「極客公開課·Live」5分鐘帶你複習如何打造對話式交互
這是極客公園「極客公開課 · Live」第二期的活動，來自雲知聲AI Labs的研發總監劉昇平和我們分享了如何打造對話式交互，以及他在AI領域相關技術產品經驗。
什麼是「極客公開課」？
1 位技術產品大牛和 10 位優秀技術產品人圍繞技術產品相關話題，面對面深度分享和討論，共同創造更優的知識與更高的學習效率。
而現在，這種深度的交流方式屬於每一個人，知乎 Live 同步線上實時問答，隨時隨地參與提問互動，與數百人共創一本知乎 live 版的「課堂筆記」
每周 1 次，全年 50 場，極客公開課，推動產品人的自我迭代
以下為本期課堂筆記精華摘要：
會話式交互
什麼是會話式交互？
我們可以從最早2010年，iPhone上一個App剛剛推出，上面可以通過語音說話，說我要查明天天氣、我要看今天晚上有什麼好看的電影，就直接會把結果用GUI的方式反應出來，這是最早的一種形態。然後，蘋果應該在2010年左右，把他收購了，後來用在iPhone4上，iPhone4S的時候把它集成在一塊推出來，但它的定位還是手機上的一個APP。
為什麼現在這種交互形態比較火呢？因為我們在移動互聯網時代，大家都可以看到APP是最主要的形態，但在現在的物聯網時代，有各種各樣的設備在上網，但這些設備可能是沒有屏幕的，可能不是觸手可及的，也有可能它的使用場景不能用在手機和車裡面中控的屏幕，也不能用眼睛去看，也不能用手去摸，這種情況語音交互是最自然的形態。
所以，這也是目前我們說會話式交互也好，叫Bot或者VUI；在IOT時代會話的應用應該會成為主要的交互形式，所以這是我們做產品肯定要跟上時代嘛，不能只停留在GUI的時代。
口語對話系統：
從技術上來講，我們這叫口語對話系統。而這個口語對話系統，也研究了至少有三四十年，最主要有這5個組成部分：
1、語音識別，就是你說話我需要聽清楚，把它轉成文字。
2、轉成文字以後要理解這句話的含義，這就是口語理解。
3、理解完以後，要考慮怎麼跟你深層次應答，對話管理甚至要考慮上下文的理解，因為可能多人交互嘛，所以要對話管理。
4、說了東西以後再轉化成自然語言，把我們的想法組織成一個適合說的語音。
5、然後再用語音合成，就是TTS，把它用語音播報出來。詳細講解請見知乎 Live。
會話交互的技術趨勢：
現在基本上先要語音識別，後要語義理解，然後TTS語音合成。但我們認為這三點，非常想和大家分享。
第一，我們僅僅做語義理解還不夠，而要做到語用。什麼是語用呢？我們在做自然語言處理的時候，一般會說它分4個層次：
1、在詞法這一級，我們考慮一個詞的含義。
2、考慮語法和這個詞怎麼成一個句子。
3、語義，這句話是什麼含義。
4、語用，要考慮同一句話在不同的使用場景下，表達出來的含義是不一樣的。詳細講解請見知乎 Live
遠場語音識別
這種IOT設備，離它有點距離的，所以這時候就是遠場，遠場語音識別比我們跟手機這種近場，我個人認為不止難一個數量級，主要在信號這一層，因為就像我在這裡說話跟那邊收到的，房間里有各種各樣的聲音折射和混響，特別是玻璃房裡面，混響非常嚴重，大家可能在有些會議室開會有這種感覺，聽見有翁翁翁的感覺，所以語音識別如果在這種情況下要識別準確非常難。
遠場還有個很難的地方是，因為有個距離，遠場聲音的衰減是成平方的，所以我的聲音到你那的時候已經變得很小了，這時候再加上各種各樣的混響、環境噪音，聲音質量是非常差的，這種情況下你還要聽清楚這句話，非常困難。
所以，我們在做會話式交互的時候，能近講盡量用近講，不要用遠講，因為遠講對語音識別的干擾是非常大的。詳細講解請見知乎 Live
語用計算概述
什麼叫語用？在研究這句話含義的時候，它有兩個含義：字面表面含義，結合語境一句話的意思會不同，說句話到底是什麼含義？而不是看那幾個字是什麼意思，因為它更多考慮的是說這句話時候真實的意圖，而不是表面意圖。
所以，在語言學裡面更強調怎麼通過語境來理解或者使用。除了在理解的時候要結合語境信息之外，我們在應答的時候也同樣要結合這些語境信息。詳細講解請見知乎 Live
語用計算應用: 基於Seq2Seq的ChatBot
深度學習大家可能都聽過一點，一句話進來另外一句話出去。這就跟我們做機器翻譯一，一句中文進來一句英文出去，中間並沒有真正理解你這句話，只是有很多中英文的語料，大家去訓練這個模型，你說中文然後我說句英文，對話聊天也可以按類似的思路，它的框架實際跟翻譯是一個框架，用一串莫名其妙的數字來表示。然後又吐出一句話，就跟機器翻譯一樣。
但訓練的時候，需要很多聊天訓練這個模型。這是現在學術界的一個方向，可以結合上下文。這個一致性也需要跟大家討論一下。現在碰到最多的問題就是這個問題，以同樣一句話去問它，它的答案會不一樣。就像問小冰多大了，它說我是90後，再問它你是90後嗎？它說不是，或者問它貴庚？它可能說70，再問它年芳幾許？它可能說18歲。這是什麼原因呢？目前聊天機器人的語料是從很多地方彙集在一起的，有人回答說你貴庚了？老人回答說今年88。它也不知道這幾個問題是同一個意思，這會導致你跟一個機器人聊天，感覺它跟人格分裂一樣，雖然說每句話都會回答，但它不是一個人的知識庫，這種情況下是肯定通不過圖靈測試的，如果一個人回答的信息一定是一致的。
在一致性方面，是在聊天方面最困難的問題了，現在有些方法，但也解決不太好。這個例子也是類似的，問住在哪裡？說住在昌平，再問它是不是住在北京？它不知道是不是了，肯定要包含一定的知識，才能得到一致性的回答。詳細講解請見知乎 Live
會話式交互的產業化實踐
這裡面我可以給大家分享一下，可能不僅僅是從產品角度，假設你去做個公司，或者想把會話式交互產品落地，從技術轉變成產品、商業模式，大概是怎樣的思路。
在技術上剛才看到了會話式交互非常複雜，從語音到語言到知識，涉及的非常全面，所以這時就要做一個技術閉環，在技術這塊一定要有用戶、數據，通過這些用戶的數據再去優化你的引擎。如果你的系統沒有用戶數據的反饋，光靠自己在底下吭哧吭哧優化，這個效果肯定不會太好。做搜索引擎的可能都知道，搜索引擎為啥越來越好？最重要的是用戶可以做點擊，如果你發現用戶一般都是點第三個結果，那就可以把第三個結果提到第一個，因為用戶的反饋告訴你了第三個結果最好，第一個結果不是最好，這樣就可以更好的提升你的系統，這就是我們說的一定要形成個技術閉環。詳細講解請見知乎 Live
以上就是本次公開課的所有關鍵內容。
本次課程完整筆記與 PPT，請點擊「極客公開課·Live」第二期
原文鏈接→「極客公開課·Live」5分鐘帶你複習如何打造對話式交互
推薦閱讀：