一篇人工智能行業(yè)的研究論文甚至指出，到2020年，人類與機器人的交流甚至比其配偶交流還要多。所以，人們需要為接受這種新生活做好準備。

聊天機器人為人們帶來一種智慧的感覺，但實現(xiàn)真正的智能還有很長的路要走。

歡迎來到智能聊天機器人的世界：智能伴侶和會話代理將讓人們的生活更加智慧。一篇人工智能行業(yè)的研究論文甚至指出，到2020年，人類與機器人的交流甚至比其配偶交流還要多。所以，人們需要為接受這種新生活做好準備。

第一個人形機器人Sofia得到行業(yè)媒體的廣泛關(guān)注，并使用類似人類的對話進行采訪。Sofia與人類相比如何?事實超出了人們的想像。Sofia聊天機器人只提供了理解對話的假象，但是當記者提出比較復(fù)雜的問題時，開始意識到Sofia只能回答一組固定的問題。

那么到現(xiàn)在為止，人們需要對聊天機器人有更加清晰的認識。

企業(yè)是否應(yīng)該投資具有這些限制因素的聊天機器人?每種聊天機器人技術(shù)都有其缺陷，但需要了解現(xiàn)在可以構(gòu)建的內(nèi)容、需要避免的內(nèi)容，以及如何突破這些限制。

許多企業(yè)嘗試使用行業(yè)領(lǐng)先的聊天機器人供應(yīng)商和云計算技術(shù)來構(gòu)建復(fù)雜的聊天機器人，并進行了大量投資，卻遇到了一些障礙。如果企業(yè)是根據(jù)計劃的內(nèi)容實施項目并開始構(gòu)建的話，很快就會認識到這些限制。然而，大多數(shù)供應(yīng)商都聲稱構(gòu)建聊天機器人很容易，但實際上，在構(gòu)建真正的會話代理時，所有這些技術(shù)都不盡如人意。

通過聊天機器人的當前實現(xiàn)，人們采用的可能是第一代人工智能聊天機器人，它們通過編寫腳本來回答針對性的問題。這里所說的“腳本化”是指聊天機器人經(jīng)過訓(xùn)練，能夠理解一般詞匯、實體、隱喻、同義詞等。聊天機器人使用一組固定的數(shù)據(jù)流來理解場景。對于特定于領(lǐng)域的用例，需要進行額外的訓(xùn)練，并且需要對特定領(lǐng)域術(shù)語和單詞之間的關(guān)系進行訓(xùn)練。例如，如果企業(yè)正在建立一個購物顧問聊天機器人，“黑白相間的連衣裙”意味著“黑白”作為顏色和服裝的類別。人們可能會期望顏色“黑白”是相當通用的，應(yīng)該很容易被人工智能系統(tǒng)識別出來，但事實并非如此，將在本文中介紹這一點。

本文的目的是幫助人們就如何使用現(xiàn)有的聊天機器人實現(xiàn)設(shè)計人工智能聊天機器人和解決方案做出明智的決定。

什么是聊天機器人?

聊天機器人是機器人與人類進行對話的軟件程序。這種對話可以通過文本方法、語音，甚至通過識別人類表達來實現(xiàn)。

聊天機器人的互動范圍從簡單的答案到諸如“外部溫度是多少”等問題，以及需要進行一系列對話以獲得結(jié)果的復(fù)雜用例，例如使用聊天機器人預(yù)訂假期旅行或提供財務(wù)建議。

用于構(gòu)建聊天機器人的技術(shù)是什么?

聊天機器人并不是一個新概念。早期的技術(shù)使用來自用戶的一組固定輸入來驅(qū)動對話或掃描輸入消息，以從數(shù)據(jù)庫中查找關(guān)鍵字和查找信息/響應(yīng)。這些都是基于規(guī)則和關(guān)鍵字驅(qū)動的，而無需機器人理解輸入消息的場景和含義?；谳斎耄瑢⑻峁╊A(yù)定義的編程響應(yīng)。

隨著人工智能的出現(xiàn)，聊天機器人使用自然語言處理等技術(shù)來理解輸入消息中的語言和意圖，并采取糾正措施。當人工智能系統(tǒng)試圖理解人類語言，而以多種方式問相同的問題時，人工智能系統(tǒng)能夠理解總體意圖。一旦確定了意圖，就可以從輸入中提取感興趣的主題。

例如，“找到從美國到英國的最便宜的航班”，其意思類似于“找到從美國到英國的價格最低機票”。其意圖是最便宜或價格最低的航班，而位置是從美國到英國的航班。

人工智能開源軟件包或人工智能的自然語言處理(NLP)云服務(wù)可以用來開發(fā)聊天機器人，人們將其稱之為“聊天機器人實現(xiàn)”，以備將來參考。在本文中，將詳細討論聊天機器人的實現(xiàn)。

開發(fā)人工智能聊天機器人應(yīng)該記住什么?

當人工智能系統(tǒng)很好地理解域時，聊天機器人工作得很好。

由于人工智能聊天機器人依賴于自然學(xué)習處理(NLP)來理解輸入消息的語義，除非在域上訓(xùn)練自然學(xué)習處理(NLP)解析器，否則識別感興趣的意圖和主題的準確性將是非常低或不可接受的。

以購物聊天機器人為例，它根據(jù)最新的流行趨勢為用戶提供購買建議。

考慮以下來自用戶的3個查詢。

查詢1-“展示黑白顏色的流行趨勢，適用于中等規(guī)模的圣誕派對的禮服。”

查詢2-“展示白色3英寸高跟鞋。”

查詢3-“找一件2000美元以下的黑白花卉連衣裙?！?/p>

在這里，聊天機器人需要了解以下內(nèi)容：

?購物語言。

?作為購物查詢的意圖

?域作為服裝和鞋子的購物查詢。(即可以有多個域，例如雜貨、電子產(chǎn)品、書籍等)

?服裝購物類別和術(shù)語：

類別-連衣裙、高跟鞋等

變量-尺寸(中/大等)，顏色(各種顏色和組合，如黑色和白色)，鞋跟尺寸(3英寸)等。

價格和范圍-2000美元-3000美元

品牌–例如AND、耐克等

任何聊天機器人實現(xiàn)都不會理解域。開發(fā)者需要在自定義域上訓(xùn)練聊天機器人以識別場景和語言。

例如，現(xiàn)有的自然學(xué)習處理(NLP)解析器不會將“AND”識別為品牌。那么來看看一些領(lǐng)先的CloudAINLP服務(wù)如何識別這句話，“找一件2000美元以下的黑白花卉連衣裙?！?/p>

這是WatsonNLP實現(xiàn)的快照

WatsonNLP的概念

來自WatsonNLP的部分結(jié)果

正如人們所看到的，WatsonNLP將“白色花卉連衣裙”視為關(guān)鍵詞，將“黑色”視為概念。理想情況下，它應(yīng)該將“黑白”識別為一個概念，因為正在尋找這些顏色的組合。

這件衣服也可以是一個概念，因為它非常通用?；ɑ芸梢允瞧浞b的關(guān)鍵字。以正確的方式識別所有事實很重要，因為根據(jù)事實，可以將其轉(zhuǎn)換為搜索查詢，以從數(shù)據(jù)存儲(或從相應(yīng)的搜索索引)獲取所需的詳細信息。

例如，上述內(nèi)容應(yīng)分解為：

顏色=“黑與白”

類別=“連衣裙”

性別=“女性”

價格2000美元

圖案=“floral”或類別中的關(guān)鍵字=“floral”

(顏色、類別、性別、價格、圖案是人們要搜索的所有列或索引)

WatsonNLP解析器不會將“AND”識別為一種品牌，而將“AND”識別為“和”這個連詞，這并不奇怪，因為它沒有接受此輸入的訓(xùn)練。

那么來看看GoogleNLP如何對這句話進行分類。以下是GoogleNLP的快照。

來自GoogleNLP的實體分類

GoogleNLP部分展示結(jié)果

從上圖中可以看出，GoogleNLP將實體識別為“服裝”，但不識別“黑白”的顏色。對于品牌標記的部分，它就像WatsonNLP識別“AND”一樣，認為它是一個連詞而不是品牌。

以上情況適用于任何可用的自然學(xué)習處理(NLP)實現(xiàn)，它無法理解句子的正確場景。其用例非常簡單。即使在這些示例中訓(xùn)練自然學(xué)習處理(NLP)實現(xiàn)，它也會失敗，因為開發(fā)者需要為這些條件插入特定的自然學(xué)習處理(NLP)規(guī)則以獲得所需的結(jié)果。隨著需要推斷的復(fù)雜性和場景的增加，進行訓(xùn)練也無濟于事，因為開發(fā)者永遠無法為此類條件提出通用模型。如果只依賴目前的自然學(xué)習處理(NLP)實現(xiàn)的話，這將成為開發(fā)聊天機器人的最大限制。

根據(jù)行業(yè)專家在構(gòu)建復(fù)雜的購物個性化顧問方面的經(jīng)驗，所有現(xiàn)成的人工智能自然學(xué)習處理(NLP)實施都不符合要求。這三個短語中有一個簡單的場景：“黑白連衣裙”，“黑色連衣裙”和“藍色牛仔褲和白色襯衫”。在所有3個例子中，“AND”這個詞的使用有一個不同的意思。在第一種情況下，它表示顏色“黑白”的組合，在第二種情況下，“AND”代表品牌，而在第三種情況下，AND是兩種查詢的連接(也就是“和”)。即使有必要的訓(xùn)練，任何可用的解決方案都無法實現(xiàn)推廣模型。這些只是需要強調(diào)的眾多例子中的一小部分。想象一下處理醫(yī)學(xué)文獻時的復(fù)雜性。在這個案例中，最終構(gòu)建了針對所有此類場景的特定于域的自然學(xué)習處理(NLP)實現(xiàn)。

一般來說，在設(shè)計聊天機器人解決方案時，從一個封閉的域開始，以及聊天機器人需要回答什么樣的問題。不要從一開始就構(gòu)建通用聊天機器人，因為很難獲得所需的準確性。其次，如果開發(fā)者使用的是云計算供應(yīng)商或第三方實現(xiàn)，請確保其用例可以通過默認實現(xiàn)，或者需要構(gòu)建組件來解決它。

構(gòu)建聊天機器人的典型用例是什么?

在當今的數(shù)字時代，客戶正在尋找即時信息和快速解決所有問題的方法。

聊天機器人提供了一種有效的方式，可以直接與終端客戶保持聯(lián)系，并提供信息——無論是通過消息聊天應(yīng)用程序，還是通過Alexa或GoogleHome等支持語音的服務(wù)。

下面列出了一些典型的用例：

?了解客戶并通過各種渠道直接與客戶互動的能力，如零售品牌直接與最終客戶聯(lián)系。

?提高客戶參與度、互動性，并提供快速解決方案。

?通過全天候向客戶提供相關(guān)信息來擴展客戶服務(wù)運營。

?更好地了解客戶及其偏好，以提供超個性化服務(wù)，如個人助理。

?提供以自然直觀的方式與智能家居等互聯(lián)設(shè)備進行交互的能力。

?提供專家指導(dǎo)，如提供投資建議的財務(wù)助理的聊天機器人。

構(gòu)建人工智能聊天機器人的高級步驟是什么?

以下是構(gòu)建人工智能聊天機器人的高級步驟：

?定義構(gòu)建聊天機器人的業(yè)務(wù)用例和最終目標。

?定義對話接口

定義需要回答的問題類型

定義關(guān)于用戶如何進行各種交互的對話/對話流程。例如，預(yù)訂航班是一個對話流程，預(yù)訂酒店是另一個對話流程等。而在對話流程中，與用戶的交互流程是什么?

定義如何捕獲用戶關(guān)于所提供答案的反饋。反饋可以是明確的，例如用戶對答案進行評級，或者是隱式的，比如用戶花費多少時間查看答案以及后續(xù)活動。

?問題/答案探索

創(chuàng)建將要詢問的問題的表示。

創(chuàng)造不同的問題來訓(xùn)練聊天機器人理解語言并能很好地概括。

確定答案來源-是程序化響應(yīng)還是來自內(nèi)部知識來源和文檔(如解決設(shè)備相關(guān)問題的可用技術(shù)手冊)

?采用技術(shù)方法

在此步驟中，開發(fā)者將決定如何實現(xiàn)聊天機器人。有兩種方法：使用可用的框架(如TensorFlow、NLP實施的NLP實現(xiàn))和自定義組件或使用現(xiàn)有的平臺服務(wù)(如GoogleNLP、AmazonLex或AzureBot服務(wù))構(gòu)建開發(fā)者自己的聊天機器人實例。

在這兩種方法中，開發(fā)者都需要訓(xùn)練聊天機器人實例以識別問題意圖、域和語言。現(xiàn)有平臺服務(wù)通過提供使創(chuàng)建聊天機器人更容易的必需實用程序簡化了此過程。

?選擇交付渠道

在此步驟中，開發(fā)者將決定如何通過所需通道向最終用戶公開聊天機器人。該頻道可以是網(wǎng)絡(luò)、移動或語音設(shè)備。

聊天實例通常會公開API(提出問題并獲得響應(yīng))，這可以通過渠道實施來調(diào)用。開發(fā)者還可以通過FacebookMessenger等第三方服務(wù)或AmazonAlexa等語音服務(wù)發(fā)布開發(fā)者的聊天機器人實施。

?發(fā)布、監(jiān)控和反饋

聊天機器人發(fā)布之后，開發(fā)者通常會存儲所有用戶交互，以幫助其更好地分析用戶行為及其偏好。反過來，用戶和行為數(shù)據(jù)將用于提供更個性化的服務(wù)。如何使用此新用戶信息取決于開發(fā)者的用例。例如，如果旅行聊天機器人推薦新的假期旅行，它可以根據(jù)其上次的旅行互動建議選項。開發(fā)者需要構(gòu)建一個推薦系統(tǒng)，該系統(tǒng)會查看過去用戶交互的歷史記錄并建議選項。

另一個重點是定期捕獲用戶的反饋，以了解聊天機器人是否提供了正確的信息。捕獲的反饋將用于改進聊天機器人實施，這可以導(dǎo)致使用新信息訓(xùn)練聊天機器人實施。例如，開發(fā)者的聊天機器人可能未接受過識別某些實體和概念的培訓(xùn)，因此，其答案可能不合適。開發(fā)者需要根據(jù)反饋計劃構(gòu)建和發(fā)布增量模型。

如何將聊天機器人與第三方服務(wù)集成?

作為聊天機器人技術(shù)實施的一部分，聊天機器人實例通常會公開API(提出問題并獲得響應(yīng))，這可以通過渠道實施來調(diào)用。

頻道可以是網(wǎng)絡(luò)、移動或語音設(shè)備。如果開發(fā)者已經(jīng)有一個移動應(yīng)用程序，可以將其作為移動應(yīng)用程序的一部分嵌入。

開發(fā)者還可以通過第三方聊天啟用的服務(wù)(如Facebook消息傳遞應(yīng)用程序)或通過支持語音的服務(wù)(如AmazonAlexa)作為技能發(fā)布其聊天機器人實例。

所有這些啟用聊天的服務(wù)都提供了一個框架來插入開發(fā)者的實例。該框架提供了用于攔截聊天消息的代碼攔截器。開發(fā)者需要擴展其框架并插入自己的實例。例如，如果用戶在FacebookMessenger上詢問問題，則問題將通過預(yù)定義的代碼攔截器傳遞給開發(fā)者的聊天實例。將處理該消息并將響應(yīng)發(fā)回，這將被發(fā)送回用戶。

同樣，如果開發(fā)者需要通過Alexa使聊天機器人可用，需要使用Alexa技能套件界面將其包裝為Alexa技能。用戶在Alexa中啟用開發(fā)者的技能后，其技能將截獲任何語音消息，可以根據(jù)聊天機器人提供所需的實施和響應(yīng)。

如何使用聊天機器人平臺構(gòu)建聊天機器人?

聊天機器人平臺為開發(fā)者提供了一組設(shè)計、開發(fā)和部署聊天機器人的服務(wù)。它們?yōu)殚_發(fā)者提供了框架和指導(dǎo)實用程序來構(gòu)建聊天機器人。

AWS、Azure、IBM、GoogleCloud等云計算提供商為開發(fā)者提供了一組服務(wù)，可以幫助其生成對話，使用自然語言處理(NLP)技術(shù)了解對話語言，創(chuàng)建代碼攔截器以采取必要的操作，并通過API提供解決方案。

每個提供商采用的基本方法是相同的。它們允許開發(fā)者：

?使用云計算提供商提供的一些可視界面或工具設(shè)計對話流程。

?通過這些會話流程，開發(fā)者可以：

提出一系列問題和多種方式，可以提出相同的問題。

定義問題的意圖。例如，對于“查找從美國到英國的最便宜航班”的問題，意圖是找到最低的機票價格。

找出要從意圖中提取的感興趣的實體。聊天機器人提供商需要了解這些實體。在上面的示例中，實體是國家/地區(qū)列表：英國，美國等。這些實體可以是通用的，由云計算提供商自動識別，或者云計算提供商提供可以提供或培訓(xùn)這些實體的機制(包括同義詞、隱喻等)。

使用提取的實體執(zhí)行意圖所需的操作。例如，在上面的示例中，調(diào)用提供英國和美國作為“從”和“到”位置的航班API服務(wù)。

提供響應(yīng)。

?通過端點測試并公開聊天機器人

云計算供應(yīng)商通常提供通過端點(如RESTAPI)公開聊天機器人功能的功能。

上述技術(shù)適用于簡單到中等復(fù)雜的流程，例如常見問題解答，針對客戶查詢的復(fù)雜問題和答案，固定的步驟(預(yù)訂出租車)等。任何需要復(fù)雜處理查詢的東西，例如購物顧問示例，需要使用自然語言處理(NLP)和其他技術(shù)定制開發(fā)。

微軟公司提供了一個問題和解答服務(wù)，可讓開發(fā)者通過問題和解答創(chuàng)建機器人。

聊天機器人不是真實的嗎?

當前一代聊天機器人可以被認為是通過自然語言處理(NLP)和固定會話流等技術(shù)驅(qū)動的智能對話系統(tǒng)。

聊天機器人不了解任何域名。開發(fā)者需要訓(xùn)練聊天機器人以了解域名。此外，根據(jù)域的復(fù)雜性，將逐步訓(xùn)練和添加子域。例如，幫助客戶預(yù)訂出租車的聊天機器人是一個固定域名的示例，而幫助醫(yī)生進行癌癥治療的聊天機器人將逐步接受各種類型的癌癥培訓(xùn)。

現(xiàn)在看看圍繞人工智能聊天機器人的一些營銷噱頭：

?掌握并了解所有聊天機器人——這些聊天機器人正在銷售，用戶可以在其中攝取數(shù)百萬份文檔，如醫(yī)學(xué)文獻，并可以提出問題，這些問題可以提供疾病診斷等專家協(xié)助。除非經(jīng)過適當?shù)挠?xùn)練，否則這類系統(tǒng)永遠不會提供所需的準確性。適當是指訓(xùn)練這些系統(tǒng)可能需要數(shù)年時間。這些系統(tǒng)的根本問題在于它們?nèi)匀粺o法理解域的完整語言和復(fù)雜性。用戶通常最終會使用自定義域名和無限語言規(guī)則，從長遠來看，這絕對不夠智能。這種系統(tǒng)的預(yù)測通常不準確。

?自我學(xué)習聊天機器人。人們以前是否聽過這個術(shù)語?這又是一個誤解，據(jù)說聊天機器人可以自己學(xué)習。開發(fā)者必須訓(xùn)練聊天機器人需要學(xué)習的東西。通常，用戶可以通過與聊天機器人應(yīng)用程序的交互來捕獲用戶行為詳細信息。這將包括捕獲用戶分析信息，例如通過顯式或隱式方式以某種方式捕獲信息。顯式信息可以是產(chǎn)品的用戶評級，隱含的可以是用戶花在查看響應(yīng)上的時間。

一旦很好地了解用戶并獲得了他們的數(shù)據(jù)，就會對開發(fā)者要向用戶推薦的內(nèi)容產(chǎn)生推薦問題。因此，開發(fā)者最終會構(gòu)建推薦算法來推薦一些東西。例如，對于金融科技應(yīng)用程序，這意味著根據(jù)他定期查看的股票或其投資組合推薦類似股票。

不同的域和用例需要不同的推薦算法，并且需要作為聊天機器人的一部分進行開發(fā)。然而，學(xué)習是封閉的。例如，如果開發(fā)者有一個可以幫助用戶預(yù)訂餐廳的聊天機器人，它可以推薦類似的餐館，但它不能推薦住宿的地方，因為它只知道用戶喜歡的口味。有人可以建立一個推薦系統(tǒng)，跟蹤用戶食宿問題，然后嘗試提出一個提供推薦的相關(guān)性，正如系統(tǒng)現(xiàn)在所知，“用戶吃XYZ很可能是冒險的。所以，推薦一個徒步旅行的地方。再次，在這種情況下，建議是根據(jù)用戶知道的和想要推薦的內(nèi)容。不知道是否存在任何此類假設(shè)，只能通過可以推斷出的數(shù)據(jù)和反饋。關(guān)鍵是，所有這些假設(shè)、數(shù)據(jù)和反饋都需要設(shè)計和開發(fā)，并說聊天機器人自己學(xué)習是非常誤導(dǎo)的。”

?通用的、可生成聊天機器人能夠從頭學(xué)習新概念，并提供人類響應(yīng)的聊天機器人。當它從開放領(lǐng)域?qū)W習時，聊天機器人的行為將類似于著名的MicrosoftTay聊天機器人，而它在發(fā)布日被迫中止發(fā)布，因為它開始從推文中學(xué)習不需要的細節(jié)，并開始發(fā)布煽動性和令人反感的推文。其生成的聊天機器人根據(jù)單詞的概率制定響應(yīng)，并創(chuàng)建一個語法正確的句子，而不理解其真正的意義。

正如以前提到的，第一個重點應(yīng)該是正確地使用特定于域的聊天機器人，并且使用當前的技術(shù)，但遠遠沒有實現(xiàn)愿景。

聊天機器人會讓人工坐席過時嗎?

為了回答這個問題，需要了解聊天機器人目前提供的功能。

當前的聊天機器人實例現(xiàn)可以很好地處理與用戶、重復(fù)任務(wù)和客戶服務(wù)任務(wù)的某些初始方面的固定對話框。只要有一組固定的流程和流程可以實現(xiàn)自動化，聊天機器人就可以用來為任何查詢提供全天候支持。如果使用人類專業(yè)知識來回答基本的問題集，并且答案很容易獲得，那么它最終將被替換。

但在現(xiàn)實生活中，大多數(shù)對話通常不遵循固定的流程范式。但是，如果會話從基本問題轉(zhuǎn)移到需要進一步分析的問題，或者會話主題發(fā)生變化，那么用戶需要一個復(fù)雜的聊天機器人實例來處理各種會話流，識別場景切換，識別用戶的聊天機器人可能沒有的意圖，注意并創(chuàng)建查詢以從其知識源中查找該信息。用戶現(xiàn)在正在從一組固定的流程轉(zhuǎn)移到需要由聊天機器人解釋的更動態(tài)的流程。構(gòu)建這樣復(fù)雜的聊天機器人實例需要使用機器學(xué)習技術(shù)和自定義解決方案進行復(fù)雜的特定領(lǐng)域。而現(xiàn)有的聊天機器人服務(wù)無法構(gòu)建這樣的聊天機器人實例。

即使擁有世界上所有數(shù)據(jù)，使用當前技術(shù)和研究時的無限處理和計算能力，開發(fā)者也永遠無法建立一個可以與該領(lǐng)域的專家競爭的系統(tǒng)。從現(xiàn)在開始，即使是5年的時間，也不可能開發(fā)出如此高水平的智能聊天機器人。

例如，聊天機器人或助手可以幫助醫(yī)生準確而一致地推薦癌癥治療嗎?答案是否定的。

聊天機器人提供的信息可以幫助醫(yī)生從提供的答案中獲取線索，這可能是對或錯。用戶永遠不能證明這一點。聊天機器人總是可以幫助專家完成一些工作。最終，這些系統(tǒng)基于一些概率拋出了大量答案。其答案僅限于用戶輸入系統(tǒng)的內(nèi)容，無法動態(tài)推斷新知識或?qū)⑷祟悓＜业刃畔㈥P(guān)聯(lián)起來得出任何結(jié)論。

雖然有研究試圖確定使用深層神經(jīng)網(wǎng)絡(luò)進行會話流的能力，但離構(gòu)建真正的會話接口(能夠理解語言和領(lǐng)域的本質(zhì))還很遠。此外，所提供的答案必須是可解釋的，并且，除非用戶有一種方法來回溯為什么提供了一個特定的答案，否則這種深層次的神經(jīng)系統(tǒng)不能用于需要可審計性和可解釋性的用例。

聊天機器人給人們帶來一種智慧的感覺，但達到真正的智能還有很長的路要走。

人工智能能否對問題產(chǎn)生動態(tài)響應(yīng)?

開發(fā)者可以使用深度學(xué)習來構(gòu)建聊天機器人。各種深度學(xué)習架構(gòu)可用于解決特定的各種用例。例如，對于計算機視覺(即圖像識別)，用戶將使用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)作為起點。對于語言翻譯或文本生成，可以使用循環(huán)神經(jīng)網(wǎng)絡(luò)等。

為了理解聊天對話，用戶將從一個循環(huán)神經(jīng)網(wǎng)絡(luò)的變體開始。將構(gòu)建序列到序列模型。簡單來說，序列到序列模型由兩個組件組成，第一個組件(編碼器)試圖通過其隱藏層理解輸入句子的場景，第二個組件(解碼器)接收來自編碼器的輸出并生成響應(yīng)。

上述技術(shù)要求開發(fā)者擁有大量的訓(xùn)練數(shù)據(jù)，其中包含問題和答案。該技術(shù)在封閉域中工作，但由于響應(yīng)本質(zhì)上是動態(tài)的，因此將其直接放到最終用戶可能會有點風險。其次，當開發(fā)者想要解釋輸入句子以提取信息并自己制定響應(yīng)時，這些技術(shù)不起作用，例如以前討論過的購物顧問查詢用例。

在開放式域名的情況下，聊天機器人的行為類似于之前給出的MicrosoftTay聊天機器人示例。

對于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)，響應(yīng)/答案取決于其先前的狀態(tài)(或更早的狀態(tài))。因此，對于需要提供場景的深層會話用例，循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)不起作用。用戶需要在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)上使用名為長期短期記憶網(wǎng)絡(luò)(LSTM)的變體。該領(lǐng)域正在進行大量研究。

總結(jié)

當前的聊天機器人是一種弱形式的人工智能，它提供了理解輸入消息/問題意圖的能力。為了讓聊天機器人系統(tǒng)了解其意圖，需要對其進行相應(yīng)領(lǐng)域的培訓(xùn)。用戶可以用多種方式問同一個問題，聊天機器人實例仍然可以推斷出其意圖。

對于對話框，當前的技術(shù)提供了定義固定會話流的功能，因此交互是封閉和有限的。

聊天機器人可以很好地管理生產(chǎn)力和客戶服務(wù)任務(wù)的某些方面。但是，隨著域的復(fù)雜性增加，當前的技術(shù)不足，即使經(jīng)過足夠的訓(xùn)練，用戶也無法達到所需的準確度。用戶需要依賴其他機器語言技術(shù)和解決方案(如規(guī)則、推理和自定義域元數(shù)據(jù))的組合來提供解決方案。這些成為一次性解決方案，難以概括。在某些情況下，即使是一次性解決方案也會非常復(fù)雜，比如建立一個顧問來準確一致地推薦癌癥治療方法。

雖然有關(guān)于使用深度神經(jīng)網(wǎng)絡(luò)的研究，但仍然遠遠沒有建立一個能夠理解語言和領(lǐng)域本質(zhì)的真正的會話聊天機器人。此外，所提供的答案需要解釋，除非有辦法回溯為什么提供特定答案，否則這種深度神經(jīng)系統(tǒng)不能用于需要可審計性和可解釋性的用例。