下面是VCA開發(fā)所需要面臨的一些關(guān)鍵問題：
VCA首先需要大量語句進(jìn)行練習(xí)
開發(fā)人員需要模擬用戶語氣來訓(xùn)練VCA的反應(yīng)，這個(gè)過程包含了數(shù)以千計(jì)的常見口語化問題，囊括我們?nèi)粘？赡芊傅囊恍┑图夊e(cuò)誤，比如方言、語法和拼寫錯(cuò)誤。然而現(xiàn)實(shí)是，并沒有那么多的可供訓(xùn)練的句型。對此有兩種解決方法，第一種是開發(fā)人員人為的寫上千種句子，第二種是等VCA上線后，在實(shí)踐中搜集用戶的反饋。第二種顯然不行，會極大影響第一批用戶的體驗(yàn)，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條語句，這些語句對VCA來說也是無效的，因?yàn)樗麄儧]有和說話人的意圖掛上鉤。（舉個(gè)例子，“你想干什么”這句話，生氣時(shí)說和日常說萬萬全全是不同的效果。）所以，如果人為的給這么多語句加上與之相配的“意圖”，是一件非常耗時(shí)的工作。公司的解決方案是開發(fā)一套半自動的“問題——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理解所有用戶的意圖。
機(jī)器人學(xué)習(xí)途徑還是從用戶先前的對話中學(xué)習(xí)，簡單點(diǎn)說，從用戶過往的聊天記錄中揣測用戶的意圖。問題是，用戶對銀行的問題和對電信公司提出的問題是完全不同的，沒有現(xiàn)成的一種算法，可以一次性讓機(jī)器從這兩種完全不同的情境中，猜對用戶意圖。解決辦法自然是設(shè)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，提煉出不同的意圖。這種方法可以創(chuàng)造更加準(zhǔn)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，一句很簡單的話，“我的哥哥騎自行車”，有很多隱藏在語句之下的邏輯。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，自行車是一樣可以被拿來用的、沒有生命的物品······這些認(rèn)知，或者說世界觀，是我們在和這個(gè)世界長期接觸中學(xué)到的。如果在將文本意思映射到世界觀中出現(xiàn)了匹配錯(cuò)誤或者無法匹配，這句話將被認(rèn)為是毫無意義的。
由于今天造一臺計(jì)算機(jī)，不包括世界觀的輸入，所以在它看來，一句話僅僅就是一串毫無意義、被動鏈接起來的字符串。好比工作人員想造一臺回答金融問題的機(jī)器人，由于與金融服務(wù)相關(guān)問題是相當(dāng)具體的，必須加強(qiáng)人工智能NLP語言學(xué)習(xí)的能力，以及給機(jī)器輸入豐富的語義。一定要設(shè)計(jì)“語義本體”——通俗點(diǎn)說，讓機(jī)器明白“貓和狗都是寵物，自行車是沒有生命的”。
還有一種方法是設(shè)計(jì)一種架構(gòu)，讓VCA根據(jù)上下文內(nèi)容，對已知和未知的語境進(jìn)行標(biāo)記。
目前VCA還是對大公司最有效
根據(jù)以往的經(jīng)驗(yàn)，大部分人在面對客服時(shí)是沒有耐心的，可以想象，很多人可能會略過向人工智能提問時(shí)，建議的提問方法和需要注意的問題。我們所提出的問題是十分具體的，并且要求及時(shí)、直接了當(dāng)?shù)拇鸢�。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題的概率徘徊在10%-20%之間。
不過考慮到大公司需要成百上千的人，回答無數(shù)次重復(fù)的問題，這個(gè)比率可以省去大量這樣的，重復(fù)工作時(shí)間，把人力和時(shí)間成本花在創(chuàng)造性工作上面
