Kuidas vestlusbotid aktsentidega hakkama saavad? eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_5,242,0,0]));

Sisu

K:

Kuidas vestlusbotid aktsentidega hakkama saavad?

A:

Uute ja keerukamate vestlusprogrammide ilmumisega viimastel aastatel jälgivad paljude tööstusharude inimesed, kuidas vestlusbotid edenevad, kuidas nad edendavad interaktiivset häälvastamist (IVR) ja kuidas see mõjutab nii jaemüüki kui ka paljusid teisi tööstusharusid .

Üks olulisi olulisi küsimusi on see, kuidas vestlusbotid aktsentidega hakkama saavad. Piirkondlikud ja maailmakeele aktsendid on olnud nende tehnoloogiate jaoks algusest peale komistuskiviks. Eriti kui vestlusbotid olid loomuliku keeletöötluse (NLP) algoritmide osas algelisemad, siis segasid neid kergesti aktsent, mis muudab kõne foneeme oluliselt. Tänapäeval on vestlusprogrammid muutunud pidevalt arenevate algoritmidega palju vastupidavamaks.

Siin on mõned peamised viisid, kuidas insenerid ja sidusrühmad on aidanud vestlusprogrammidel aktsenditega toime tulla.

Esimene on läbi sihtimise. Paljud ettevõtted, kes tegelevad mitmekesise klientuuriga, loovad mitu süsteemi - nad üritavad keeltevaheliste probleemide vältimiseks viia tarbijaid või muid lõppkasutajaid süsteemi juurde, mis sobib nende murrete ja keelega.

Sihtimine võib aga ainult nii palju ära teha. Teine oluline viis, kuidas ettevõtted töötavad chatboti täpsustamise nimel, on triangulatsioon - ja see on asi, mis on aidanud vestlusprogrammidel aktsendiprobleemi vallutada.

Foneemide triangulatsioon aitab anda täpsemaid tulemusi. Mõelge sellele nii - kui chatbot kohtub Ameerika Ühendriikidesse kolinud põlise indialase häälega ja räägib selgelt eristatava indiaani aktsendiga inglise keelt, peab masin hakkama saama erinevustega, näiteks lamedam, laiem “a” on kindel, et India emakeelena rääkijatel on raske inglise keelt õppida. Vestlusbot, millel on keerukam foneemide eraldamiseks, saab välja valida tõrkekohad ja neid täpsemalt diagnoosida, nii et see ei jätaks kogu sõna ega fraasi puudu. See kehtib rohkem algoritmi kui inimese kohta: paljud inimkuulajad kipuvad segi ajama igasuguseid aktsendierinevusi.

Foneemide isoleerimise ja põhjalikuma käsitlemisega võib tehnoloogia pakkuda „tõeseid vastuseid” või vastuseid, kuid on veel üks oluline viis, kuidas vestlusbotid saavad hakkama rõhutatud häälele reageerimise või mõne muu „probleemiga”.

Kui arusaamine on vähem kui täielik, on üks võtmetegur tehnoloogia reageerimine. Eilsemate IVR-i vestluspartnerid kippusid ikka ja jälle ütlema „Vabandust, ma ei saanud sellest aru“. Tänapäeval täiustatud vestlusbotid pakuvad tõenäolisemalt iteratiivset vastust, kas eskaleerides kõne inimesele või pakkudes osalisi vastuseid või taas proovides probleemi isoleerida.

Sihtimise, triangulatsiooni ja hea triaaži abil saavad vestlusbotid aktsentide käsitlemise ja muude helistajatega seotud eripärade kohta märksa täpsemad andmed. See paneb revolutsiooni “virtuaalsete abistajate” maailmas, mis on varem olnud enamiku õnnetute helistajate jaoks vähem muljetavaldav.