Q:
Hvordan handler chatbots med accenter?
EN:Med fremkomsten af nyere og mere sofistikerede chatbots i løbet af de sidste par år observerer folk i mange brancher, hvordan chatbots går videre, hvordan de tjener fremskridt inden for interaktiv stemmesvar (IVR), og hvordan det påvirker detailhandlen såvel som adskillige andre industrier .
Et af de store relevante spørgsmål er, hvordan chatbots har at gøre med accenter. Regionale og verdenssproglige accenter har været en stødestok for disse teknologier siden begyndelsen. Især når chatbots var mere rudimentære med hensyn til naturlige sprogbehandling (NLP) algoritmer, blev de let forvirrede af en accent, der signifikant ændrer talefoneme. I dag, med stadig udviklende algoritmer, er chatbots blevet meget mere modstandsdygtige.
Her er nogle af de vigtigste måder, som ingeniører og interessenter har arbejdet for at hjælpe chatbots med at håndtere accenter.
Den første er gennem målretning. Mange virksomheder, der beskæftiger sig med en forskellig kundekreds, vil oprette flere systemer - de vil forsøge at bevæge forbrugere eller andre slutbrugere mod det system, der matcher deres dialekt og sprog, for at undgå problemer på tværs af sprog.
Målretning kan dog kun gøre så meget. En anden vigtig måde, hvorpå virksomheder arbejder med chatbotforfining, er triangulering - og det er noget, der har hjulpet chatbots med at erobre accentproblemet.
Triangulering af foneme hjælper med at give mere specifikke resultater. Tænk på det på denne måde - hvis en chatbot støder på stemmen fra en indianer, der flyttede til USA og taler engelsk med en markant indisk accent, bliver maskinen nødt til at håndtere forskelle, f.eks. Den fladere, bredere "a" lyd, at indiske indfødte højttalere har svært ved at mestre på engelsk. En chatbot, der har større kompleksitet til at isolere fonemer, kan udvælge plagepladserne og mere nøjagtigt "diagnosticere" dem, så det ikke går glip af hele ordet eller sætningen. Det er mere sandt for en algoritme end et menneske: Mange menneskelige lyttere har en tendens til at blive forvirrede over eventuelle accentforskelle.
Ved at isolere og behandle foneme mere dybt, kan teknologien komme med mere "rigtige svar" eller svar, men der er en anden vigtig måde, som chatbots kan håndtere problemet med at svare på en accent-stemme - eller et andet "problem".
Når forståelsen er mindre end fuld, er en nøglefaktor, hvordan teknologien reagerer. De mere grundlæggende IVR-chatbots fra i går var tilbøjelige til at fortsætte med at sige ”Jeg er ked af det, det forstod jeg ikke” igen og igen. Dagens raffinerede chatbots giver mere sandsynligt iterativ respons, enten eskalerende opkaldet til et menneske eller giver delvis svar eller igen forsøger at isolere problemet.
Med målretning, triangulering og god triage kan chatbots blive meget mere præcise om håndtering af accenter og andre idiosynkrasier, som opkaldere måtte have. Dette vil revolutionere verdenen af "virtuelle assistenter", der tidligere har været mindre end imponerende for de fleste uheldige opkaldere.
