bot模式的好处（如何构建更加智能的bot）

我们一直在期待着bot有一天能够改变我们的工作与服务方式，但实际上我们现有的bot表现与APP相比却差强人意。过去6个月已有33000个聊天机器人在Facebook Messenger上推出，而大部分不具会话属性和聊天能力。它们主要是通过按钮点击或交互界面实现功能，很难用自然语言聊天。

用Facebook Messenger上的Poncho Weather举例，假设我下周一要去圣地亚哥参加一个会议并想知道届时那边的天气怎么样，正如下图所示，它很难理解我的聊天主题。

理解语言很难，开发者正研究适用于bot的技术来解决这一问题。那么我们如何才能使这些会话能力有限的机器人变得更加智能呢？我想答案显而易见：人工智能。

chatbot需要大量手动编程

经常无法理解用户的要求

无记忆能力

无法理解后续问题以及上下文

脱离脚本时，bot无法自己决策、解决问题

使用无差异的语言模板，bot总会提出重复问题

想象一下，你想要构建一个解决以上问题的聊天机器人，需要哪些组件？ 首先，bot必须理解用户所说的内容。 然后，bot需要学习在对话中如何持续理解对方并响应。 这分为四个阶段：

1. 自然语言理解：识别出用户真正意图

2. 状态追踪：理解当下讨论的内容以及在这个对话中的讨论主题

3. 对话管理：推理谈话过程以决定接下来说什么

4. 自然语言生成：用自然语言进行回复

人们已经使用机器学习来应对这些挑战。但是由于内在复杂性和信息交换结构本身性质，需要投入大量人力来训练模型。深度学习的最新成果已经在这些方面有所进展。

我们的bot如何学习

这里我们会关注对话管理。这是由机器自主决策的模块，通常无法人工操控。

• 训练对话管理器

对话管理器是整个系统的大脑，它将决定如何根据之前发生的对话进行下一步对话。对话管理器的训练可以通过两步完成。整个概念来自于模拟人类如何学习来执行一个新的任务。

首先，我们要理解任务本身，并通过观察其他人如何执行来了解成功完成的策略。 然后，我们尝试执行任务，并根据自身已知的错误调整接下来的行为。 同理，对话管理器首先学习的是自然的对话。

以我们的零售机器人为例，人工客服和顾客之间对话文本可以用来进行这部分训练。这是一个很好的开始，但对话管理器依然需要去适应其他未经学习的行为，可以通过模拟器进行对话然后再与真实用户对话进行训练。

这和人们如何学习新事物类似。当一个孩子学习棒球击打时，她可能首先学习她爸爸如何击球或者观摩电视上的比赛。过了一段时间她爸爸教了她几次如何挥棒，最终这个孩子开始自己挥棒并发挥得越来越好。

现在，大部分bot涉及大量人工设置，设定好较窄的行业领域、工作流和规则。当然，它们理解对话，但是做决策和自然语言生成还是完全由人工设定。Maluuba的技术通过学习决策进程领先于竞争对手。在部署机器人和用户交互之前，算法可从数据中习得。Maluuba能够动态学习同时通过强化学习与真实用户进行交互。这也是DeepMind如何教会AI玩Atari游戏的方法，并让AlphaGo学会下围棋并打败了人类世界冠军。

• 第二阶段深度学习

从技术角度来看，第一阶段的训练已经使bot通过人工客服与客户的对话语料库进行深度监督学习完成。在这个阶段，学习中的机器人通过给定的聊天历史记录进行训练，来预测对话行为。而对话行为体现了发言者意图。如下图：

我们训练系统基于聊天记录模仿人类客服的行为，使用深度神经网络来学习聊天记录和对话行为之间的映射。

第二阶段的训练通过强化学习实现。在强化学习的设置中，bot在未知环境中行动并据此获得奖励。bot的目标就是找到每个状态下获得最多奖励的处理方法。

在这里，bot的反应就是对话行为，奖励就是用户满意度的预估，对话状态就是聊天语料库的体现。在这里，未知环境指的是用户行为：bot必须尝试聊天语料库中涉及的不同意图并根据用户满意度的奖励对行为做出调整。第二步深度学习重用了第一步的神经网络，并且基于预估奖励最大化的第二步神经网络来调整映射。

Maluuba的研究已经论证相较于之前最先进的学习算法，使用这种二阶段深度神经网络方法提高了收敛速度并减少了人力投入。

Conversational Commerce 需要对话

聊天机器人在销售、客户服务和其他一些交互中有着巨大的潜能。客户期待他们可以像与人交谈一样与chatbot互动。它们会问问题、做出表态、不时介入对话、改变想法以及转换聊天话题。bot具有规模化的能力，不受约束，并且能够持续学习的能力可以为企业和顾客都带来诸多益处。也就是说，企业关注于bot的体验不仅仅是满足用户需求，而且更希望bot以自身期望的方式去解决。

关注微信公众号【BotDirIO】，查看更多企业级服务与bot领域有价值的信息。

,