Alexa的工程師開發了一項新功能 可以讓虛擬助手第二次猜測客戶的需求

亞馬遜的工程師正在調整Alexa的算法，以幫助虛擬助手猜出用戶的請求，并在需求完全解決之前提出解決方案。

例如，在被詢問要沖泡一杯茶的時間后，Alexa將能夠建議為建議的分鐘數設置一個計時器。

Alexa工程師Anjishnu Kumar和Anand Rathi在博客中解釋說，改進是繼續努力，使與虛擬助手的交互盡可能自然。

工程師說，與Alexa聊天應該和與其他人聊天一樣自然，并且使該技術能夠預測對話中接下來將發生的事情對于確保對話的順利進行至關重要。

Kumar和Rathi寫道：“現在，我們正在向自然互動邁出新的一步，該功能可以讓Alexa推斷客戶的潛在目標，這些目標隱含在客戶請求中，但不能直接表達。”

對于虛擬助手而言，要達到這種智能程度是困難的，并且需要許多復雜的算法。為了弄清楚潛在目標是什么，Alexa必須分析用戶請求中的多個功能，并將其與以前的交互模式進行比較。該模型必須從客戶的行為中學習，例如要記住，詢問茶要煮多長時間的用戶通常會隨后要求為該時間設置一個計時器。

基于Alexa在第一個請求中標識的信息創建后續建議的過程同樣具有挑戰性。該算法必須收集用戶說出的單詞的上下文理解，以便以結構化的方式傳遞信息以供下一個技能使用。亞馬遜的工程師已經開發了一種所謂的“上下文轉移模型”來實現過渡。

最艱巨的任務之一是弄清楚虛擬助手是否應該完全猜測用戶的意圖。Kumar和Rathi說：“我們的早期實驗表明，并非所有對話環境都非常適合潛在目標的發現。”

“例如，當客戶要求'雞肉食譜'時，我們最初的原型之一會錯誤地跟進，問'你要我演奏雞的聲音嗎?'”

工程師使用深度學習模型，該模型考慮了與客戶對話中的各種元素，然后才決定是否觸發建議。該算法基于各種因素進行評估，這些因素包括對話文本，用戶以前對虛擬助手的行為，包括他們與Alexa的多技能建議互動的頻率。

亞馬遜工程師說：“我們對這項發明感到興奮，因為它有助于發現Alexa的技能并為我們的客戶提供更多的實用性。”

但是，盡管Alexa的工程師堅持認為該算法僅在找到合適的上下文時才建議采取后續措施，但可以輕松想象如果該技術存在缺陷，侵入性Alexa可能會變成什么樣。如果Alexa錯誤地理解了客戶的問題，并開始對不相關的要求進行第二次猜測，則該技術可能會對用戶造成困擾。