชาญเฉพาะด้าน คุณควรพยายามรวบรวมข้อมูลที่มีการปรับแต่งอย่างละเอียดซึ่งสะท้อนถึงความรู้ในโดเมนที่จำเป็น ประการที่สาม หากมีโฟลว์และคำขอทั่วไปที่จะเกิดขึ้นบ่อยครั้งในแอปพลิเคชันของคุณ เช่น ในกรณีของการสนับสนุนลูกค้า ให้ลองรวมตัวอย่างที่หลากหลายของสิ่งเหล่านี้ในข้อมูลการฝึกอบรมของคุณ ตารางต่อไปนี้แสดงตัวอย่างข้อมูลการปรับแต่งการสนทนาอย่างละเอียดจาก ชุดข้อมูลการสนทนา 3K สำหรับ ChatBotซึ่งมีให้บริการฟรีบน Kaggle:
การสร้างข้อมูลการสนทนาด้วยตนเองอาจกลายเป็นงานที่มีราคาแพง การระดมทุนจากมวลชนและการใช้ LLM เพื่อช่วยคุณสร้างข้อมูลเป็นสองวิธีในการขยายขนาด เมื่อรวบรวมข้อมูลบทสนทนาแล้ว บทสนทนาจะต้องได้รับการประเมินและใส่คำอธิบายประกอบ วิธีนี้ช่วยให้คุณสามารถแสดงตัวอย่างทั้งเชิงบวกและเชิงลบให้กับโมเดลของคุณ และผลักดันให้โมเดลเลือกคุณลักษณะของการสนทนาที่ "เหมาะสม" การประเมินอาจเกิดขึ้นโดยใช้คะแนนสัมบูรณ์หรือการจัดอันดับตัวเลือกที่แตกต่างกันระหว่างกัน วิธีหลังนำไปสู่การปรับแต่งข้อมูลที่แม่นยำยิ่งขึ้น เนื่องจากโดยปกติแล้วมนุษย์จะจัดอันดับหลายตัวเลือกได้ดีกว่าการประเมินแบบแยกเดี่ยว
เมื่อข้อมูลของคุณพร้อมแล้ว คุณก็พร้อมที่จะปรับแต่งโมเดลของคุณและเพิ่มขีดความสามารถเพิ่มเติม ในส่วนถัดไป เราจะดูการปรับแต่งอย่างละเอียด การรวมข้อมูลเพิ่มเติมจากหน่วยความจำและการค้นหาเชิงความหมาย และการเชื่อมต่อเจ้าหน้าที่เข้ากับระบบการสนทนาของคุณเพื่อเสริมศักยภาพในการดำเนินงานที่เฉพาะเจาะจง
3. การประกอบระบบสนทนา
ระบบการสนทนาทั่วไปถูกสร้างขึ้นด้วยตัวแทนการสนทนาที่ประสานและประสานงานส่วนประกอบและความสามารถของระบบ เช่น LLM หน่วยความจำ และแหล่งข้อมูลภายนอก การพัฒนาระบบการสนทนา AI เป็นงานเชิงทดลองและเชิงประจักษ์ และนักพัฒนาของคุณจะต้องสลับไปมาระหว่างการเพิ่มประสิทธิภาพข้อมูลของคุณ การปรับปรุงกลยุทธ์การปรับแต่งอย่างละเอียด การเล่นกับส่วนประกอบและการปรับปรุงเพิ่มเติม และการทดสอบผลลัพธ์ . สมาชิกในทีมที่ไม่ใช่ด้านเทคนิค รวมถึงผู้จัดการผลิตภัณฑ์และนักออกแบบ UX จะทำการทดสอบผลิตภัณฑ์อย่างต่อเนื่อง จากกิจกรรมการค้นพบลูกค้า พวกเขาอยู่ในตำแหน่งที่ดีในการคาดการณ์รูปแบบการสนทนาและเนื้อหาของผู้ใช้ในอนาคต และควรมีส่วนร่วมอย่างแข็งขันในการให้ความรู้นี้
3.1 การสอนทักษะการสนทนาให้กับ LLM ของคุณ
สำหรับการปรับแต่งอย่างละเอียด คุณต้องมีข้อมูลการปรับแต่งของคุณ (ดูส่วนที่ 2) และ LLM ที่ได้รับการฝึกอบรมล่วงหน้า LLM รู้ดีเกี่ยวกับภาษาและโลกอยู่แล้ว และความท้าทายของเราคือการสอนหลักการสนทนาให้พวกเขา ในการปรับแต่งอย่างละเอียด ผลลัพธ์เป้าหมายคือข้อความ และโมเดลจะได้รับการปรับให้เหมาะสมเพื่อสร้างข้อความที่คล้ายคลึงกับเป้าหมายมากที่สุด สำหรับการปรับแต่งอย่างละเอียดภายใต้การดูแล ก่อนอื่นคุณต้องกำหนดงาน AI การสนทนาที่คุณต้องการให้โมเดลดำเนินการอย่างชัดเจน รวบรวมข้อมูล และเรียกใช้และวนซ้ำกระบวนการปรับแต่งอย่างละเอียด
ด้วยการโฆษณาเกินจริงเกี่ยวกับ LLM มีวิธีการปรับแต่งที่หลากหลายเกิดขึ้น สำหรับตัวอย่างแบบดั้งเดิมของการปรับแต่งการสนทนาโดยละเอียด โปรดดูคำอธิบายของโมเดล LaMDA[1] LaMDA ได้รับการปรับแต่งอย่างละเอียดในสองขั้นตอน ขั้นแรก ข้อมูลบทสนทนาจะถูกใช้เพื่อสอนแบบจำลองทักษะการสนทนา (“การปรับแต่งเชิงสร้างสรรค์”) จากนั้น ป้ายที่จัดทำโดยผู้อธิบายประกอบระหว่างการประเมินข้อมูลจะถูกนำมาใช้ในการฝึกตัวแยกประเภทที่สามารถประเมินผลลัพธ์ของแบบจำลองตามคุณลักษณะที่ต้องการ ซึ่งรวมถึงความรู้สึกละเอียดอ่อน ความเฉพาะเจาะจง ความน่าสนใจ และความปลอดภัย (การปรับแต่งแบบละเอียด (“การเลือกปฏิบัติ”) ตัวแยกประเภทเหล่านี้จะใช้เพื่อควบคุมพฤติกรรมของโมเดลไปยังคุณลักษณะเหล่านี้
นอกจากนี้ การยึดถือข้อเท็จจริง — ความสามารถในการต่อสายดินผลลัพธ์ในข้อมูลภายนอกที่น่าเชื่อถือ — ถือเป็นคุณลักษณะที่สำคัญของ LLM เพื่อให้มั่นใจว่ามีเหตุผลที่เป็นข้อเท็จจริงและลดอาการประสาทหลอนให้เหลือน้อยที่สุด LaMDA ได้รับการปรับแต่งอย่างละเอียดด้วยชุดข้อมูลที่เกี่ยวข้องกับการเรียกไปยังระบบเรียกค้นข้อมูลภายนอกเมื่อใดก็ตามที่จำเป็นต้องมีความรู้จากภายนอก ดังนั้น โมเดลจึงเรียนรู้ที่จะดึงข้อมูลข้อเท็จจริงก่อนทุกครั้งที่ผู้ใช้ทำการสืบค้นที่ต้องใช้ความรู้ใหม่
เทคนิคการปรับแต่งที่ได้รับความนิยมอีกประการหนึ่งคือการเรียนรู้การเสริมแรงจากผลตอบรับของมนุษย์ (RLHF)[2] RLHF “เปลี่ยนเส้นทาง” กระบวนการเรียนรู้ของ LLM จากงานทำนายโทเค็นถัดไปที่ตรงไปตรงมาแต่เป็นงานประดิษฐ์ ไปสู่การเรียนรู้ความชอบของมนุษย์ในสถานการณ์การสื่อสารที่กำหนด การตั้งค่าของมนุษย์เหล่านี้ได้รับการเข้ารหัสโดยตรงในข้อมูลการฝึกอบรม ในระหว่างกระบวนการใส่คำอธิบายประกอบ มนุษย์จะได้รับพร้อมท์และเขียนคำตอบที่ต้องการหรือจัดอันดับชุดคำตอบที่มีอยู่ จากนั้นพฤติกรรมของ LLM จะได้รับการปรับให้เหมาะสมเพื่อสะท้อนถึงความชอบของมนุษย์
3.2 การเพิ่มข้อมูลภายนอกและการค้นหาความหมาย
นอกเหนือจากการรวบรวมการสนทนาเพื่อปรับแต่งโมเดลอย่างละเอียด คุณอาจต้องการปรับปรุงระบบของคุณด้วยข้อมูลพิเศษที่สามารถใช้ประโยชน์ได้ในระหว่างการสนทนา ตัวอย่างเช่น ระบบของคุณอาจต้องเข้าถึงข้อมูลภายนอก เช่น สิทธิบัตรหรือเอกสารทางวิทยาศาสตร์ หรือข้อมูลภายใน เช่น โปรไฟล์ลูกค้า หรือเอกสารทางเทคนิคของคุณ โดยปกติจะทำผ่านการค้นหาเชิงความหมาย (หรือที่เรียกว่าการเรียกข้อมูลเสริมหรือ RAG) ข้อมูลเพิ่มเติมจะถูกบันทึกไว้ในฐานข้อมูลในรูปแบบของการฝังความหมาย (เปรียบเทียบ บทความนี้ สำหรับคำอธิบายของการฝังและการอ้างอิงเพิ่มเติม) เมื่อคำขอของผู้ใช้เข้ามา คำขอนั้นจะถูกประมวลผลล่วงหน้าและแปลงเป็นการฝังความหมาย การค้นหาเชิงความหมายจะระบุเอกสารที่เกี่ยวข้องกับคำขอมากที่สุดและใช้เป็นบริบทสำหรับพร้อมท์ ด้วยการรวมข้อมูลเพิ่มเติมเข้ากับการค้นหาเชิงความหมาย คุณสามารถลดอาการประสาทหลอนและให้คำตอบที่เป็นประโยชน์และมีเหตุผลมากขึ้น ด้วยการอัพเดตฐานข้อมูลแบบฝังอย่างต่อเนื่อง คุณสามารถรักษาความรู้และการตอบสนองของระบบของคุณให้ทันสมัยอยู่เสมอ โดยไม่ต้องดำเนินการปรับแต่งซ้ำอย่างต่อเนื่อง
3.3 ความจำและการรับรู้บริบท
ลองนึกภาพการไปงานปาร์ตี้และพบกับปีเตอร์ซึ่งเป็นทนายความ คุณรู้สึกตื่นเต้นและเริ่มเสนอแชทบอททางกฎหมายที่คุณกำลังวางแผนจะสร้าง ปีเตอร์ดูสนใจ โน้มตัวไปทางคุณ อืม และพยักหน้า เมื่อถึงจุดหนึ่ง คุณต้องการความเห็นจากเขาว่าเขาต้องการใช้แอปของคุณหรือไม่ แทนที่จะใช้คำพูดที่ให้ข้อมูลเพื่อชดเชยคารมคมคายของคุณ คุณจะได้ยินว่า: “อืม… แอปนี้ทำอะไรอีกแล้ว?”
สัญญาการสื่อสารที่ไม่ได้เขียนเป็นลายลักษณ์อักษรระหว่างมนุษย์สันนิษฐานว่าเรากำลังฟังคู่สนทนาของเราและสร้างคำพูดของเราเองในบริบทที่เรากำลังสร้างร่วมกันในระหว่างการโต้ตอบ ในบริบททางสังคม การเกิดขึ้นของความเข้าใจร่วมกันนี้ทำให้เกิดการสนทนาที่ประสบผลสำเร็จและมีคุณค่า ในการตั้งค่าธรรมดาๆ เช่น การจองโต๊ะร้านอาหารหรือการซื้อตั๋วรถไฟ การมีความจำเป็นอย่างยิ่งในการบรรลุภารกิจและมอบมูลค่าที่คาดหวังให้กับผู้ใช้ สิ่งนี้ต้องการให้ผู้ช่วยของคุณทราบประวัติการสนทนาปัจจุบัน แต่ยังรวมถึงการสนทนาที่ผ่านมาด้วย ตัวอย่างเช่น ไม่ควรถามชื่อและรายละเอียดส่วนตัวอื่น ๆ ของผู้ใช้ซ้ำแล้วซ้ำเล่าทุกครั้งที่เริ่มการสนทนา
ความท้าทายประการหนึ่งของการรักษาการรับรู้บริบทคือการแก้ปัญหาหลัก กล่าวคือ การทำความเข้าใจว่าวัตถุใดถูกอ้างถึงโดยคำสรรพนาม มนุษย์ใช้ความหมายตามบริบทหลายอย่างโดยสัญชาตญาณเมื่อพวกเขาแปลภาษา ตัวอย่างเช่น คุณสามารถถามเด็กเล็กว่า “ได้โปรดนำลูกบอลสีเขียวออกจากกล่องสีแดงแล้วนำมาให้ฉัน” แล้วเด็กจะรู้ว่าคุณหมายถึงลูกบอล ไม่ใช่กล่อง สำหรับผู้ช่วยเสมือน งานนี้ค่อนข้างท้าทาย ดังภาพประกอบในบทสนทนาต่อไปนี้:
ผู้ช่วย: ขอบคุณ ฉันจะจองเที่ยวบินของคุณแล้ว คุณต้องการสั่งอาหารสำหรับเที่ยวบินของคุณด้วยหรือไม่
ผู้ใช้: อืม… ฉันขอตัดสินใจทีหลังได้ไหมว่าฉันต้องการมันไหม?
ผู้ช่วย: ขออภัย เที่ยวบินนี้ไม่สามารถเปลี่ยนแปลงหรือยกเลิกในภายหลังได้
ในที่นี้ผู้ช่วยจำคำสรรพนามนั้นไม่ได้ it จากผู้ใช้ไม่ได้หมายถึงเที่ยวบิน แต่หมายถึงอาหาร ดังนั้นจึงต้องทำซ้ำอีกครั้งเพื่อแก้ไขความเข้าใจผิดนี้
3.4 ราวกั้นเพิ่มเติม
แม้แต่ LLM ที่เก่งที่สุดก็ยังประพฤติตัวไม่ดีและเกิดอาการประสาทหลอนเป็นครั้งคราว ในหลายกรณี อาการประสาทหลอนเป็นปัญหาเรื่องความแม่นยำ และคุณต้องยอมรับว่าไม่มี AI ใดที่แม่นยำ 100% เมื่อเปรียบเทียบกับระบบ AI อื่นๆ “ระยะห่าง” ระหว่างผู้ใช้กับ AI นั้นค่อนข้างเล็กระหว่างผู้ใช้กับ AI ปัญหาความแม่นยำธรรมดาอาจกลายเป็นสิ่งที่ถูกมองว่าเป็นพิษ แบ่งแยก หรือเป็นอันตรายโดยทั่วไปได้อย่างรวดเร็ว นอกจากนี้ เนื่องจาก LLM ไม่มีความเข้าใจโดยธรรมชาติเกี่ยวกับความเป็นส่วนตัว พวกเขาจึงสามารถเปิดเผยข้อมูลที่ละเอียดอ่อน เช่น ข้อมูลที่สามารถระบุตัวบุคคลได้ (PII) คุณสามารถต่อต้านพฤติกรรมเหล่านี้ได้โดยใช้ราวกั้นเพิ่มเติม เครื่องมือต่างๆ เช่น Guardrails AI, Rebuff, NeMo Guardrails และ Microsoft Guidance ช่วยให้คุณสามารถลดความเสี่ยงของระบบได้โดยการกำหนดข้อกำหนดเพิ่มเติมเกี่ยวกับเอาต์พุต LLM และบล็อกเอาต์พุตที่ไม่ต้องการ
AI แบบสนทนาสามารถทำได้หลายสถาปัตยกรรม สคีมาต่อไปนี้แสดงตัวอย่างง่ายๆ ของวิธีที่ LLM ข้อมูลภายนอก และหน่วยความจำที่ได้รับการปรับแต่งอย่างละเอียดสามารถรวมเข้าด้วยกันโดยตัวแทนการสนทนา ซึ่งมีหน้าที่รับผิดชอบในการสร้างและราวกั้นทันที
4. ประสบการณ์ผู้ใช้และการออกแบบการสนทนา
เสน่ห์ของอินเทอร์เฟซการสนทนาอยู่ที่ความเรียบง่ายและความสม่ำเสมอในแอปพลิเคชันต่างๆ หากอนาคตของอินเทอร์เฟซผู้ใช้คือแอปทั้งหมดจะดูเหมือนกันไม่มากก็น้อย งานของนักออกแบบ UX จะถึงวาระหรือไม่ ไม่แน่นอน — การสนทนาเป็นศิลปะที่ต้องสอนให้กับ LLM ของคุณ เพื่อให้สามารถดำเนินการสนทนาที่เป็นประโยชน์ เป็นธรรมชาติ และสะดวกสบายสำหรับผู้ใช้ของคุณ การออกแบบการสนทนาที่ดีเกิดขึ้นเมื่อเราผสมผสานความรู้ด้านจิตวิทยามนุษย์ ภาษาศาสตร์ และการออกแบบ UX ต่อไปนี้ เราจะพิจารณาสองตัวเลือกพื้นฐานเมื่อสร้างระบบการสนทนา กล่าวคือ คุณจะใช้เสียงและ/หรือแชท รวมถึงบริบทที่ใหญ่ขึ้นของระบบของคุณ จากนั้น เราจะดูที่บทสนทนา และดูว่าคุณสามารถออกแบบบุคลิกภาพของผู้ช่วยของคุณพร้อมทั้งสอนให้มีส่วนร่วมในการสนทนาที่เป็นประโยชน์และร่วมมือกันได้อย่างไร
4.1 เสียงกับการแชท
อินเทอร์เฟซการสนทนาสามารถใช้งานได้โดยใช้การแชทหรือเสียง โดยสรุป เสียงจะเร็วขึ้น ในขณะที่การแชทช่วยให้ผู้ใช้มีความเป็นส่วนตัวและได้รับประโยชน์จากฟังก์ชัน UI ที่ได้รับการเสริมประสิทธิภาพ มาเจาะลึกสองตัวเลือกกันอีกสักหน่อย เนื่องจากนี่เป็นหนึ่งในการตัดสินใจแรกๆ และสำคัญที่สุดที่คุณจะต้องเผชิญเมื่อสร้างแอปสนทนา
หากต้องการเลือกระหว่างสองทางเลือกนี้ ให้เริ่มต้นด้วยการพิจารณาการตั้งค่าทางกายภาพที่จะใช้แอปของคุณ ตัวอย่างเช่น เหตุใดระบบสนทนาเกือบทั้งหมดในรถยนต์ เช่น ระบบที่นำเสนอโดย Nuance Communications จึงใช้เสียงเป็นหลัก เพราะมือของคนขับยุ่งอยู่แล้วและไม่สามารถสลับระหว่างพวงมาลัยและคีย์บอร์ดได้ตลอดเวลา นอกจากนี้ยังใช้กับกิจกรรมอื่นๆ เช่น การทำอาหาร ซึ่งผู้ใช้ต้องการให้กิจกรรมของตนไม่สะดุดขณะใช้แอปของคุณ รถยนต์และห้องครัวส่วนใหญ่เป็นพื้นที่ส่วนตัว ดังนั้นผู้ใช้สามารถสัมผัสประสบการณ์ความสุขของการโต้ตอบด้วยเสียงโดยไม่ต้องกังวลเรื่องความเป็นส่วนตัวหรือรบกวนผู้อื่น ในทางตรงกันข้าม หากจะใช้แอปของคุณในที่สาธารณะ เช่น สำนักงาน ห้องสมุด หรือสถานีรถไฟ เสียงอาจไม่ใช่ตัวเลือกแรกของคุณ
หลังจากเข้าใจสภาพแวดล้อมทางกายภาพแล้ว ให้พิจารณาด้านอารมณ์ เสียงสามารถนำมาใช้อย่างจงใจเพื่อถ่ายทอดน้ำเสียง อารมณ์ และบุคลิกภาพ สิ่งนี้เพิ่มคุณค่าให้กับบริบทของคุณหรือไม่? หากคุณกำลังสร้างแอปเพื่อการพักผ่อน เสียงอาจเพิ่มปัจจัยด้านความสนุกสนาน ในขณะที่ผู้ช่วยด้านสุขภาพจิตสามารถรองรับความเห็นอกเห็นใจได้มากขึ้น และช่วยให้ผู้ใช้ที่มีปัญหาสามารถแสดงออกได้กว้างขึ้น ในทางตรงกันข้าม หากแอปของคุณจะช่วยเหลือผู้ใช้ในสภาพแวดล้อมแบบมืออาชีพ เช่น การซื้อขายหรือการบริการลูกค้า การโต้ตอบผ่านข้อความโดยไม่เปิดเผยตัวตนมากขึ้นอาจนำไปสู่การตัดสินใจที่เป็นกลางมากขึ้น และช่วยให้คุณไม่ต้องยุ่งยากในการออกแบบประสบการณ์ทางอารมณ์ที่มากเกินไป
ในขั้นตอนถัดไป ให้คิดถึงฟังก์ชันการทำงาน อินเทอร์เฟซแบบข้อความช่วยให้คุณเพิ่มคุณค่าให้กับการสนทนาด้วยสื่ออื่นๆ เช่น รูปภาพและองค์ประกอบ UI แบบกราฟิก เช่น ปุ่ม ตัวอย่างเช่น ในผู้ช่วยอีคอมเมิร์ซ แอปที่แนะนำผลิตภัณฑ์โดยการโพสต์รูปภาพและคำอธิบายที่มีโครงสร้างจะเป็นมิตรกับผู้ใช้มากกว่าแอปที่อธิบายผลิตภัณฑ์ด้วยเสียงและอาจระบุตัวระบุได้
สุดท้ายนี้ เรามาพูดถึงความท้าทายเพิ่มเติมในการออกแบบและการพัฒนาของการสร้าง UI ด้วยเสียง:
- มีขั้นตอนเพิ่มเติมของการรู้จำคำพูดที่เกิดขึ้นก่อนที่อินพุตของผู้ใช้จะสามารถประมวลผลด้วย LLM และการประมวลผลภาษาธรรมชาติ (NLP) ได้
- เสียงเป็นสื่อกลางในการสื่อสารที่เป็นส่วนตัวและสื่ออารมณ์ ดังนั้น ข้อกำหนดในการออกแบบบุคลิกที่สอดคล้อง เหมาะสม และสนุกสนานเบื้องหลังผู้ช่วยเสมือนของคุณจึงสูงกว่า และคุณจะต้องคำนึงถึงปัจจัยเพิ่มเติมของ "การออกแบบเสียง" เช่น เสียงต่ำ ความเครียด น้ำเสียง และความเร็วในการพูด
- ผู้ใช้คาดหวังให้การสนทนาด้วยเสียงของคุณดำเนินการด้วยความเร็วเท่ากับการสนทนาของมนุษย์ หากต้องการให้การโต้ตอบที่เป็นธรรมชาติผ่านทางเสียง คุณต้องมีเวลาแฝงน้อยกว่าการแชทมาก ในการสนทนาของมนุษย์ ช่องว่างโดยทั่วไประหว่างเทิร์นคือ 200 มิลลิวินาที — การตอบสนองที่รวดเร็วนี้เป็นไปได้เนื่องจากเราเริ่มสร้างผลัดของเราในขณะที่ฟังคำพูดของคู่ของเรา ผู้ช่วยเสียงของคุณจะต้องสอดคล้องกับความคล่องแคล่วในการโต้ตอบในระดับนี้ ในทางตรงกันข้าม สำหรับแชทบอท คุณจะแข่งขันกันด้วยช่วงเวลาไม่กี่วินาที และนักพัฒนาบางคนถึงกับเพิ่มความล่าช้าเพิ่มเติมเพื่อทำให้การสนทนารู้สึกเหมือนเป็นการแชทที่พิมพ์ระหว่างมนุษย์
- การสื่อสารผ่านเสียงเป็นแบบเส้นตรงและดำเนินการเพียงครั้งเดียว — หากผู้ใช้ของคุณไม่ได้รับสิ่งที่คุณพูด คุณจะตกอยู่ในขั้นตอนการชี้แจงที่น่าเบื่อและเสี่ยงต่อข้อผิดพลาด ดังนั้นการเลี้ยวของคุณจะต้องกระชับ ชัดเจน และให้ข้อมูลมากที่สุด
หากคุณเลือกใช้โซลูชันด้านเสียง ตรวจสอบให้แน่ใจว่าคุณไม่เพียงแต่เข้าใจถึงข้อดีอย่างชัดเจนเมื่อเปรียบเทียบกับการแชท แต่ยังมีทักษะและทรัพยากรที่จะจัดการกับความท้าทายเพิ่มเติมเหล่านี้ด้วย
4.2 AI การสนทนาของคุณจะอยู่ที่ไหน
ตอนนี้ เรามาพิจารณาบริบทที่กว้างขึ้นซึ่งคุณสามารถรวม AI การสนทนาเข้าด้วยกันได้ เราทุกคนคุ้นเคยกับแชทบอทบนเว็บไซต์ของบริษัท — วิดเจ็ตเหล่านั้นทางด้านขวาของหน้าจอที่ปรากฏขึ้นเมื่อเราเปิดเว็บไซต์ของธุรกิจ โดยส่วนตัวแล้ว บ่อยกว่านั้น ปฏิกิริยาตามสัญชาตญาณของฉันคือการมองหาปุ่มปิด ทำไมเป็นอย่างนั้น? จากความพยายามครั้งแรกในการ "สนทนา" กับบอทเหล่านี้ ฉันได้เรียนรู้ว่าพวกเขาไม่สามารถตอบสนองข้อกำหนดข้อมูลที่เฉพาะเจาะจงมากกว่านี้ได้ และในท้ายที่สุด ฉันยังคงต้องจัดการผ่านเว็บไซต์ คุณธรรมของเรื่อง? อย่าสร้างแชทบอทเพราะมันเจ๋งและอินเทรนด์ แต่จงสร้างมันขึ้นมาเพราะคุณมั่นใจว่ามันจะสามารถสร้างมูลค่าเพิ่มให้กับผู้ใช้ของคุณได้
นอกเหนือจากวิดเจ็ตที่เป็นข้อขัดแย้งบนเว็บไซต์ของบริษัทแล้ว ยังมีบริบทที่น่าตื่นเต้นหลายประการในการรวมแชทบอททั่วไปเหล่านั้นเข้ากับ LLM:
- นักบิน: ผู้ช่วยเหล่านี้จะแนะนำและแนะนำคุณเกี่ยวกับกระบวนการและงานเฉพาะ เช่น GitHub CoPilot สำหรับการเขียนโปรแกรม โดยปกติแล้ว copilots จะ “เชื่อมโยง” กับแอปพลิเคชันเฉพาะ (หรือชุดแอปพลิเคชันขนาดเล็กที่เกี่ยวข้อง)
- มนุษย์สังเคราะห์ (รวมถึงมนุษย์ดิจิทัลด้วย): สิ่งมีชีวิตเหล่านี้ "เลียนแบบ" มนุษย์ที่แท้จริงในโลกดิจิทัล พวกเขาดู แสดงออก และพูดได้เหมือนมนุษย์ ดังนั้นจึงต้องการความสามารถในการสนทนาที่หลากหลายด้วย มนุษย์สังเคราะห์มักใช้ในแอปพลิเคชันที่ดื่มด่ำ เช่น การเล่นเกม และความเป็นจริงเสริมและความเป็นจริงเสมือน
- ฝาแฝดดิจิทัล: แฝดดิจิทัลคือ "สำเนา" ดิจิทัลของกระบวนการและวัตถุในโลกแห่งความเป็นจริง เช่น โรงงาน รถยนต์ หรือเครื่องยนต์ ใช้เพื่อจำลอง วิเคราะห์ และเพิ่มประสิทธิภาพการออกแบบและพฤติกรรมของวัตถุจริง การโต้ตอบด้วยภาษาที่เป็นธรรมชาติกับแฝดดิจิทัลช่วยให้เข้าถึงข้อมูลและแบบจำลองได้ราบรื่นและหลากหลายยิ่งขึ้น
- ฐานข้อมูล: ในปัจจุบัน ข้อมูลมีอยู่ในทุกหัวข้อ ไม่ว่าจะเป็นคำแนะนำในการลงทุน ข้อมูลโค้ด หรือสื่อการเรียนรู้ สิ่งที่มักยากคือการหาข้อมูลเฉพาะเจาะจงที่ผู้ใช้ต้องการในสถานการณ์เฉพาะ ส่วนต่อประสานกราฟิกกับฐานข้อมูลนั้นหยาบเกินไปหรือเต็มไปด้วยวิดเจ็ตการค้นหาและตัวกรองที่ไม่มีที่สิ้นสุด ภาษาคิวรีอเนกประสงค์ เช่น SQL และ GraphQL สามารถเข้าถึงได้โดยผู้ใช้ที่มีทักษะที่เกี่ยวข้องเท่านั้น โซลูชันการสนทนาช่วยให้ผู้ใช้สามารถสืบค้นข้อมูลในภาษาธรรมชาติ ในขณะที่ LLM ที่ประมวลผลคำขอจะแปลงเป็นภาษาสืบค้นที่เกี่ยวข้องโดยอัตโนมัติ (เปรียบเทียบ บทความนี้ สำหรับคำอธิบายของ Text2SQL)
4.3 การประทับบุคลิกภาพบนผู้ช่วยของคุณ
ในฐานะมนุษย์ เราถูกเชื่อมโยงไปสู่การเป็นมนุษย์ กล่าวคือ สร้างลักษณะพิเศษของมนุษย์เพิ่มเติมเมื่อเราเห็นบางสิ่งที่ดูคลุมเครือคล้ายกับมนุษย์ ภาษาเป็นหนึ่งในความสามารถที่มีเอกลักษณ์และน่าทึ่งที่สุดของมนุษย์ และผลิตภัณฑ์การสนทนาจะเชื่อมโยงกับมนุษย์โดยอัตโนมัติ ผู้คนจะจินตนาการถึงบุคคลที่อยู่หลังหน้าจอหรืออุปกรณ์ของตน และถือเป็นแนวปฏิบัติที่ดีที่จะไม่ปล่อยให้บุคคลนี้มีโอกาสจินตนาการของผู้ใช้ แต่ให้ยืมบุคลิกที่สอดคล้องกันซึ่งสอดคล้องกับผลิตภัณฑ์และแบรนด์ของคุณ กระบวนการนี้เรียกว่า "การออกแบบบุคลิกภาพ"
ขั้นตอนแรกของการออกแบบบุคลิกคือการทำความเข้าใจลักษณะตัวละครที่คุณต้องการให้แสดงบุคลิกของคุณ ตามหลักการแล้ว การดำเนินการนี้เสร็จสิ้นแล้วในระดับข้อมูลการฝึกอบรม ตัวอย่างเช่น เมื่อใช้ RLHF คุณสามารถขอให้ผู้อธิบายประกอบจัดอันดับข้อมูลตามคุณลักษณะ เช่น ความเป็นประโยชน์ ความสุภาพ ความสนุกสนาน ฯลฯ เพื่อที่จะให้แบบจำลองมีอคติต่อ ลักษณะที่ต้องการ ลักษณะเหล่านี้สามารถจับคู่กับคุณลักษณะของแบรนด์ได้ เพื่อสร้างภาพลักษณ์ที่สอดคล้องกันซึ่งจะโปรโมตแบรนด์ของคุณอย่างต่อเนื่องผ่านประสบการณ์การใช้ผลิตภัณฑ์
นอกเหนือจากลักษณะทั่วไปแล้ว คุณควรคิดถึงวิธีที่ผู้ช่วยเสมือนของคุณจะจัดการกับสถานการณ์เฉพาะนอกเหนือจาก "เส้นทางแห่งความสุข" อย่างไร ตัวอย่างเช่น จะตอบสนองต่อคำขอของผู้ใช้ที่อยู่นอกเหนือขอบเขต ตอบคำถามเกี่ยวกับตัวมันเอง และจัดการกับภาษาที่ไม่เหมาะสมหรือหยาบคายอย่างไร
สิ่งสำคัญคือต้องพัฒนาหลักเกณฑ์ภายในที่ชัดเจนเกี่ยวกับบุคลิกของคุณที่ผู้อธิบายข้อมูลและนักออกแบบการสนทนาสามารถใช้ได้ สิ่งนี้จะช่วยให้คุณสามารถออกแบบบุคลิกของคุณได้อย่างมีจุดมุ่งหมาย และรักษาความสอดคล้องกันในทีมของคุณและเมื่อเวลาผ่านไป เนื่องจากใบสมัครของคุณผ่านการทำซ้ำและการปรับแต่งหลายครั้ง
4.4 การสนทนาที่เป็นประโยชน์ตาม “หลักความร่วมมือ”
คุณเคยรู้สึกประทับใจที่ได้พูดคุยกับกำแพงอิฐเมื่อคุณพูดคุยกับมนุษย์จริงๆ หรือไม่? บางครั้งเราพบว่าคู่สนทนาของเราไม่สนใจที่จะนำการสนทนาไปสู่ความสำเร็จ โชคดีที่ในกรณีส่วนใหญ่ สิ่งต่างๆ จะราบรื่นขึ้น และมนุษย์จะปฏิบัติตาม "หลักการแห่งความร่วมมือ" ที่ได้รับการแนะนำโดยนักปรัชญาภาษา Paul Grice โดยสัญชาตญาณ ตามหลักการนี้ มนุษย์ที่ประสบความสำเร็จในการสื่อสารระหว่างกันจะต้องยึดหลักสำคัญ XNUMX ประการ ได้แก่ ปริมาณ คุณภาพ ความเกี่ยวข้อง และลักษณะท่าทาง
ปริมาณสูงสุด
ปริมาณสูงสุดขอให้ผู้พูดให้ข้อมูลและให้ข้อมูลตามที่ต้องการ ด้านข้างของผู้ช่วยเสมือนยังหมายถึงการเคลื่อนบทสนทนาไปข้างหน้าอย่างแข็งขันอีกด้วย ตัวอย่างเช่น ลองพิจารณาตัวอย่างนี้จากแอปแฟชั่นอีคอมเมิร์ซ:
ผู้ช่วย: คุณกำลังมองหาเสื้อผ้าประเภทไหน?
ผู้ใช้: ฉันกำลังมองหาชุดสีส้ม
ผู้ช่วย: อย่า: ขออภัย เราไม่มีชุดสีส้มในขณะนี้
ทำ: ขออภัย เราไม่มีชุดสีส้ม แต่เรามีชุดสีเหลืองที่ดูดีและสวมใส่สบายมาก: …
ผู้ใช้หวังที่จะทิ้งแอปของคุณไว้พร้อมกับรายการที่เหมาะสม การหยุดการสนทนาเพราะคุณไม่มีสิ่งที่ตรงกับคำอธิบายที่แน่นอนจะทำลายโอกาสที่จะประสบความสำเร็จ อย่างไรก็ตาม หากแอปของคุณให้คำแนะนำเกี่ยวกับรายการทางเลือก แอปจะมีประโยชน์มากขึ้น และเปิดตัวเลือกของการโต้ตอบที่ประสบความสำเร็จไว้ทิ้งไว้
โดยเฉพาะอย่างยิ่งในการโต้ตอบด้วยเสียง สิ่งสำคัญคือต้องหาสมดุลที่เหมาะสมระหว่างการให้ข้อมูลทั้งหมดที่ผู้ใช้อาจต้องการเพื่อความสำเร็จ ขณะเดียวกันก็อย่าให้ข้อมูลที่ไม่จำเป็นมากเกินไปซึ่งอาจทำให้การโต้ตอบสับสน
แม็กซิมแห่งคุณภาพ
คุณภาพสูงสุดขอให้ผู้พูดพูดความจริง และไม่พูดสิ่งที่พวกเขาเชื่อว่าเป็นเท็จหรือขาดหลักฐานที่เพียงพอ มีความเป็นส่วนตัวและความเชื่อส่วนตัวมากมายที่เกี่ยวข้องที่นี่ ดังนั้น หลักการนี้จึงไม่สามารถฉายลงบน LLM ได้โดยตรง ดังที่เราได้เห็นมาแล้ว LLM มีแนวโน้มที่จะเกิดอาการประสาทหลอน และความเสี่ยงนี้จะสูงเป็นพิเศษเมื่อการสนทนาหลุดออกไปในดินแดนที่ไม่ค่อยคุ้นเคย สามารถใช้ราวกั้นเพิ่มเติมเพื่อหลีกเลี่ยงข้อความที่ทำให้เข้าใจผิดและทำให้การสนทนากลับมาเป็นปกติ
ความเกี่ยวข้องสูงสุด
จุดสูงสุดของความเกี่ยวข้องขอให้เรามีความเกี่ยวข้อง ตามเงื่อนไขเบื้องต้น ผู้ช่วยเสมือนจะต้องเข้าใจจุดประสงค์ที่แท้จริงของผู้ใช้ นี่คือตัวอย่างผู้ช่วยสายการบินที่ละเมิดกฎนี้:
ผู้ใช้: ฉันต้องการเที่ยวบินจากเบอร์ลินไปซูริคเช้าวันพรุ่งนี้
ผู้ช่วย: โอเค พบเที่ยวบินต่อไปนี้จากเบอร์ลินไปซูริกสำหรับเช้าวันพรุ่งนี้ เที่ยวบิน BZ36294 ออกจากเบอร์ลินเวลา 6.30 น. และถึงซูริคเวลา 8 น. เที่ยวบิน BZ96294 ออกจากเบอร์ลินเวลา 8 น. และถึงที่หมายเวลา 9.30 น. เที่ยวบิน BZ96294 ออกจากเบอร์ลินเวลา 8 น. และถึงซูริกเวลา 9.30 น. เที่ยวบิน BZ95614 ออกจากเบอร์ลินเวลา 11 น. และถึงซูริกเวลา 12.30 น. นอกจากนี้ยังมีความเป็นไปได้ที่จะต้องต่อเที่ยวบิน ซึ่งในกรณีนี้คุณจะออกจากเบอร์ลินเวลา 11.45 น. และถึงซูริกเวลา 3 น.
ผู้ใช้: ขออภัย… คุณช่วยทำซ้ำอีกครั้งได้ไหม?
ผู้ช่วยให้ข้อมูลรายละเอียดแก่ผู้ใช้อย่างล้นหลามซึ่งอาจไม่เกี่ยวข้อง การแยกส่วนนี้ออกและแนะนำให้ผู้ใช้จำกัดพื้นที่การค้นหา บทสนทนาจะย่อยได้ง่ายขึ้นมาก:
ผู้ใช้: ฉันต้องการเที่ยวบินจากเบอร์ลินไปซูริคเช้าวันพรุ่งนี้
ผู้ช่วย: โอเค ฉันเจอเที่ยวบินที่ออกเดินทางเวลา 6.30, 8 และ 11 น. คุณอยากจะออกเวลาไหน?
ผู้ใช้: ฉันต้องไปถึงซูริคก่อน 9 น.
ผู้ช่วย: โอเค คุณสามารถขึ้นเที่ยวบิน BZ36294 ได้ รถออกเวลา 6.30 น. และมาถึงเวลา 8 น. ฉันควรซื้อตั๋วให้คุณไหม?
ผู้ใช้: ใช่ขอบคุณ.
แม็กซิมแห่งมารยาท
ท้ายที่สุด มารยาทสูงสุดระบุว่าการแสดงคำพูดของเราควรมีความชัดเจน กระชับ และเป็นระเบียบเรียบร้อย หลีกเลี่ยงความคลุมเครือและความสับสนในการแสดงออก ผู้ช่วยเสมือนของคุณควรหลีกเลี่ยงศัพท์เฉพาะทางเทคนิคหรือศัพท์เฉพาะภายใน และเลือกใช้สูตรที่เรียบง่ายและเข้าใจได้ในระดับสากล
แม้ว่าหลักการของ Grice ใช้ได้กับการสนทนาทั้งหมดโดยไม่ขึ้นอยู่กับโดเมนใดโดเมนหนึ่ง แต่ LLM ที่ไม่ได้รับการฝึกอบรมเป็นพิเศษสำหรับการสนทนามักจะไม่สามารถตอบสนองได้ ดังนั้น เมื่อรวบรวมข้อมูลการฝึกอบรม สิ่งสำคัญคือต้องมีตัวอย่างบทสนทนาเพียงพอที่ช่วยให้โมเดลของคุณเรียนรู้หลักการเหล่านี้
ขอบเขตของการออกแบบการสนทนากำลังพัฒนาค่อนข้างเร็ว ไม่ว่าคุณจะสร้างผลิตภัณฑ์ AI อยู่แล้วหรือกำลังคิดเกี่ยวกับเส้นทางอาชีพของคุณใน AI ฉันขอแนะนำให้คุณเจาะลึกในหัวข้อนี้ (เปรียบเทียบการแนะนำที่ยอดเยี่ยมใน [5] และ [6]) เนื่องจาก AI กำลังกลายเป็นสินค้าโภคภัณฑ์ การออกแบบที่ดีร่วมกับกลยุทธ์ข้อมูลที่ป้องกันได้จะกลายเป็นตัวสร้างความแตกต่างที่สำคัญสองประการสำหรับผลิตภัณฑ์ AI
สรุป
มาสรุปประเด็นสำคัญจากบทความกัน นอกจากนี้ รูปที่ 5 ยังมี "เอกสารโกง" พร้อมประเด็นหลักที่คุณสามารถดาวน์โหลดเป็นข้อมูลอ้างอิงได้
- LLM ปรับปรุง AI การสนทนา: โมเดลภาษาขนาดใหญ่ (LLM) ได้ปรับปรุงคุณภาพและความสามารถในการปรับขนาดของแอปพลิเคชัน AI การสนทนาในอุตสาหกรรมและกรณีการใช้งานต่างๆ อย่างมีนัยสำคัญ
- AI การสนทนาสามารถเพิ่มมูลค่าได้มากมายให้กับแอปพลิเคชันที่มีคำขอของผู้ใช้ที่คล้ายกันจำนวนมาก (เช่น การบริการลูกค้า) หรือที่จำเป็นต้องเข้าถึงข้อมูลที่ไม่มีโครงสร้างจำนวนมาก (เช่น การจัดการความรู้)
- ข้อมูล: การปรับแต่ง LLM อย่างละเอียดสำหรับงานการสนทนาต้องใช้ข้อมูลการสนทนาคุณภาพสูงที่สะท้อนการโต้ตอบในโลกแห่งความเป็นจริงอย่างใกล้ชิด การระดมทุนและข้อมูลที่สร้างโดย LLM อาจเป็นทรัพยากรที่มีค่าสำหรับการปรับขนาดการรวบรวมข้อมูล
- การรวมระบบเข้าด้วยกัน: การพัฒนาระบบ AI การสนทนาเป็นกระบวนการทำซ้ำและทดลองที่เกี่ยวข้องกับการปรับข้อมูลให้เหมาะสมอย่างต่อเนื่อง กลยุทธ์การปรับแต่ง และการบูรณาการส่วนประกอบ
- การสอนทักษะการสนทนาให้กับ LLM: การปรับแต่ง LLM อย่างละเอียดเกี่ยวข้องกับการฝึกอบรมให้พวกเขารับรู้และตอบสนองต่อเจตนาและสถานการณ์ในการสื่อสารที่เฉพาะเจาะจง
- การเพิ่มข้อมูลภายนอกด้วยการค้นหาเชิงความหมาย: การรวมแหล่งข้อมูลภายนอกและภายในโดยใช้การค้นหาเชิงความหมายจะปรับปรุงการตอบสนองของ AI โดยการให้ข้อมูลที่เกี่ยวข้องตามบริบทมากขึ้น
- ความจำและการรับรู้บริบท: ระบบการสนทนาที่มีประสิทธิภาพจะต้องรักษาการรับรู้บริบท รวมถึงการติดตามประวัติของการสนทนาปัจจุบันและการโต้ตอบในอดีต เพื่อให้คำตอบที่มีความหมายและสอดคล้องกัน
- การตั้งราวกั้น: เพื่อให้มั่นใจถึงพฤติกรรมที่มีความรับผิดชอบ ระบบ AI การสนทนาควรใช้ราวกั้นเพื่อป้องกันความไม่ถูกต้อง ภาพหลอน และการละเมิดความเป็นส่วนตัว
- การออกแบบบุคลิก: การออกแบบบุคลิกที่สอดคล้องกันสำหรับผู้ช่วยสนทนาของคุณถือเป็นสิ่งสำคัญในการสร้างประสบการณ์ผู้ใช้ที่เหนียวแน่นและมีแบรนด์ ลักษณะบุคลิกภาพควรสอดคล้องกับคุณลักษณะของผลิตภัณฑ์และตราสินค้าของคุณ
- เสียงกับการแชท: การเลือกระหว่างอินเทอร์เฟซเสียงและการแชทขึ้นอยู่กับปัจจัยต่างๆ เช่น การตั้งค่าทางกายภาพ บริบททางอารมณ์ ฟังก์ชันการทำงาน และความท้าทายด้านการออกแบบ พิจารณาปัจจัยเหล่านี้เมื่อตัดสินใจเลือกอินเทอร์เฟซสำหรับ AI การสนทนาของคุณ
- การบูรณาการในบริบทที่หลากหลาย: AI การสนทนาสามารถบูรณาการในบริบทที่แตกต่างกันได้ รวมถึงนักบิน มนุษย์สังเคราะห์ แฝดดิจิทัล และฐานข้อมูล โดยแต่ละรายการมีกรณีการใช้งานและข้อกำหนดเฉพาะ
- การปฏิบัติตามหลักการของความร่วมมือ: การปฏิบัติตามหลักการของปริมาณ คุณภาพ ความเกี่ยวข้อง และลักษณะในการสนทนาสามารถทำให้การโต้ตอบกับ AI การสนทนามีประโยชน์และเป็นมิตรต่อผู้ใช้มากขึ้น
อ้างอิง
[1] เฮง-เจ๋อ เฉิน และคณะ 2022. LaMDA: มุ่งสู่โมเดลไดอะล็อกที่ปลอดภัย มีเหตุผล และมีคุณภาพสูงสำหรับทุกสิ่ง.
[2] โอเพนเอไอ 2022. ChatGPT: การเพิ่มประสิทธิภาพโมเดลภาษาสำหรับบทสนทนา. สืบค้นเมื่อวันที่ 13 มกราคม 2022
[3] แพทริค ลูอิส และคณะ 2020. การดึงข้อมูล- Augmented Generation สำหรับงาน NLP ที่เน้นความรู้.
[4] พอล กรีซ 1989. การศึกษาวิถีแห่งคำพูด.
[5] เคธี่ เพิร์ล. 2016 การออกแบบอินเทอร์เฟซผู้ใช้ด้วยเสียง
[6] ไมเคิล โคเฮน และคณะ 2004. การออกแบบส่วนต่อประสานกับผู้ใช้ด้วยเสียง.
หมายเหตุ: ภาพทั้งหมดเป็นของผู้เขียน เว้นแต่จะระบุไว้เป็นอย่างอื่น
บทความนี้ถูกเผยแพร่เมื่อวันที่ ต่อวิทยาศาสตร์ข้อมูล และเผยแพร่ซ้ำไปยัง TOPBOTS โดยได้รับอนุญาตจากผู้เขียน
สนุกกับบทความนี้? ลงทะเบียนเพื่อรับการอัปเดตการวิจัย AI เพิ่มเติม
เราจะแจ้งให้คุณทราบเมื่อเราเผยแพร่บทความสรุปเพิ่มเติมเช่นนี้
ที่เกี่ยวข้อง
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://www.topbots.com/redefining-conversational-ai-with-large-language-models/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 10
- 11
- 110
- 12
- 125
- 13
- 14
- 17
- 200
- 2016
- 2020
- 2022
- 30
- 32
- 35%
- 41
- 65
- 7
- 70
- 8
- 9
- a
- ความสามารถ
- ความสามารถ
- เกี่ยวกับเรา
- แน่นอน
- ยอมรับ
- การยอมรับ
- เข้า
- Accessed
- สามารถเข้าถึงได้
- อำนวยความสะดวก
- บรรลุผล
- ตาม
- ลงชื่อเข้าใช้
- ซื้อสะสม
- ความถูกต้อง
- ถูกต้อง
- ข้าม
- กระทำ
- อย่างกระตือรือร้น
- กิจกรรม
- อยากทำกิจกรรม
- การกระทำ
- จริง
- เพิ่ม
- เพิ่ม
- เพิ่มเติม
- ข้อมูลเพิ่มเติม
- นอกจากนี้
- ที่อยู่
- การนำมาใช้
- ความก้าวหน้า
- ความได้เปรียบ
- ข้อได้เปรียบ
- แนะนำ
- หลังจาก
- อีกครั้ง
- กับ
- ตัวแทน
- ตัวแทน
- มาแล้ว
- AI
- วิจัยไอ
- ระบบ AI
- สายการบิน
- AL
- จัดแนว
- ชิด
- ทั้งหมด
- อนุญาต
- ช่วยให้
- เกือบจะ
- ตาม
- แล้ว
- ด้วย
- ทางเลือก
- ทางเลือก
- am
- ความคลุมเครือ
- ในหมู่
- an
- วิเคราะห์
- และ
- ไม่ระบุชื่อ
- อื่น
- คาดหวัง
- ใด
- app
- ปรากฏ
- การใช้งาน
- การใช้งาน
- มีผลบังคับใช้
- เข้าใกล้
- เหมาะสม
- ปพลิเคชัน
- เป็น
- พื้นที่
- รอบ
- มาถึง
- ศิลปะ
- บทความ
- บทความ
- เทียม
- AS
- ถาม
- ขอให้
- ประเมินผล
- การประเมิน
- การประเมินผล
- สินทรัพย์
- ช่วยเหลือ
- ผู้ช่วย
- ผู้ช่วย
- ที่เกี่ยวข้อง
- At
- ความพยายามในการ
- ความสนใจ
- แอตทริบิวต์
- เสริม
- เติม
- ผู้เขียน
- อัตโนมัติ
- ใช้ได้
- หลีกเลี่ยง
- หลีกเลี่ยง
- ความตระหนัก
- ไป
- กลับ
- ย้อนกลับ
- ยอดคงเหลือ
- ลูกบอล
- ฐาน
- ตาม
- ขั้นพื้นฐาน
- BE
- เพราะ
- กลายเป็น
- จะกลายเป็น
- รับ
- ก่อน
- หลัง
- กำลัง
- ความเชื่อ
- เชื่อ
- ที่รัก
- ประโยชน์
- กรุงเบอร์ลิน
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- เกิน
- อคติ
- บิต
- การปิดกั้น
- หนังสือ
- ทั้งสอง
- บอท
- กล่อง
- ยี่ห้อ
- ตรา
- แบรนด์ดิ้ง
- การละเมิด
- หมดสภาพ
- นำมาซึ่ง
- ที่กว้างขึ้น
- นำ
- สร้าง
- สร้างแชทบอท
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- ไม่ว่าง
- แต่
- ปุ่ม
- คลิกที่ปุ่ม
- ซื้อ
- การซื้อ
- by
- ที่เรียกว่า
- โทร
- มา
- CAN
- ยกเลิก
- ไม่ได้
- ความสามารถในการ
- ความก้าวหน้า
- รถยนต์
- กรณี
- กรณี
- cathy
- ศูนย์
- ท้าทาย
- ความท้าทาย
- ท้าทาย
- โอกาส
- การเปลี่ยนแปลง
- ช่อง
- ตัวอักษร
- ลักษณะ
- ลักษณะ
- chatbot
- chatbots
- ChatGPT
- เฉิน
- เด็ก
- ทางเลือก
- ทางเลือก
- เลือก
- ชัดเจน
- อย่างเห็นได้ชัด
- ปิดหน้านี้
- อย่างใกล้ชิด
- เสื้อผ้า
- เมฆ
- รหัส
- โคเฮน
- สอดคล้องกัน
- เหนียว
- การทำงานร่วมกัน
- ชุด
- รวมกัน
- อย่างไร
- มา
- สบาย
- สินค้า
- สื่อสาร
- การสื่อสาร
- คมนาคม
- บริษัท
- บริษัท
- เมื่อเทียบกับ
- แข่งขัน
- ซับซ้อน
- ส่วนประกอบ
- ส่วนประกอบ
- คอนเสิร์ต
- กระชับ
- ความประพฤติ
- งานที่เชื่อมต่อ
- การเชื่อมต่อ
- การเชื่อมต่อ
- พิจารณา
- พิจารณา
- คงเส้นคงวา
- คงที่
- ไม่หยุดหย่อน
- ก่อสร้าง
- การก่อสร้าง
- ติดต่อเรา
- เนื้อหา
- สิ่งแวดล้อม
- บริบท
- ตามบริบท
- อย่างต่อเนื่อง
- สัญญา
- ตรงกันข้าม
- สนับสนุน
- การบริจาค
- ผลงาน
- แย้ง
- การสนทนา
- การสนทนา
- AI สนทนา
- อินเทอร์เฟซการสนทนา
- การสนทนา
- การปรุงอาหาร
- เย็น
- ความร่วมมือ
- สหกรณ์
- แกน
- ตรงกัน
- ได้
- คู่
- หลักสูตร
- ปกคลุม
- สร้าง
- การสร้าง
- ความคิดสร้างสรรค์
- สิ่งมีชีวิต
- น่าเชื่อถือ
- เกณฑ์
- crowdsourcing
- ปัจจุบัน
- ขณะนี้
- เส้นโค้ง
- ลูกค้า
- บริการลูกค้า
- Customer Support
- ลูกค้า
- ข้อมูล
- กลยุทธ์ข้อมูล
- ฐานข้อมูล
- ฐานข้อมูล
- ตาย
- จัดการ
- ทศวรรษที่ผ่านมา
- ตัดสินใจ
- กำลังตัดสินใจ
- การตัดสินใจ
- ลึก
- กำหนด
- อย่างแน่นอน
- องศา
- ความล่าช้า
- ขึ้นอยู่กับ
- ลักษณะ
- ออกแบบ
- นักออกแบบ
- นักออกแบบ
- การออกแบบ
- ที่ต้องการ
- รายละเอียด
- รายละเอียด
- พัฒนา
- พัฒนา
- นักพัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- เครื่อง
- อุปกรณ์
- บทสนทนา
- บทสนทนา
- ต่าง
- ความแตกต่าง
- ยาก
- DIG
- ย่อยอาหาร
- ดิจิตอล
- ฝาแฝดดิจิทัล
- โลกดิจิตอล
- โดยตรง
- การค้นพบ
- แสดง
- การกระจาย
- การดำน้ำ
- do
- เอกสาร
- เอกสาร
- ทำ
- สุนัข
- การทำ
- โดเมน
- ทำ
- Dont
- ถึงวาระ
- ดาวน์โหลด
- คนขับรถ
- สอง
- ในระหว่าง
- e
- E-commerce
- E&T
- แต่ละ
- ง่ายดาย
- เกี่ยวกับการศึกษา
- มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- ทั้ง
- องค์ประกอบ
- การฝัง
- โผล่ออกมา
- ภาวะฉุกเฉิน
- โผล่ออกมา
- การเอาใจใส่
- พนักงาน
- ให้อำนาจ
- การเปิดใช้งาน
- ส่งเสริม
- ปลาย
- ความพยายาม
- ไม่มีที่สิ้นสุด
- ว่าจ้าง
- เครื่องยนต์
- เสริม
- ปรับปรุง
- ช่วย
- พอใจ
- พอ
- ประเทือง
- อุดม
- เพิ่มคุณค่า
- ทำให้มั่นใจ
- Enterprise
- โดยเฉพาะอย่างยิ่ง
- จำเป็น
- ฯลฯ
- การประเมินการ
- แม้
- ในที่สุด
- เคย
- หลักฐาน
- เผง
- ตัวอย่าง
- ตัวอย่าง
- ยอดเยี่ยม
- ยกเว้น
- ส่วนเกิน
- ตื่นเต้น
- น่าตื่นเต้น
- ดำเนินการ
- ที่มีอยู่
- คาดหวัง
- ที่คาดหวัง
- แพง
- ประสบการณ์
- การทดลอง
- อธิบาย
- คำอธิบาย
- การแสดงออก
- ภายนอก
- ใบหน้า
- ปัจจัย
- โรงงาน
- ปัจจัย
- เป็นความจริง
- ล้มเหลว
- ล้มเหลว
- ความล้มเหลว
- ฟอลส์
- เท็จ
- คุ้นเคย
- ที่น่าสนใจ
- แฟชั่น
- เร็วขึ้น
- ข้อเสนอแนะ
- รู้สึก
- รูป
- กรอง
- จบ
- หา
- ชื่อจริง
- พอดี
- แก้ไขปัญหา
- เที่ยวบิน
- เที่ยวบิน
- ไหล
- ที่ไหล
- กระแส
- โฟกัส
- ปฏิบัติตาม
- ตาม
- ดังต่อไปนี้
- สำหรับ
- ฟอร์ม
- เป็นทางการ
- การกำหนด
- โชคดี
- ข้างหน้า
- พบ
- สี่
- บ่อย
- มัก
- ราคาเริ่มต้นที่
- ด้านหน้า
- ที่น่าผิดหวัง
- เติมเต็ม
- สนุก
- ฟังก์ชั่น
- พื้นฐาน
- ต่อไป
- อนาคต
- การเล่นเกม
- ช่องว่าง
- รวบรวม
- General
- โดยทั่วไป
- สร้าง
- รุ่น
- ได้รับ
- GitHub
- กำหนด
- Go
- ไป
- ไป
- ดี
- กราฟคิวแอล
- ยิ่งใหญ่
- สีเขียว
- พื้น
- คำแนะนำ
- ให้คำแนะนำ
- แนวทาง
- มี
- มือ
- เกิดขึ้น
- ที่เกิดขึ้น
- ยาก
- เป็นอันตราย
- มี
- he
- สุขภาพ
- ได้ยิน
- ช่วย
- เป็นประโยชน์
- เธอ
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ซ่อนเร้น
- จุดสูง
- ที่มีคุณภาพสูง
- สูงกว่า
- อย่างสูง
- ของเขา
- ประวัติ
- ตี
- แบบองค์รวม
- ความหวัง
- หวัง
- ร้อน
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- ใหญ่
- เป็นมนุษย์
- มนุษย์
- อารมณ์ขัน
- hype
- i
- ความนึกคิด
- ตัวบ่งชี้
- ระบุ
- if
- แสดงให้เห็นถึง
- ภาพ
- ภาพ
- จินตนาการ
- ภาพ
- ดื่มด่ำ
- การดำเนินการ
- สำคัญ
- การปรับปรุง
- การปรับปรุง
- in
- ลึกซึ้ง
- ประกอบด้วย
- รวมทั้ง
- รวมเข้าด้วยกัน
- เพิ่ม
- เหลือเชื่อ
- อิสระ
- เป็นรายบุคคล
- อุตสาหกรรม
- ลงโทษ
- ข้อมูล
- ให้ข้อมูล
- โดยธรรมชาติ
- แรกเริ่ม
- เริ่มต้น
- ปัจจัยการผลิต
- แทน
- รวบรวม
- แบบบูรณาการ
- การบูรณาการ
- บูรณาการ
- ความตั้งใจ
- จงใจ
- โต้ตอบ
- ปฏิสัมพันธ์
- ปฏิสัมพันธ์
- การโต้ตอบ
- ระบบตอบสนองด้วยเสียงแบบโต้ตอบ
- สนใจ
- อินเตอร์เฟซ
- อินเตอร์เฟซ
- ภายใน
- พัน
- เข้าไป
- แนะนำ
- แนะนำ
- บทนำ
- แนะนำ
- ใช้งานง่าย
- การลงทุน
- คำแนะนำการลงทุน
- ร่วมมือ
- ที่เกี่ยวข้องกับการ
- ที่เกี่ยวข้องกับ
- ความเหงา
- ปัญหา
- ปัญหา
- IT
- รายการ
- การย้ำ
- ซ้ำ
- ITS
- ตัวเอง
- IVR
- มกราคม
- ศัพท์แสง
- การสัมภาษณ์
- ร่วมกัน
- jpg
- เพียงแค่
- เก็บ
- คีย์
- คำหลัก
- ฆ่า
- ชนิด
- ทราบ
- ความรู้
- การจัดการความรู้
- ที่รู้จักกัน
- ป้ายกำกับ
- เขาวงกต
- ไม่มี
- ภาษา
- ภาษา
- ใหญ่
- ขนาดใหญ่
- ที่มีขนาดใหญ่
- ความแอบแฝง
- ต่อมา
- ทนายความ
- ชั้นนำ
- นำไปสู่
- เรียนรู้
- ได้เรียนรู้
- การเรียนรู้
- ทิ้ง
- การออกจาก
- มรดก
- กฎหมาย
- ยืม
- น้อยลง
- ให้
- ชั้น
- ระดับ
- เลฟเวอเรจ
- ใช้ประโยชน์
- การใช้ประโยชน์
- ลูอิส
- ห้องสมุด
- ตั้งอยู่
- กดไลก์
- LIMIT
- ถูก จำกัด
- ภาษาศาสตร์
- การฟัง
- สด
- ตรรกะ
- นาน
- ดู
- ที่ต้องการหา
- LOOKS
- การสูญเสีย
- Lot
- จำนวนมาก
- เครื่อง
- ทำ
- ทางไปรษณีย์
- หลัก
- เก็บรักษา
- การบำรุงรักษา
- สำคัญ
- ทำ
- ทำให้
- การทำ
- การจัดการ
- การจัดการ
- ระบบการจัดการ
- ผู้จัดการ
- ลักษณะ
- หลาย
- ตลาด
- โอกาสทางการตลาด
- การจับคู่
- จับคู่
- วัสดุ
- วัสดุ
- ความกว้างสูงสุด
- สูงสุด
- me
- หมายความ
- มีความหมาย
- วิธี
- ภาพบรรยากาศ
- กลาง
- ที่ประชุม
- สมาชิก
- หน่วยความจำ
- จิต
- สุขภาพจิต
- วิธีการ
- ไมเคิล
- ไมโครซอฟท์
- อาจ
- มิลลิวินาที
- ศีลธรรม
- หลอกตา
- เข้าใจผิด
- แบบ
- โมเดล
- ทันสมัย
- ขณะ
- เดือน
- อารมณ์
- คุณธรรม
- ข้อมูลเพิ่มเติม
- มีประสิทธิภาพมากขึ้น
- ตอนเช้า
- มากที่สุด
- ส่วนใหญ่
- การย้าย
- มาก
- หลาย
- ฝูง
- ต้อง
- my
- ตนเอง
- ชื่อ
- คือ
- โดยธรรมชาติ
- ภาษาธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- จำเป็น
- ความจำเป็น
- จำเป็นต้อง
- จำเป็น
- ความต้องการ
- เชิงลบ
- ไม่เคย
- ใหม่
- แอปใหม่
- ถัดไป
- NLP
- ไม่
- ไม่ใช่เทคนิค
- ไม่มี
- ปกติ
- เด่น
- ความคิด
- ตอนนี้
- นวงของภาษา
- จำนวน
- มากมาย
- สรุป
- วัตถุ
- วัตถุประสงค์
- วัตถุ
- of
- ปิด
- เสนอ
- เสนอ
- เสนอ
- Office
- มักจะ
- on
- ครั้งเดียว
- ONE
- เพียง
- เปิด
- OpenAI
- การดำเนินงาน
- การดำเนินการ
- ความคิดเห็น
- โอกาส
- โอกาส
- การเพิ่มประสิทธิภาพ
- เพิ่มประสิทธิภาพ
- การปรับให้เหมาะสม
- การเพิ่มประสิทธิภาพ
- ตัวเลือกเสริม (Option)
- Options
- or
- ส้ม
- ใบสั่ง
- แต่เดิม
- อื่นๆ
- ผลิตภัณฑ์อื่นๆ
- มิฉะนั้น
- ของเรา
- ออก
- เอาท์พุท
- ด้านนอก
- เกิน
- สุดเหวี่ยง
- ที่ครอบงำ
- ของตนเอง
- หน้า
- เอกสาร
- ตัวอย่าง
- พาร์ทเนอร์
- พรรค
- ผ่าน
- อดีต
- สิทธิบัตร
- เส้นทาง
- อย่างอดทน
- แพทริค
- รูปแบบ
- พอล
- คน
- ต่อ
- ที่รับรู้
- ดำเนินการ
- การอนุญาต
- คน
- ส่วนบุคคล
- บุคลิกภาพ
- ส่วนตัว
- พีเตอร์
- กายภาพ
- เลือก
- ภาพ
- PII
- การขว้าง
- สถานที่
- ที่ราบ
- การวางแผน
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- จุด
- จุด
- น่าสงสาร
- ป๊อป
- ยอดนิยม
- ตำแหน่ง
- บวก
- ความเป็นไปได้
- เป็นไปได้
- ที่มีศักยภาพ
- ที่อาจเกิดขึ้น
- การปฏิบัติ
- การปฏิบัติ
- คำทำนาย
- การตั้งค่า
- นำเสนอ
- ป้องกัน
- หลัก
- หลักการ
- ความเป็นส่วนตัว
- ส่วนตัว
- ดำเนิน
- กระบวนการ
- การประมวลผล
- กระบวนการ
- การประมวลผล
- ผลิต
- ผลิตภัณฑ์
- ผลิตภัณฑ์
- มืออาชีพ
- ดูรายละเอียด
- การเขียนโปรแกรม
- ที่คาดการณ์
- โดดเด่น
- ส่งเสริม
- โปรโตคอล
- ให้
- ให้
- การให้
- จิตวิทยา
- สาธารณะ
- การตีพิมพ์
- วัตถุประสงค์
- ผลัก
- ผลักดัน
- คุณภาพ
- ปริมาณ
- คำสั่ง
- คำถาม
- อย่างรวดเร็ว
- อันดับ
- อันดับ
- ค่อนข้าง
- ปฏิกิริยา
- พร้อม
- จริง
- โลกแห่งความจริง
- ความจริง
- การรับรู้
- รับรู้
- ตระหนักถึง
- แนะนำ
- ที่เกิดขึ้น
- สีแดง
- Redefining
- ลด
- อ้างอิง
- การอ้างอิง
- การอ้างอิง
- เรียกว่า
- หมายถึง
- สะท้อน
- สะท้อนให้เห็นถึง
- การเรียนรู้การเสริมแรง
- ที่เกี่ยวข้อง
- ปล่อย
- ความสัมพันธ์กัน
- ตรงประเด็น
- อาศัย
- ยังคง
- ทำซ้ำ
- แทนที่
- ตอบ
- ขอ
- การร้องขอ
- จำเป็นต้องใช้
- ความต้องการ
- ต้อง
- การวิจัย
- คล้าย
- ความละเอียด
- แหล่งข้อมูล
- ตอบสนอง
- การตอบสนอง
- คำตอบ
- การตอบสนอง
- รับผิดชอบ
- ร้านอาหาร
- ส่งผลให้
- ผลสอบ
- เปิดเผย
- รวย
- ขวา
- ความเสี่ยง
- กฎ
- กฎระเบียบ
- วิ่ง
- ปลอดภัย
- ความปลอดภัย
- กล่าวว่า
- เดียวกัน
- ความพอใจ
- ที่บันทึกไว้
- กล่าว
- scalability
- ขนาด
- ปรับ
- วิทยาศาสตร์
- ขอบเขต
- คะแนน
- จอภาพ
- ค้นหา
- ที่สอง
- วินาที
- Section
- เห็น
- เห็น
- มีความละเอียดอ่อน
- ชุด
- บริการ
- ชุด
- การตั้งค่า
- การตั้งค่า
- หลาย
- น่า
- โชว์
- แสดง
- แสดงให้เห็นว่า
- ด้าน
- ลงชื่อ
- อย่างมีความหมาย
- คล้ายคลึงกัน
- ง่าย
- ความง่าย
- ตั้งแต่
- นั่ง
- สถานการณ์
- สถานการณ์
- ทักษะ
- เล็ก
- เรียบเนียน
- เศษเล็กเศษน้อย
- So
- สังคม
- เข้าสังคม
- อ่อน
- ขาย
- ทางออก
- โซลูชัน
- บาง
- บางคน
- บางสิ่งบางอย่าง
- บางครั้ง
- ในไม่ช้า
- แหล่งที่มา
- ช่องว่าง
- ครอบคลุม
- พูด
- ลำโพง
- ลำโพง
- การพูด
- เฉพาะ
- โดยเฉพาะ
- เฉพาะ
- ความจำเพาะ
- การพูด
- การรู้จำเสียง
- ความเร็ว
- SQL
- เริ่มต้น
- ข้อความที่เริ่ม
- เริ่มต้น
- คำแถลง
- งบ
- สหรัฐอเมริกา
- สถานี
- ทางสถิติ
- เข้าพัก
- คัดท้าย
- การขับขี่
- พวงมาลัย
- ขั้นตอน
- ขั้นตอน
- ยังคง
- การหยุด
- เก็บไว้
- เรื่องราว
- ซื่อตรง
- กลยุทธ์
- กลยุทธ์
- เพรียวลม
- ความเครียด
- โครงสร้าง
- โครงสร้าง
- การศึกษา
- สไตล์
- เป็นกอบเป็นกำ
- ความสำเร็จ
- ที่ประสบความสำเร็จ
- ประสบความสำเร็จ
- อย่างเช่น
- ชี้ให้เห็นถึง
- เหมาะสม
- ชุด
- สรุป
- สรุป
- สนับสนุน
- แน่ใจ
- การแกว่ง
- สวิตซ์
- เป็นสัญลักษณ์
- วากยสัมพันธ์
- สังเคราะห์
- ระบบ
- ระบบ
- ตาราง
- เอา
- Takeaways
- คุย
- การพูดคุย
- ก๊อก
- เป้า
- เป้าหมาย
- งาน
- งาน
- สอน
- การเรียนการสอน
- ทีม
- สมาชิกในทีม
- วิชาการ
- เทคนิค
- เทคโนโลยี
- telehealth
- เงื่อนไขการใช้บริการ
- ดินแดน
- การทดสอบ
- ข้อความ
- กว่า
- ขอบคุณ
- ที่
- พื้นที่
- ก้าวสู่อนาคต
- ข้อมูล
- โลก
- ของพวกเขา
- พวกเขา
- ตัวเอง
- แล้วก็
- ที่นั่น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- สิ่ง
- คิด
- คิด
- ที่สาม
- นี้
- เหล่านั้น
- สาม
- ตลอด
- ดังนั้น
- ตั๋ว
- บัตรเข้าชม
- เวลา
- ครั้ง
- ไปยัง
- ร่วมกัน
- โทเค็น
- วันพรุ่งนี้
- TONE
- เกินไป
- เครื่องมือ
- ท็อปบอท
- หัวข้อ
- ไปทาง
- ไปทาง
- ลู่
- การติดตาม
- เทรด
- แบบดั้งเดิม
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- แปลง
- เปลี่ยน
- การเปลี่ยนแปลง
- การเปลี่ยน
- ส่งผ่าน
- ทริกเกอร์
- จริง
- ลอง
- กลับ
- การหมุน
- ผลัดกัน
- ฝาแฝด
- สอง
- ตามแบบฉบับ
- ui
- ผ่านการ
- เข้าใจ
- เข้าใจได้
- ความเข้าใจ
- เป็นเอกลักษณ์
- สากล
- อย่างกว้างขวาง
- ทันเหตุการณ์
- การปรับปรุง
- การปรับปรุง
- us
- การใช้งาน
- ใช้
- มือสอง
- ผู้ใช้งาน
- ประสบการณ์ของผู้ใช้
- ส่วนติดต่อผู้ใช้
- การออกแบบส่วนต่อประสานผู้ใช้
- ที่ใช้งานง่าย
- ผู้ใช้
- ใช้
- การใช้
- ux
- การออกแบบ UX
- นักออกแบบ ux
- นักออกแบบ ux
- ถูกต้อง
- มีคุณค่า
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- อเนกประสงค์
- กับ
- มาก
- ผ่านทาง
- เหยื่อ
- เสมือน
- ผู้ช่วยเสมือน
- ความเป็นจริงเสมือน
- เสียงพูด
- ผู้ช่วยเสียง
- vs
- หยาบคาย
- W3
- ผนัง
- ต้องการ
- ต้องการ
- คือ
- คลื่น
- ทาง..
- วิธี
- we
- ความมั่งคั่ง
- Website
- เว็บไซต์
- ดี
- คือ
- อะไร
- ความหมายของ
- ล้อ
- เมื่อ
- เมื่อไรก็ตาม
- ว่า
- ที่
- ในขณะที่
- WHO
- ทำไม
- จะ
- หน้าต่าง
- กับ
- ไม่มี
- คำ
- งาน
- แรงงาน
- โลก
- น่าหนักใจ
- จะ
- เขียน
- ปี
- ปี
- สีเหลือง
- เธอ
- หนุ่มสาว
- ของคุณ
- ลมทะเล
- ซูริค