चॅटबॉट्स कसे शिकत आहेत

आम्ही जिक्स कोलबोर्न, सह-संस्थापक आणि सीएक्सपार्टनर्सचे मुख्य कार्यकारी अधिकारी यांच्याशी संपर्क साधला. जगातील अग्रगण्य स्वतंत्र अनुभव डिझाइन कन्सल्टन्सीपैकी एक, कोलबोर्नचे लेखक आहेत साधे आणि वापरण्यायोग्य, सुलभतेच्या विषयावरील पुस्तक विशेषत: परस्परसंवाद डिझाइनर्सना उद्देशून.

चॅटबॉट हायपेनंतर काय उरले असेल? कोण / काय टिकेल?

जिल्स कोलबोर्न: हायपेची समस्या अशी आहे की हे लोक चांगले आहे की नाही हे भेदभाव न करता तेथे सामान ठेवण्यास प्रवृत्त करते आणि जे काही शक्य आहे असे गृहीत धरून लोकांना प्रोत्साहित करते, म्हणून ते बडबड करतात. कोणत्याही नवीन किंवा उदयोन्मुख तंत्रज्ञानाची ही कथा आहे.

म्हणून, हायपे नंतर, मी अपेक्षा करतो की काही चांगली, सॉलिड, सोपी, ठळक उदाहरणे आणि नमुने उदयास येतील ज्यावर आपण हळू हळू अधिक जटिल अनुभव तयार करतो. हायप ऐकणे आणि स्वप्न पाहणे आश्चर्यकारक आहे, परंतु जर आपण लोकांसाठी विसंबून राहण्यासाठी एक सिस्टम तयार करीत असाल तर आपल्याला काहीतरी साधे आणि कार्य करण्यापासून घाबरू नका.

मला असे वाटते की मशीन शिकण्यावर अवलंबून असलेल्या कोणत्याही प्रणालीसह (आणि बरेचसे नैसर्गिक भाषा इंटरफेस मशीन मशीनवर अवलंबून असतात), मोठ्या डेटा सेट्स असलेल्या लोकांना फायदा होईल. मी आशा करू इच्छितो की ते प्लॅटफॉर्म लॉक-इनमध्ये बदलणार नाही.

ग्राहक इंटरनेटच्या सुरुवातीच्या दिवसात आम्ही वेबवर धन्यवाद, आम्ही प्लॅटफॉर्म लॉक-इन टाळले, ज्यात कोणीही वापरू शकेल असे खुले तपशील होते. या वेळी असे काहीतरी घडणे पहाणे अवघड आहे - कायदे अंमलात येऊ शकतात. पण हे सर्व अजूनही अनेक वर्षांपूर्वी आहे.

• चॅटबॉट अनुभव कसा डिझाइन करायचा

चॅटबॉट्स आणि संभाषणात्मक UI चे फायदे काय आहेत?

जीसी: प्रथम, मी चॅटबॉट्स आणि संभाषणात्मक यूआय आणि संपूर्ण नैसर्गिक भाषा इंटरफेस (एनएलआय) दरम्यान फरक काढायला हवा. चॅटबॉट्स कधीकधी वापरकर्त्याला अनेक संभाव्य उत्तरे निवडण्यास सांगतात - त्याऐवजी टेलिफोन लाइनवर व्हॉईस कॉलची क्रमवारी लावणा the्या भयानक आयव्हीआर प्रणालींप्रमाणे ("शिल्लक चौकशीसाठी 1 दाबा, ग्राहक सेवेसाठी 2 इ."). एनएलआय आपल्याला आपल्या भाषेत प्रतिसाद टाइप करण्याची परवानगी देतात आणि त्या आधारावर प्रतिसाद देतात. मला एनएलआयमध्ये अधिक रस आहे आणि ते माझे लक्ष आहे.

मला एनएलआय बद्दल जे आवडते ते म्हणजे जवळजवळ शिकण्यासाठी कोणताही वापरकर्ता इंटरफेस नाही. आज फेसबुकवर मेसेंजर सारखे अॅप्स स्मार्टफोनमध्ये वापरल्या जाणार्‍या अॅप्सपैकी एक आहेत. वापरकर्ता इंटरफेस सोपा आहे आणि त्यांच्यामागील कल्पना सुलभ आहे. म्हणून त्या परिचित, व्यापकपणे वापरल्या जाणार्‍या इंटरफेसच्या वर सेवा तयार करणे ही एक चांगली कल्पना दिसते - जोपर्यंत स्वत: सेवा वापरण्यास सुलभ आहेत.

इतकेच काय, जर आपण एखादे इंटरफेस तयार करू शकता जे एसएमएस सारख्या खरोखर मूलभूत गोष्टीवर कार्य करते, तर ते फेसबुक मेसेंजर किंवा व्हॉट्सअॅप किंवा इतर काही चॅट प्लॅटफॉर्मवर कार्य करेल - जेणेकरून आपण आपला आवाका वाढवू शकाल असे वचन दिले आहे.

आपण तरुण प्रेक्षकांकडे पाहताच चॅट प्रकारच्या सेवांसाठी प्राधान्य वाढते. ते सोशल मीडियासह मोठे झाले आहेत आणि ते फोन किंवा ईमेलपेक्षा या प्रकारच्या सेवांसह संवाद साधण्यास प्राधान्य देतात असे दिसते. परंतु, अर्थातच, हे एक इंटरफेस आहे जे दृश्यात्मक किंवा श्रवणविषयक कमतरता असलेल्या लोकांसाठी मूळतः प्रवेशयोग्य आहे आणि सर्व वयोगटातील वापरकर्त्यांसाठी हे समजणे सोपे आहे.

तथापि, मला सर्वात जास्त आकर्षण वाटणारे म्हणजे नैसर्गिक भाषा इंटरफेस म्हणजे आपण अधिक मानवी वाटणारी प्रणाली तयार करू शकतो. मानवी संभाषणात बरेच मनोरंजक गुण आहेत जे ग्राफिकल वापरकर्ता इंटरफेससह संघर्ष करतात.

उदाहरणार्थ, जर आपण एखाद्याला एअरलाईट तिकिटासारखे काहीतरी शोधण्यात मदत मागितली असाल तर आपण बर्‍याच अस्पष्ट वर्णनासह प्रारंभ करता आणि काही चांगल्या निवडींमध्ये हळू हळू शून्य करता. आम्ही हे त्याक्षणी शोधयुक्त इंटरफेसमध्ये करू शकतो, परंतु लोक त्यांचा प्रभावीपणे वापर करण्यासाठी संघर्ष करतात - विशेषत: लहान पडद्यावर. आपण छोट्या पडद्यावर जे कल ठेवता ते म्हणजे आपण ड्रिल करता त्या मेनूची मालिका. हे क्लिनी किंवा गोंधळात टाकणारे वाटू शकते. नैसर्गिक भाषा इंटरफेस त्यास बायपास करू शकतात.

शेवटी, संगणनाची पुढील लहर लॅपटॉप किंवा मोबाइल फोनबद्दल नाही - हे आपल्याला ओळखणार्‍या आणि आपल्याशी संवाद साधणार्‍या स्मार्ट उपकरणांनी परिपूर्ण वातावरणाबद्दल आहे. आपल्याला प्रत्येक डिव्हाइसवर टचस्क्रीन किंवा आपल्या स्मार्टफोनवरील प्रत्येक डिव्हाइससाठी अ‍ॅप नको आहे. आपल्याला एक सामान्य इंटरफेस हवा आहे जो आपल्याला ओळखतो आणि आपण सहज संवाद साधू शकता. म्हणूनच मला वाटते की पुढच्या पिढीच्या वापरकर्त्याच्या अनुभवात एनएलआय आणि कृत्रिम बुद्धिमत्ता तंत्रज्ञानाची अशी महत्त्वपूर्ण भूमिका आहे.

आणि संभाषणात्मक इंटरफेसमधील काही त्रुटी काय आहेत आणि आपण त्यापासून कसे बचावे?

जीसी: मला वाटते की सर्वात मोठा धोका म्हणजे फ्लोचार्टसारखे दिसणारी संभाषणे तयार करणे - ज्यात काही मिनिटांच्या तपशीलात संवाद मॅप केला गेला आहे. वास्तवात संभाषणे ऐवजी अस्पष्ट आणि विद्रूप असतात. आपण त्यास तपशीलवार नकाशा बनविण्याचा प्रयत्न केल्यास आपण जटिलता गमावल्यास - किंवा आपण त्यापैकी एक आयव्हीआर सिस्टम तयार केली.

उदाहरणार्थ, जर तुम्ही एखाद्याला त्यांचे नाव विचारले तर एखादी व्यक्ती कदाचित तुम्हाला त्यांचे नाव नावच पूर्ण नाव देऊ शकते तर दुसरा कदाचित त्या व्यक्तीचे नाव आपल्याला देईल. आपण त्यांना ते करू द्यावे आणि नंतर गहाळ तपशिलासाठी पुन्हा मंडळात घ्या. ही एक त्रुटी नाही, प्रश्नाचे उत्तर देण्याचा हा एक वेगळा मार्ग आहे.

वापरकर्त्याचा अनुभव वर्धित करण्यासाठी आम्ही बॉट्स कसे सुधारू शकतो?

जीसी: जेव्हा आपण खासकरुन व्हॉईस सिस्टम वापरणारे लोक ऐकता, तेव्हा संभाषणाचा बराच मोठा विषय म्हणजे प्रश्न कसे विचारता येतील आणि सिस्टम काय करू शकते आणि काय करू शकत नाही हे शिकत आहे. मला वाटते की बहुतेक एनएलआय ही परिस्थिती हाताळताना एक भयंकर काम करतात.

उदाहरणार्थ, असे म्हणा की आपण आपल्या व्हॉईस सहाय्यकास ‘बोहेमियन रॅप्सोडी’ सारखे गाणे वाजवायला सांगायला सांगितले, परंतु आपणास नाव चुकीचे वाटते आणि आपण याला ‘मामा, एका माणसाला मारले’ असे म्हटले आहे. वापरकर्त्याच्या दृश्याकडे आणि मानवी ऐकण्याने वापरकर्त्याने एक वैध आणि उपयुक्त विनंती केली आहे. परंतु बहुतेक व्हॉईस सहाय्यक शीर्षकाशी जुळण्यात आणि हार मानण्यात अयशस्वी ठरतात आणि वापरकर्ता परत चौकोनात परत येतो.

व्हॉईस असिस्टंट्ससह हा प्रकार नेहमीच घडत असतो, परंतु एखादी व्यक्ती दिलेली माहिती वापरण्याचा प्रयत्न करते आणि 'तो कोणाकडून होता हे आठवते काय?' किंवा 'हे शीर्षक आहे की एक ओळ?' गाण्यातून? '. जर आपण या प्रणालींना असह्य बनवणार असाल तर, सिस्टमला हे समजत नाही तेव्हा त्याना कसा प्रतिसाद द्यावा याबद्दल विचार करण्यास अधिक वेळ घालवणे आवश्यक आहे.

गोष्टी योग्य ठरतात अशा काही चॅटबॉट्स किंवा संभाषणात्मक UI ची वैशिष्ट्ये कोणती आहेत?

जीसी: बर्‍याच सर्वोत्कृष्ट संभाषणात्मक UI आणि चॅटबॉट्स बरेच काही करण्याचा प्रयत्न करीत नाहीत. उदाहरणार्थ, जेव्हा आपण वाहन चालवत असाल आणि आपण आपल्या स्मार्टफोनला घरी दिशानिर्देश देण्यास सांगाल तेव्हा तेथे बरेचसे ‘संभाषण’ चालू नाही - खरं तर, त्याहूनही कमी चांगले. परंतु आपल्यास कमीतकमी इनपुटसाठी (‘मला घरी जाण्यासाठी दिशा-निर्देश मिळवा’) बर्‍याच आउटपुट (ड्रायव्हिंगच्या निर्देशांचे एक तास किमतीचे मूल्य) मिळते. आणि इनपुट कमीतकमी ठेवले गेले कारण रिक्त स्थान भरण्यासाठी स्मार्टफोन ब context्याच संदर्भातील डेटा वापरतो - असे गृहीत धरते की आपल्याकडे ड्रायव्हिंग दिशानिर्देश आहेत, जीपीएसवरून ते आपले सध्याचे स्थान मिळविते आणि आपल्या स्मार्टफोनच्या सेटिंग्जमधून आपला घराचा पत्ता शोधते.

मी म्हणेन की ते खूपच चांगले डिझाइन मॅक्स आहेतः संभाषण लहान ठेवा, संदर्भाचा डेटा वापरा, किमान इनपुटसाठी जास्तीत जास्त आउटपुट द्या.

संभाषण डिझाइन पुढे कोठे जात आहे? 

जीसी: आत्ता बर्‍याच मनोरंजक गोष्टी घडत आहेत. खोलीत भिन्न लोकांमध्ये फरक करणारे व्हॉईस असिस्टंट्स आणि व्हॉइस असिस्टंट जे केवळ माहितीची देवाणघेवाण नव्हे तर संभाषणाचे भावनिक अंतर्निहाय व्यवस्थापित करतात.

अशीही एक साधने आहेत जी डिझाइनरना प्रवेश करण्यासाठी जटिल वैशिष्ट्ये सुलभ करतात आणि व्हॉईस आणि व्हिज्युअलमध्ये मिसळणारी इंटरफेस (उदाहरणार्थ आपण व्हर्च्युअल ट्रॅव्हल एजंटशी बोलताना ट्रॅव्हल प्रवासाचा मार्ग पाहू शकता). ही एक रोमांचक वेळ आहे.