Робот «Ертең қабылдауға келесіз бе?» деп сұрайды. Сценарийде «иә», «жоқ» және «кейінірек қоңырау шалу» деген үш тармақ бар. Ал арғы жақтағы адам «Келуге тырысамын, бірақ түстен кейін ғана қолым босайды» дейді.
Интерактивті қоңырау науқанындағы негізгі қиындық осында. Жүйе әр сөзді дәл танып, мәтінге түсірді. Енді адамның не айтқысы келгенін түсіну керек.
Сөз ≠ мағына
Ең алдымен ажырату керегі: сөйлеуді тану (STT) және ниетті жіктеу — екі түрлі кезең, ал екіншісін біріншісімен бірге тегін алу мүмкін емес.
STT дыбысты жолға айналдырады. Болды. Әрі қарай Сізде «тырысып көремін, бірақ тек түстен кейін болса» деген мәтін және жүруге тиіс тармақтар тізімі бар. Біреуін екіншісімен байланыстыру біреу атқаруы керек жұмыс: не сіздің кодыңыз, не бөлек модель.
Соңғы жол — сүйікті тұзақ. Мәтіннен «иә» сөзін аңғал іздеу адамды сенімді түрде келісім тармағына жібереді, ал ертең оны клиникада күтетін болады.
Төрт тәсіл
Сіз әр тармақ үшін күтілетін сөздерді тізесіз, жүйе оларды танылған мәтіннен іздейді. Ешқандай машиналық оқыту жоқ, кәдімгі ішкі жолды іздеу.
Лезде жұмыс істейді, ештеңе тұрмайды, толық болжамды және көзбен тексеріледі: қай сөз іске қосылғаны және неге екені көрініп тұрады. Қысқа жабық сұрақтарда жауаптардың көбін қамтиды, өйткені адамдар роботпен сөйлескенде шынымен жиі бір сөзбен жауап береді.
Сынатын жері: тізімде жоқ синонимдер, болымсыз жауаптар («иә, жоқ»), толық жауаптар және сценарий авторының ойына келмеген кез келген фраза.
Сол іздеу, бірақ ақылдырақ: сөздер бастапқы формаға келтіріледі («келесіз», «келемін», «келеміз» → бір түбір), тілдің мүкістігі мен танудағы қателерден аман өту үшін жолдар арасындағы қашықтық есептеледі.
Әлі де жылдам әрі тегін, әлі де түсіндіруге болады. Сөзбе-сөз іздеумен салыстырғанда қамтуды айтарлықтай кеңейтеді, әсіресе септіктері көп орыс тілінде.
Сынатын жері: бірінші тәсілдікімен бірдей. Морфология мағына туралы емес, сөздің формасы туралы. «Қарсы емеспін» мен «қарсымын» бір ғана сөзбен ерекшеленеді, бірақ қарама-қарсы мағына береді.
Мағына осы жерден басталады. Модель фразаны векторға айналдырады: бұл орны жазылуын емес, мағынасын көрсететін сандар жиыны. Сіз әр тармақтың эталон фразалары үшін векторларды алдын ала есептейсіз, ал қоңырау кезінде абонент айтқанға ең жақынын іздейсіз.
Басты артықшылығы — перифраздар. «Әрине», «әлбетте», «сөзсіз» жазылуы мүлде ұқсамаса да «иә» сөзінің қасынан табылады. Мұндай класты модельдер шағын, оларды өзіңізде ұстауға әбден болады, сонда деректер периметрден шықпайды, бұл медицина немесе қаржы саласында жұмыс істесеңіз салмақты дәлел.
Бағасы: инфрақұрылым. Модельді бір жерде ұстап, жаңартып, бақылап отыру керек, ал сіздің салаңыздағы сапасын өзіңіз тексересіз. Түбегейлі шектеу де қалады: векторлардың жақындығы сұрақтың контексін түсінбейді. «Түстен кейін» «келемін» сөзіне де, «кейінірек қоңырау шалыңыз» дегенге де бірдей жақын, ал дұрыс жауап нақты не сұралғанына байланысты.
Модельге робот қойған сұрақ, тармақтар тізімі және абоненттің фразасы беріледі де, бір тармақты таңдау сұралады. Мазмұндап беру немесе түсіндіру емес, дәл тізілгендердің ішінен таңдау.
Бұл төрт тәсілдің ішінде контексті көретін жалғыз тәсіл. «Келесіз бе?» сұрағына және «қашан қоңырау шалған ыңғайлы?» сұрағына берілген «түстен кейін» жауабы әртүрлі ниеттер, және модель мұны ажыратады. Ол «иә, жоқ, келмеймін» мен «қарсы емеспін» дегеннен де мағынаны шығарып алады.
Бағасы: әр сұраныстағы кідіріс пен ақша. Оған қоса бөлек инженерлік міндет: модельді үш абзацтық пайыммен емес, тізімдегі бір ғана нұсқамен жауап беруге мәжбүрлеу.
Салыстыру
| Не маңызды | Сөздер | Анық емес | Эмбеддингтер | LLM |
|---|---|---|---|---|
| Перифразды түсінеді | Жоқ | Жоқтың қасы | Иә | Иә |
| Болымсыздықты түсінеді | Жоқ | Жоқ | Ішінара | Иә |
| Сұрақты ескереді | Жоқ | Жоқ | Жоқ | Иә |
| Әңгімедегі кідіріс | Байқалмайды | Байқалмайды | Шамалы | Сезілерлік |
| Сұраныс құны | Жоқ | Жоқ | Өз жабдығыңыз | Әр шақыру үшін |
| Неге солай шешкені түсінікті | Толығымен | Толығымен | Қашықтықтар арқылы | Әрдайым емес |
| Қате кезінде нені түзету керек | Сөз қосу | Сөз қосу | Эталондар, шек | Тармақтардың тұжырымы |
Дәл қоңырауда шешуші болатын үш нәрсе
Мәтінді жіктеу туралы мақалаларда әдетте дәлдікті салыстырып, сонымен тоқтайды. Телефонияда дәлдік басты өлшем емес, міне, неге.
Үзіліс қателіктен қымбат
Хат алмасуда бір секунд ойлану — қалыпты жағдай. Сөйлесуде сіздің репликаңыздан кейінгі үнсіздік «байланыс үзілді» деп қабылданады, және адам үстіңізден сөйлей бастайды, қайта сұрайды немесе жай қоңырауды аяқтайды. Дәлірек, бірақ байқалатын кідіріспен жауап беретін классификатор іс жүзінде жылдам әрі сәл ақылсыздау классификатордан ұтылады.
Бұдан қарапайым салдар шығады: шешімге берілетін уақыт бюджеті тұрақты әрі шағын. Оған сыймайтынның бәрі қаншалықты ақылды болса да, маңызы жоқ.
Ақылды кезең ереже емес, ерекшелік болуы керек
Егер ауыр классификаторды әр репликаға іске қоссаңыз, барлық жауап үшін төлейсіз, соның ішінде сөздер бойынша іздеу де ажырата алатын сол «иә» жауаптары үшін де. Ал ондай жауаптар көпшілік.
Ақылға қонымды схема екі сатылы: алдымен арзан тексеру, ал ол сенімді сәйкестік бермегенде ғана ақылды кезең. Сонда шығын мен кідіріс тек шын күрделі жауаптарда пайда болады, ал қарапайым жауаптарда сценарий бұрынғыдай жұмыс істейді.
Жағымды жанама әсері бар: сценарий авторы күтілетін сөздерді неғұрлым жақсы таңдаса, қымбат кезең соғұрлым сирек іске қосылады. Мұқият құрылған сценарийді пайдалану шынымен арзанырақ.
Ақау қоңырауды үзбеуі керек
Адам желіде тұр, репликаны дәл қазір айту керек. Вебтегідей сұранысты қайталауға болмайды: әңгіме нақты уақытта жүреді және күтпейді.
Сондықтан классификаторда қатаң таймаут және істен шыққан кездегі түсінікті мінез-құлық болуы міндетті. Дұрыс істен шығу дегеніміз «аталғандардың ешқайсысы» тармағына өту, яғни сценарий жауапты ажырата алмағанда онсыз да баратын тармаққа. Сонда тіпті мүлде қолжетімсіз классификатор да үзілген қоңырауды емес, тек «онсыз жұмыс істейміз» дегенді білдіреді.
Мұны архитектураға басынан бастап енгізген жөн. Қолжетімсіз болғанда «білмеймін» дегеннің орнына ерекше жағдай лақтыратын классификатор сыртқы сервисті барлық әңгімелеріңіз үшін бірыңғай істен шығу нүктесіне айналдырады.
AutoCall.kz сервисінде бұл қалай жұмыс істейді
Интерактивті сценарийлерде әр тану элементінің «Әйтпесе» тармағы бар: жауабы күтілетін сөздердің ешқайсысымен сәйкес келмеген абонент сонда кетеді. Ақылды кезең дәл осы жерге қосылады: алдымен сіз берген сөздер бойынша салыстыру орындалады, ал тек сәйкес келмеген жауаптар әрі қарай талданады, бұл кезде фраза ғана емес, сұрақтың өзі де ескеріледі.
Нәтиже әрдайым сіздің тармақтарыңыздың бірі немесе «Әйтпесе»: классификатор жаңа тармақ ойлап таба алмайды, ол солай құрылған. Ал кез келген ақау немесе уақыт асып кеткенде қоңырау «Әйтпесе» тармағына кетеді, яғни ешқандай жіктеусіз қалай жүрсе, дәл солай жүреді.
Сценарий құрастыратындарға практикалық кеңес: сұрақты абонент қысқа жауап бергісі келетіндей етіп қойыңыз. «Ертең келесіз бе, иә әлде жоқ па?» сұрағы «Ертеңгі жоспарларыңызды нақтылағымыз келеді» дегеннен әлдеқайда көп қысқа жауап жинайды. Сұрақ неғұрлым анық болса, ақылды кезең соғұрлым сирек керек болады.
Әрі қарай
Жоғарыда айтылғанның бәрі тармақтары алдын ала берілген сценарийлер туралы. Оған іргелес тақырып — дауыстық ЖИ-агенттер, оларда ешқандай тармақ жоқ: агент әңгімені толығымен жүргізеді және жауаппен не істеу керегін өзі шешеді. Бұл тәсілдердің айырмашылығы туралы біз бөлек жаздық.
Біз қайта оралатын бөлек тақырып — омни-модельді таңдау: дыбысты қабылдап, тану мен жіктеуге бөлмей, мәтінді де, мағынаны да бірден беретін бір модель. Бұл жағдайды түбегейлі өзгертеді, өйткені тізбектен бір кезеңді, онымен бірге оның кідірісін де алып тастайды. AutoCall.kz үшін мұндай модельді қалай таңдайтынымыз туралы бөлек мақала болады.