對話交互平臺的開發(fā)策略 - 阿里智能對話交互實踐及范式思考

剛才介紹的是語言理解，下面我介紹下對話引擎。

對話引擎就是根據(jù)語言理解的這種結(jié)構(gòu)化的語意表示以及對照到上下文，來決定采取什么樣的動作。這個動作我們把它分成幾類。

第一，用于語言生成的動作。

第二，服務(wù)動作。

第三，指導(dǎo)客戶端做操作的動作。

再看一個簡單的對話例子。用戶說：“我要去杭州，幫我訂一張火車票”，這個時候機(jī)器首先要理解用戶的意圖是買火車票，之后就要查知識庫，要買火車票依賴于時間和目的地，但是現(xiàn)在用戶只說目的地沒說時間，所以它就要發(fā)起一個詢問時間的動作，機(jī)器問了時間之后，用戶回答說“明天上午”。這個時候機(jī)器要理解用戶說的明天上午正好是在回答剛才用戶問的問題，這樣匹配了之后，基本上這個機(jī)器就把這個最關(guān)鍵的信息都收集回來了：時間和目的地，之后，機(jī)器就可以發(fā)起另外一個請求服務(wù)指令，然后把火車票的list給出來。這個時候用戶接著說：“我要第二個”。機(jī)器還要理解用戶說的第二個，就是指的要打開第二個鏈接，之后用戶說“我要購買”，這個時候機(jī)器要發(fā)起一個指令去支付。

綜上，對話交互，我會把它分成兩個階段：

第一階段，通過多輪對話交互，把用戶的需求表達(dá)完整，因為用戶信息很多，不可能一次表達(dá)完整，所以要通過對話搜集完整。第一階段得到結(jié)構(gòu)化的信息，出發(fā)地、目的地、時間，有了這些信息之后，第二階段，請求服務(wù)。接著用還要去做選擇、確定、支付、購買等等后面的動作。

傳統(tǒng)的人機(jī)對話，包括現(xiàn)在市面上常見的人機(jī)對話，一般都是只在做第一階段的對話，第二階段的對話做得不多。

在對話交互這塊，阿里巴巴還是做了一些有特色的東西：

對話引擎之后，我們再看下我們的問答引擎和聊天引擎：

問答引擎：其實人和機(jī)器對話過程中，不僅僅是有task的對話還有問答和聊天，我們在問答引擎這塊，目前還是著力于基于知識圖譜的問答，因為基于知識圖譜的問答能夠比較精準(zhǔn)地回答用戶的問題。

聊天引擎：我們設(shè)計了兩類聊天引擎。

對話交互平臺的開發(fā)策略

剛才語言理解引擎、對話引擎、聊天引擎再加上語音識別合成，形成了完整的一套系統(tǒng)和平臺，我們稱之為自然交互平臺。在這套平臺上，一端是連接著各種各樣的設(shè)備，另外一端是連接了各種各樣的服務(wù)，這樣用戶和設(shè)備的交互就能夠用比較自然的方式進(jìn)行下去了。

值得一提的是，這樣的自然交互平臺在阿里巴巴已經(jīng)有比較多的應(yīng)用了。比如說在互聯(lián)網(wǎng)汽車對話交互，我們和合作伙伴設(shè)計開發(fā)了汽車前裝和汽車后裝場景的對話交互。在功能上，比如說像地圖、導(dǎo)航、路況，還有圍繞著娛樂類的音樂、有聲讀物。

在汽車場景下的對話交互，還和其他場景有非常多的不同。因為產(chǎn)品方希望當(dāng)這個車在郊區(qū)網(wǎng)絡(luò)不好的時候，最需要導(dǎo)航的時候，你要能夠工作，所以我們的語音識別還有語言理解、對話引擎，就是在沒有網(wǎng)絡(luò)的情況下，要在端上能夠完全工作，這里面的挑戰(zhàn)也非常大。

現(xiàn)在正在把這樣的對話交互平臺開放出來，讓合作伙伴去開發(fā)自己場景的對話交互，所以我們正在開發(fā)面向開發(fā)者的平臺，這個平臺背后有端上的解決方案和云上的解決方案，端上包括聲音的采集、VAD、端上無網(wǎng)情況下完整的對話方案，服務(wù)端的能力會更加強(qiáng)大了。

在合作伙伴這塊有兩類：一類是面向設(shè)備的，比如說汽車、電視、音箱、機(jī)器人、智能玩具。另外一類就是類似于行業(yè)應(yīng)用，比如說智能客服這樣的一個場景。

考察一個對話交互平臺的能力，其實第一需要看它背后沉淀和積累的技術(shù)，我們在這方面花了三年的時間去沉淀了一些公共場景的對話交互能力。比如像娛樂、出行、理財、美食，有了這樣的能力之后，當(dāng)一個新的業(yè)務(wù)方接入的時候，就不需要再去開發(fā)了，直接調(diào)用就好。用戶只需要開發(fā)業(yè)務(wù)場景中特定的一些場景就可以，大大加快業(yè)務(wù)方開發(fā)對話交互的速度。

第二個能力就是提供足夠強(qiáng)的定制能力，這種能力我們在語言理解，用戶可以定制自己的時點、對話邏輯、聊天引擎、問答引擎，可以把自己積累的數(shù)據(jù)上傳上來，以及對語音識別的詞語定制，包括TTS聲音的定制等等。

智能對話交互生態(tài)的范式思考

過去3-4年，在人機(jī)對話領(lǐng)域，應(yīng)該說，我們還是取得了長足的進(jìn)步，這樣的進(jìn)步來自于以聲音學(xué)習(xí)為代表的算法突破。這個算法的突破帶來語音識別大的改進(jìn)。同時，另一方面，我們認(rèn)為當(dāng)前的對話交互和真正的用戶期望還是有明顯距離的，對話交互能覆蓋的領(lǐng)域比較受限的，大家如果是用智能云交互的產(chǎn)品，你發(fā)現(xiàn)翻來覆去就是那幾類，音樂、地圖、導(dǎo)航、講笑話等等，其次，有的服務(wù)能力還不夠好，所以對于未來，我們是走自主研發(fā)路線還是平臺路線呢？

第一類，自主研發(fā)。很多的創(chuàng)業(yè)公司或者是團(tuán)隊基本上都是自主研發(fā)的，像蘋果公司它基本上就是自主研發(fā)的模式。

第二類，平臺模式。典型代表就是亞馬遜的Alexa，這個平臺的好處是它能夠發(fā)動開發(fā)者的力量快速地去擴(kuò)展領(lǐng)域。

兩者各有利弊，所以如何把這兩者結(jié)合在一起，有沒有第三種模式。如果有，第三種模式應(yīng)該具有哪些特點呢？我總結(jié)了下，大概有以下幾個特點：

第一，由于自然語言理解的門檻比較高的，門檻高指的是對于開發(fā)者來說，它比開發(fā)一個APP難多了，從無到有開發(fā)出來不難，但要做到效果好是非常難的。所以，語言理解引擎要自研。第二，對話邏輯要平臺化。對于對話交互，因為它和業(yè)務(wù)比較緊，每個業(yè)務(wù)方有自己特殊的邏輯，通過平臺化比較合適，讓平臺上的開發(fā)者針對各自場景的需求和交互過程來開發(fā)對話。第三，需要建立一套評測體系，只有符合這個評測體系的，才能引入平臺當(dāng)中。第四，需要商業(yè)化的機(jī)制，能夠讓開發(fā)者有動力去開發(fā)更多的以及體驗更好的交互能力。

如果這幾點能夠做到，我們稱之為第三種范式，這個平臺能夠相對快速地，并且開發(fā)的能力體驗是有效果保證的。這樣它開放給用戶的時候，無論是對B用戶還是C用戶，可以有更多的價值。

總結(jié)

最后，總結(jié)下我們對于研發(fā)對話交互機(jī)器人的幾點思考和體會：

堅持用戶體驗為先。這個話說起來很容易，但是我也知道，很多團(tuán)隊不是以用戶為先的，是以投資者為先的。

降低產(chǎn)品和交互設(shè)計的不確定性。如上所說，對話交互最大的問題是不確定性，在產(chǎn)品的交互上，我們要想辦法把這種不確定性盡量降得低一點。

打造語言理解的魯棒性和領(lǐng)域擴(kuò)展性。語言的理解能力盡量做到魯棒性，才能夠比較好的可擴(kuò)展。

打造讓機(jī)器持續(xù)學(xué)習(xí)能力。對話交互我認(rèn)為非常重要的一點就是怎么樣能夠讓機(jī)器持續(xù)不斷地學(xué)習(xí)。

打造數(shù)據(jù)閉環(huán)。要能夠快速地達(dá)到數(shù)字閉環(huán)，當(dāng)然這個閉環(huán)當(dāng)中要把數(shù)據(jù)的效能充分調(diào)動起來，結(jié)合更多數(shù)據(jù)的服務(wù)。

作者簡介：孫健，博士，阿里巴巴iDST 自然語言理解和人機(jī)對話負(fù)責(zé)人，資深專家。