希臘哲學家亞里士多德認為技術是大自然的延伸：建筑起重機延伸了人的雙手，而汽車取代了馬車。人類的祖先如同先知和預言家，不斷尋找在不可預知的世界中前進的線索。

但在全天候在線的世界中，超級計算機取代了人類的神諭 - 邏輯合理的機器，其目的是幫助人類做出決定，提供選擇或解決方案。

亞里士多德可能是對的。人工智能正在成為我們大腦100萬億神經連接的延伸。如果創造有效的人工智能是一項極其復雜的，即使不是幾乎不可能完成的任務，它也反映了現代人希望人工智能能夠解決他無限的疑問和困境的復雜真相。

人類用戶越來越希望人工智能擁有類似人類的智能來揭露和解碼他的周圍環境。因此，AI必須破譯和解釋人類無限的思想，以滿足他迷宮般的要求和追求。

采訪思科的AI專家

Vijay Ramakrishnan是思科機器學習/人工智能虛擬卓越中心的研究員，他談到了為企業會話應用開發機器的學習模型與對話系統。

會話AI意味著什么？

Vijay Ramakrishnan：會話AI是一組以機器學習，自然語言處理和對話系統開發為中心的工程學科，用于創建能夠智能地與人類交互的AI代理。輸入方法傳統上是語音通過自動語音識別（ASR）技術以及通過智能手機和鍵盤的文本。然而，我們看到視覺的出現（作為一種輸入方法）可以提高AI代理人的智能。這種系統的輸出可以從助理的自然語言響應到屏幕上的顯示而變化。

企業的會話AI應用程序如何與消費者或學術環境有何不同？

Ramakrishnan：企業應用程序與消費者和學術應用程序會避免多個業務知識庫深度聯系。

2018年，亞馬遜的Alexa Prize為參與者提供了一個目標，即建立一個可以與人類聊天天氣或體育等隨機主題的代理。

在學術環境中，目標是在閱讀理解中超越斯坦福大學的問題/答案數據集等基準數據集。該數據集是通過將維基百科的數據提供給眾包工作者進行標簽而構建的。

對于企業，AI應用程序必須非常好地完成窄域任務，例如預訂機票。此類任務需要與客戶和業務數據的深層鏈接，這些數據往往是適當的，并且尺寸小于公共數據集。

因此，通過信息檢索技術解決用戶語音/文本到業務目標是垂直領域的關鍵。其次，專門研究較小數據集合的機器學習模型，對于構建準確的企業級會話應用非常重要。

在為企業設計語音助手時，開發者將面臨哪些挑戰？

Ramakrishnan：一個巨大的挑戰是如何從自動語音識別（ASR）系統的錯誤轉錄中恢復過來。企業擁有公司特定的代詞，如員工姓名，產品縮寫和其他從未在ASR系統上接受過培訓的專有名詞。

另一個挑戰是在企業環境中缺乏高質量的標簽數據。企業需要盡早投資數據收集，以獲得增量語言理解用戶的好處。此外，企業可以使用更大的公共數據集來增加其私有數據集，以便機器學習模型可以學習一般模式以及公司特定的文獻。

最后，企業需要使用更簡單的機器學習模型來訓導應用程序，例如在他們的小數據集上進行邏輯回歸。這些模型可以為大多數用例提供足夠的預測能力。隨著產品的成熟和培訓數據量的增加，深度學習方法可用于獲得人類語言理解的準確性和精確性。

企業AI對有哪些障礙？

Ramakrishnan：將企業AI應用程序國際化是推動增長的關鍵能力。

但是，如果團隊不熟悉需要的語言，那么支持不同的語言是一項挑戰。在將應用程序推廣到特定地理區域之前，企業需要制定如何支持每種語言的運營計劃，包括招聘國外的語言專家。

人工智能代理需要與人類交互，使用語音，文本和視覺作為輸入方法等智能。比如亞馬遜和其他大企業正在引導未來。Jeff Bezos正在激勵創新者開發可以與人類談論隨機主題的AI代理。

但是對于企業而言，能夠開發出垂直的，面向業務的任務的應用程序至關重要，也無需那么非常完美。

當會話式AI可以幫助客戶預訂機票或酒店時，公司可以看到他們的機器學習的投資回報率。

企業會話AI傾向于使用較小的數據集，因為要保護相關的專有信息。

在商業中完善AI的另一個挑戰是克服專有名詞，公司特定縮寫，產品和類似術語的錯誤轉譯。開發者可用各種方法準確評估用戶的查詢，例如利用上下文信息。翻譯是另一項挑戰。公司應該利用外語專家向開發人員告之非母語的細微差別。