CTI論壇(ctiforum.com)（編譯/老秦）:也許你一直在考慮在你的業(yè)務(wù)中使用智能虛擬助理（IVA）。您希望自動(dòng)化客戶(hù)服務(wù)，幫助您的客戶(hù)在您的網(wǎng)站上找到他們想要的內容，或者為您的員工提供工具。在任何一個(gè)搜索引擎上呆上幾分鐘，都會(huì )發(fā)現無(wú)數的供應商說(shuō)他們的產(chǎn)品是“智能的”、“自然的”或者“就像和人說(shuō)話(huà)一樣”；其他人吹噓自己是“真正的會(huì )話(huà)”和“革命”，還有許多其他發(fā)光的描述。當然，你想使用最好的技術(shù)，但你怎么知道哪一個(gè)是最好的，甚至哪一個(gè)替代品是好的，足以完成你心目中的工作？

 

　　顯然，簡(jiǎn)單地看供應商網(wǎng)站并不是最好的方法。每個(gè)供應商都會(huì )聲稱(chēng)他們的技術(shù)是最好的。看看YouTube的演示和與銷(xiāo)售人員交談也不會(huì )有什么幫助。供應商會(huì )有偏見(jiàn)，演示是基于非常仔細策劃的互動(dòng)。隨便試用一個(gè)系統幾分鐘就會(huì )產(chǎn)生誤導性的結果。是否有一個(gè)可靠的，客觀(guān)的方法來(lái)衡量系統的準確性？

　　其他產(chǎn)品可以與標準度量進(jìn)行比較。我們有每加侖汽車(chē)的英里數，電器的能源消耗量，顯示器的屏幕分辨率。不幸的是，我們還沒(méi)有針對智能虛擬助理的這些指標。即使我們把“最好的”縮小到“最準確的”，主觀(guān)性仍然有很大的空間。

　　為了可靠地比較系統，我們如何測量智能虛擬助理的精確度？不幸的是，我們沒(méi)有任何官方標準，但這里有一些似乎很有希望的想法。

　　讓我們首先說(shuō)，任何公平的比較都必須基于廣泛接受的衡量標準和程序。一個(gè)實(shí)際的評估也不能太貴或太費時(shí)，所以我們不需要完美，只是一個(gè)足夠好的比較。

　　首先，這里有一些有前途的策略。

　　1、系統可能以?xún)煞N不同的方式出錯，因此我們必須同時(shí)衡量這兩種方式。系統可能會(huì )給出錯誤的答案，但也可能無(wú)法給出它應該知道的問(wèn)題的答案。從技術(shù)上講，給出錯誤的答案是不準確的。沒(méi)有給出系統應該知道的答案是調用失敗。在大量的測試問(wèn)題中，我們可以得到整體關(guān)于調用失敗和精確性的分數，這將給我們系統的準確性一個(gè)分數。雖然調用失敗和精確性不是官方標準，但它們被研究人員廣泛接受。

　　2、一個(gè)較新的指標是敏感性和特異性平均值（SSA）。這是谷歌為其聊天機器人Meena開(kāi)發(fā)的。測試人員查看成對的用戶(hù)查詢(xún)和系統響應，并根據它們的敏感程度和具體程度對響應進(jìn)行評分。“敏感性”的含義是顯而易見(jiàn)的。特異性會(huì )懲罰像“那很好”這樣的一般性回答。像“那很好”這樣含糊不清的回答是數字助理試圖掩蓋其無(wú)知的信號。敏感性和特異性得分相結合，得到一個(gè)總的SSA得分。這一指標的一個(gè)吸引人的特點(diǎn)是，對回答打分的用戶(hù)不必知道正確的答案，他們只需能夠決定答案的“合理性”和“具體性”如何。

　　3、另一個(gè)值得一提的指標是亞馬遜AlexaPrize中使用的指標。它不能測量準確度；相反，它通過(guò)跟蹤用戶(hù)與應用程序交互的時(shí)間來(lái)衡量應用程序的吸引力。對于像老年伴侶這樣的應用程序來(lái)說(shuō)這可能是一個(gè)有用的指標，老年同伴的目標是讓用戶(hù)參與應用程序，但精度不是一個(gè)主要要求。

　　不僅要使測量標準化，而且評價(jià)也要遵循一個(gè)標準過(guò)程：（1）有可重復的結果；(2）外部變量控制；以及（3）防止游戲結果。一個(gè)很好的例子是2015年著(zhù)名的大眾汽車(chē)排放丑聞，當時(shí)大眾汽車(chē)在測試過(guò)程中關(guān)閉了排放裝置，這樣他們就可以謊報更好的排放評級。他們被抓住了。結果對大眾汽車(chē)不利；其首席執行官因此辭職。

　　評估過(guò)程的一些最佳做法包括：

　　1、對同一個(gè)應用程序進(jìn)行跨系統比較，這可以更通俗地稱(chēng)為“比較蘋(píng)果”。比較執行不同應用程序的系統是不公平的，因為一個(gè)應用程序可能比另一個(gè)更難。例如，一個(gè)應用程序中可能有更多的意圖和實(shí)體，這將降低該系統的分數。用于開(kāi)發(fā)應用程序的數據可以是一個(gè)開(kāi)放的公共數據集，就像Clinc開(kāi)發(fā)的數據集一樣，也可以是特定垂直方向上應用程序的內部數據。對于沒(méi)有特定應用程序（比如Alexa或Siri）的泛型助手，會(huì )有一些已發(fā)布的數據，比如我的應用程序中使用的數據。

　　2、非重疊數據的培訓和測試系統。如果一個(gè)系統是在以后測試的數據上訓練的，那么當各種新的、以前看不見(jiàn)的數據出現時(shí)，測試將不能代表實(shí)際的工作條件。這將是一個(gè)游戲系統的例子。

　　那么回到最初的問(wèn)題，如何正確評估智能虛擬助理呢？--下面是我們的一般建議。首先，不要把評估建立在主觀(guān)測試的基礎上。一個(gè)評估，包括幾分鐘的試用演示可能會(huì )非常誤導。第二，使用常見(jiàn)的測量方法，比如調用、精確度和SSA。第三，遵循一個(gè)標準流程：使用相同的數據集進(jìn)行所有比較，并將訓練數據和測試數據分開(kāi)。

　　遵循這些準則將導致可靠和有意義的比較。將這些信息與其他的需求開(kāi)發(fā)工具、運行時(shí)成本、易維護性結合起來(lái)，您就可以成功地部署智能虛擬助理了。

　　作者：Deborah Dahl

　　原文網(wǎng)址：

　　https://www.speechtechmag.com/Articles/Columns/Standards/Assessing-IVAs-How-Do-You-Determine-Which-One-Is-Right-for-You-147371.aspx