下面是VCA開(kāi)發(fā)所需要面臨的一些關(guān)鍵問(wèn)題：
VCA首先需要大量語(yǔ)句進(jìn)行練習
開(kāi)發(fā)人員需要模擬用戶(hù)語(yǔ)氣來(lái)訓練VCA的反應，這個(gè)過(guò)程包含了數以千計的常見(jiàn)口語(yǔ)化問(wèn)題，囊括我們日常可能犯的一些低級錯誤，比如方言、語(yǔ)法和拼寫(xiě)錯誤。然而現實(shí)是，并沒(méi)有那么多的可供訓練的句型。對此有兩種解決方法，第一種是開(kāi)發(fā)人員人為的寫(xiě)上千種句子，第二種是等VCA上線(xiàn)后，在實(shí)踐中搜集用戶(hù)的反饋。第二種顯然不行，會(huì )極大影響第一批用戶(hù)的體驗，形成不了口碑，很有可能造成惡性循環(huán)。即使公司有成千上萬(wàn)條語(yǔ)句，這些語(yǔ)句對VCA來(lái)說(shuō)也是無(wú)效的，因為他們沒(méi)有和說(shuō)話(huà)人的意圖掛上鉤。（舉個(gè)例子，“你想干什么”這句話(huà)，生氣時(shí)說(shuō)和日常說(shuō)萬(wàn)萬(wàn)全全是不同的效果。）所以，如果人為的給這么多語(yǔ)句加上與之相配的“意圖”，是一件非常耗時(shí)的工作。公司的解決方案是開(kāi)發(fā)一套半自動(dòng)的“問(wèn)題——意圖”配對工具，大大縮短了配對時(shí)間。
不可能用一種算法來(lái)理解所有用戶(hù)的意圖。
機器人學(xué)習途徑還是從用戶(hù)先前的對話(huà)中學(xué)習，簡(jiǎn)單點(diǎn)說(shuō)，從用戶(hù)過(guò)往的聊天記錄中揣測用戶(hù)的意圖。問(wèn)題是，用戶(hù)對銀行的問(wèn)題和對電信公司提出的問(wèn)題是完全不同的，沒(méi)有現成的一種算法，可以一次性讓機器從這兩種完全不同的情境中，猜對用戶(hù)意圖。解決辦法自然是設置不同的算法，如SVMs、Naive Bayes、LSTMs和feedforward neural networks的組合，匹配不同情景下的提問(wèn)，提煉出不同的意圖。這種方法可以創(chuàng )造更加準確的答案。
兩種使VCA超越目前人工智能的方法
要知道，從一大段對話(huà)中提取信息是一件極其困難的事情，你在看一篇文章時(shí)，不僅需要讀懂文字浮于表面的意思，還要將這些意思映射到你對世界的理解中。
舉個(gè)例子，一句很簡(jiǎn)單的話(huà)，“我的哥哥騎自行車(chē)”，有很多隱藏在語(yǔ)句之下的邏輯。比如，我和我的哥哥是擁有同一對父母，我的哥哥比我大，我哥是一個(gè)人，自行車(chē)是一樣可以被拿來(lái)用的、沒(méi)有生命的物品······這些認知，或者說(shuō)世界觀(guān)，是我們在和這個(gè)世界長(cháng)期接觸中學(xué)到的。如果在將文本意思映射到世界觀(guān)中出現了匹配錯誤或者無(wú)法匹配，這句話(huà)將被認為是毫無(wú)意義的。
由于今天造一臺計算機，不包括世界觀(guān)的輸入，所以在它看來(lái)，一句話(huà)僅僅就是一串毫無(wú)意義、被動(dòng)鏈接起來(lái)的字符串。好比工作人員想造一臺回答金融問(wèn)題的機器人，由于與金融服務(wù)相關(guān)問(wèn)題是相當具體的，必須加強人工智能NLP語(yǔ)言學(xué)習的能力，以及給機器輸入豐富的語(yǔ)義。一定要設計“語(yǔ)義本體”——通俗點(diǎn)說(shuō)，讓機器明白“貓和狗都是寵物，自行車(chē)是沒(méi)有生命的”。
還有一種方法是設計一種架構，讓VCA根據上下文內容，對已知和未知的語(yǔ)境進(jìn)行標記。
目前VCA還是對大公司最有效
根據以往的經(jīng)驗，大部分人在面對客服時(shí)是沒(méi)有耐心的，可以想象，很多人可能會(huì )略過(guò)向人工智能提問(wèn)時(shí)，建議的提問(wèn)方法和需要注意的問(wèn)題。我們所提出的問(wèn)題是十分具體的，并且要求及時(shí)、直接了當的答案。這對人工智能提出了很高的要求，目前人工智能成功解決問(wèn)題的概率徘徊在10%-20%之間。
不過(guò)考慮到大公司需要成百上千的人，回答無(wú)數次重復的問(wèn)題，這個(gè)比率可以省去大量這樣的，重復工作時(shí)間，把人力和時(shí)間成本花在創(chuàng )造性工作上面
