譯者 | 張業(yè)貴

審校 | 孫淑娟 梁策

智能虛擬助理市場(chǎng)洞察

智能虛擬助理 (IVA, Intelligent Virtual Assistants) 也稱為智能個(gè)人助理 (IPA, Intelligent Personal Assistants) ，是由人工智能驅(qū)動(dòng)的代理，能從客戶元數(shù)據(jù)、先前對(duì)話、知識(shí)庫(kù)、地理位置、以及其他模塊化數(shù)據(jù)庫(kù)和插件等環(huán)境中提取信息，并生成個(gè)性化響應(yīng)。據(jù) Mordor Intelligence 稱，智能虛擬助理市場(chǎng)將在 2020 年代快速增長(zhǎng)，預(yù)計(jì) 2026 年將達(dá)到 62.7 億美元。

人工智能助理技術(shù)在很多方面類似于傳統(tǒng)的聊天機(jī)器人，但集成了下一代分析、機(jī)器學(xué)習(xí)、AR/VR 和數(shù)據(jù)科學(xué)。雖然傳統(tǒng)的聊天機(jī)器人可以基于馬爾可夫鏈和其他類似過程處理響應(yīng)請(qǐng)求，但其靜態(tài)響應(yīng)能力無(wú)法與智能虛擬助理的動(dòng)態(tài)洞察力相比。

蘋果的 Siri 是最著名的虛擬助理之一，它是一款面向消費(fèi)者的個(gè)人助理產(chǎn)品。其他的智能虛擬助理還有亞馬遜的 Alexa、微軟的 Cortana 和谷歌的 Google Assistant。像Siri 這樣的虛擬助理通過語(yǔ)音提示幫助客戶輕松執(zhí)行命令，自動(dòng)執(zhí)行在智能手機(jī)上設(shè)鬧鐘、使用文本轉(zhuǎn)語(yǔ)音技術(shù)朗讀電子郵件、播放和搜索音樂以及發(fā)送短信等任務(wù)。智能虛擬助理在智能手機(jī)中得到廣泛普及，使得汽車制造商也廣泛采納。

就智能虛擬助理而言，亞太地區(qū)是一個(gè)值得關(guān)注的重要市場(chǎng)，其在醫(yī)療保健、技術(shù)和金融領(lǐng)域都有著顯著增長(zhǎng)。該行業(yè)的重量級(jí)企業(yè)包括蘋果、Inbenta Technologies、IBM、Avaamo 和 Sonos 公司。

使用智能虛擬助理技術(shù)的用戶遍布醫(yī)療保健、電信、旅游和酒店、零售和 BFSI 領(lǐng)域。消費(fèi)產(chǎn)品包括智能揚(yáng)聲器、智能手機(jī)、汽車、商用車、家用電腦、家庭自動(dòng)化電器等等。

IVA 和 IPA 所依賴的基礎(chǔ)技術(shù)包括機(jī)器學(xué)習(xí)、認(rèn)知計(jì)算、文本朗讀、語(yǔ)音識(shí)別、計(jì)算機(jī)視覺和 AR。后文將詳述這點(diǎn)。

為什么公司要?jiǎng)?chuàng)建 AI 助理?

如果你是蘋果用戶，你可能無(wú)法想象沒有 Siri 的生活。亞馬遜 Alexa、谷歌助理、三星 Bixby——大多數(shù)大品牌都在投資開發(fā)AI助理。那么企業(yè)為什么要這樣做呢?

使用人工智能創(chuàng)建此類解決方案的主要優(yōu)勢(shì)在于，人工智能可以高效、快速地處理大量數(shù)據(jù)、發(fā)表見解并提供智能建議。在語(yǔ)音采集和語(yǔ)音識(shí)別的支持下，AI助理將執(zhí)行多種日常任務(wù)變得容易，例如在日歷中添加事件、設(shè)置提醒或跟蹤每月支出。據(jù)Statista數(shù)據(jù)，到 2024 年，全球使用的數(shù)字語(yǔ)音助理將超過 80 億個(gè)，大致相當(dāng)于世界人口規(guī)模。

為業(yè)務(wù)構(gòu)建虛擬助理的主要好處有：

• 改進(jìn)客戶支持服務(wù) ，減少對(duì)人工客服的呼叫和服務(wù)請(qǐng)求數(shù)量。借助 AI 助理，你可以實(shí)現(xiàn)與客戶交互的業(yè)務(wù)流程自動(dòng)化。這將使你的員工能夠?qū)Ｗ⒂诟鼜?fù)雜的任務(wù)，而不是將時(shí)間浪費(fèi)在可以自動(dòng)處理的請(qǐng)求上。
• 關(guān)鍵數(shù)據(jù)收集的便利性。通過傳統(tǒng)的客服電話或聊天收集的客戶體驗(yàn)數(shù)據(jù)，要求分析師通過海量電話對(duì)照客服專員收集和記錄的信息進(jìn)行清理。使用智能虛擬助理，客戶的請(qǐng)求和相關(guān)信息可以立即歸檔、分類以供分析，而無(wú)需依賴客服專員的詳細(xì)記錄。
• 個(gè)性化的用戶體驗(yàn)。AI助理可以根據(jù)每個(gè)用戶的需求提供高質(zhì)量的個(gè)性化服務(wù)。例如，智能個(gè)人助理可以記住用戶的姓名和偏好。這有助于提高用戶參與度，并提高客戶滿意度和忠誠(chéng)度。

公司將客戶支持和公司工具鏈的復(fù)雜部分(如樂高積木一般)集成的能力是智能虛擬助理的主要優(yōu)勢(shì)。通過二次開發(fā)，虛擬助理可以連接任何數(shù)據(jù)庫(kù)或任何資源，以提供關(guān)鍵信息并優(yōu)化各個(gè)級(jí)別的工作流程。

AI虛擬助理的類型

AI虛擬助理包括：聊天機(jī)器人、語(yǔ)音助手、AI 化身和特定領(lǐng)域的虛擬助理。

• 聊天機(jī)器人自創(chuàng)建以來一直是電子商務(wù)領(lǐng)域的支柱，但現(xiàn)代聊天機(jī)器人是由人工智能提供支持，這使得它們能夠思考客戶問詢，而不是通過一系列靜態(tài)事件來滿足客戶需求。
• 語(yǔ)音助手使用語(yǔ)音識(shí)別和自然語(yǔ)言處理響應(yīng)語(yǔ)音請(qǐng)求，例如著名的 Siri 和 Google助理。
• AI 化身是模仿人類的3D模型，用于娛樂應(yīng)用程序，或?yàn)樘摂M客戶支持交互提供人性化的觸感。來自英偉達(dá)等公司的尖端技術(shù)能夠?qū)崟r(shí)生成幾乎逼真的人類形象。
• 特定領(lǐng)域的虛擬助理是專為特定行業(yè)設(shè)計(jì)的高度專業(yè)化的人工智能虛擬助理實(shí)現(xiàn)，比如針對(duì)旅游、金融、工程、網(wǎng)絡(luò)安全和其他具有嚴(yán)苛要求的行業(yè)的高性能需求進(jìn)行了優(yōu)化。

此外，我們還可以找到為特定任務(wù)創(chuàng)建的虛擬助理技術(shù)。例如，基于人工智能和3D建模的ATP(Avatar to Person)技術(shù)可以讓殘障人士執(zhí)行“虛擬人臉重建”、“語(yǔ)音生成模擬”等任務(wù)，實(shí)現(xiàn)在線自由交流。

AI助理背后的技術(shù)

假設(shè)你想創(chuàng)建就像Siri這樣的個(gè)人虛擬助理，你會(huì)怎么做呢?最容易的一個(gè)選擇是將 Siri 直接集成到你的應(yīng)用程序中。除了Siri，Cortana 和 Google助理也被開發(fā)人員廣泛集成使用。2016 年，蘋果發(fā)布了 SiriSDK。通過這個(gè)開發(fā)工具包，程序員可以將自己應(yīng)用程序的功能集成為 Siri 可以執(zhí)行的任務(wù)。SiriSDK 使用Intent 作為用戶意圖的標(biāo)簽，并將意圖與自定義類和屬性相關(guān)聯(lián)。

如果你的公司不想依賴現(xiàn)有的 AI 助理選項(xiàng)，你需要一個(gè)由 AI 工程師組成的專家團(tuán)隊(duì)來構(gòu)建你自己的解決方案。下面讓我們深入了解智能虛擬助理背后的關(guān)鍵人工智能技術(shù)。

語(yǔ)音轉(zhuǎn)文本和文本轉(zhuǎn)語(yǔ)音

如果我們談?wù)撝悄芴摂M助理，它們至少需要語(yǔ)音轉(zhuǎn)文本 (STT，SPEECH-TO-TEXT) 和文本轉(zhuǎn)語(yǔ)音 (TTS，TEXT-TO-SPEECH) 功能。

語(yǔ)音轉(zhuǎn)文本 (STT) 的基本原理是將人類語(yǔ)音轉(zhuǎn)換為數(shù)字信號(hào)。當(dāng)你說話時(shí)，空氣中會(huì)產(chǎn)生一系列的振動(dòng)。該軟件使用模數(shù)轉(zhuǎn)換器 (ACD) 將它們轉(zhuǎn)換為數(shù)字信號(hào)并提取聲音，然后對(duì)它們進(jìn)行分段并將它們與現(xiàn)有音素相匹配。音素是語(yǔ)言中能夠區(qū)分不同單詞的聲音的最小單位?；趶?fù)雜的數(shù)學(xué)模型，系統(tǒng)將這些音素與單個(gè)單詞或短語(yǔ)進(jìn)行比較，并創(chuàng)建你所說內(nèi)容的文本。

文字轉(zhuǎn)語(yǔ)音 (TTS) 則相反，該技術(shù)將文本轉(zhuǎn)換為語(yǔ)音輸出。TTS 是使用機(jī)器學(xué)習(xí)將文本轉(zhuǎn)換為人類語(yǔ)音的計(jì)算機(jī)模擬技術(shù)。該系統(tǒng)經(jīng)過三個(gè)步驟，首先需要將文本轉(zhuǎn)換為單詞，然后進(jìn)行語(yǔ)音轉(zhuǎn)寫，然后將轉(zhuǎn)寫轉(zhuǎn)換為語(yǔ)音。

語(yǔ)音轉(zhuǎn)文本 (STT) 和文本轉(zhuǎn)語(yǔ)音 (TTS) 用于虛擬助理技術(shù)的作用是確保用戶和應(yīng)用程序之間的順暢高效溝通。要將使用靜態(tài)命令的基本語(yǔ)音助理轉(zhuǎn)變?yōu)榭捎玫? AI 助理，你還需要讓程序能夠通過智能標(biāo)記和啟發(fā)式方法來解釋用戶請(qǐng)求。

計(jì)算機(jī)視覺

計(jì)算機(jī)視覺 (CV，Computer vision) 是一種人工智能技術(shù)，可以從數(shù)字圖像或視頻等視覺輸入中提取有意義的信息。計(jì)算機(jī)視覺是創(chuàng)建可視化虛擬助理不可或缺的一部分。這些助理不僅僅可以響應(yīng)聲音，也可以響應(yīng)開發(fā)者生成的視頻，從而極大地增強(qiáng)了用戶體驗(yàn)。

CV使系統(tǒng)能夠識(shí)別對(duì)交流非常重要的肢體語(yǔ)言。視覺虛擬助理通過攝像頭采集數(shù)據(jù)，并利用實(shí)時(shí)面部檢測(cè)來捕捉有人看向屏幕的時(shí)段，驅(qū)動(dòng)系統(tǒng)的其它部分工作，將用戶的語(yǔ)音轉(zhuǎn)換為文本。

CV 還可以通過將用戶所說的內(nèi)容與用戶面部和嘴巴的運(yùn)動(dòng)進(jìn)行比較，從而大大提高語(yǔ)音識(shí)別的準(zhǔn)確性。

噪音控制

噪音控制是關(guān)乎語(yǔ)音助理準(zhǔn)確性的另一個(gè)關(guān)鍵功能。雖然許多智能手機(jī)都包含基于軟件的噪音控制和抑制功能，但你不能指望所有客戶都適用。為了彌補(bǔ)車載噪音抑制軟件的不足，頂級(jí)藍(lán)牙耳機(jī)還包括硬件噪音抑制功能，但這也不能保證你的 AI 助理能夠準(zhǔn)確檢測(cè)到客戶在吵鬧的列車上到底在說什么。通過集成的噪音控制包，你可以最大限度地降低誤解語(yǔ)音查詢的風(fēng)險(xiǎn)。

語(yǔ)音壓縮

你的 AI 助理需要臨時(shí)存儲(chǔ)語(yǔ)音信息以進(jìn)行處理，除非你打算讓語(yǔ)音數(shù)據(jù)填滿客戶的本地硬盤。因此語(yǔ)音壓縮很關(guān)鍵，但開發(fā)人員要小心謹(jǐn)慎。因?yàn)橐纛l文件可能被壓縮得很小，導(dǎo)致保真度低，從而難以或無(wú)法恢復(fù)處理過程中所說的內(nèi)容。壓縮技術(shù)在飛速發(fā)展，語(yǔ)音助理的音頻編解碼器和壓縮解決方案也需要繼續(xù)深入研究。

自然語(yǔ)言處理

AI 助理需要處理和解釋獲得的語(yǔ)音數(shù)據(jù)，然后執(zhí)行請(qǐng)求的命令，而自然語(yǔ)言處理(NLP ，Natural Language Processing) 則簡(jiǎn)化了語(yǔ)音識(shí)別過程。盡管許多 AI 工具包都在無(wú)數(shù)小時(shí)的語(yǔ)音樣本上進(jìn)行了預(yù)訓(xùn)練，但你仍然需要足夠的客戶數(shù)據(jù)來調(diào)整用例的精度。如果你的 AI 助理想做到口頭響應(yīng)，你將需要諸如 Google Cloud 等頂級(jí)語(yǔ)音合成解決方案，它可以產(chǎn)生逼真而清晰的聲音。

但是，語(yǔ)音處理不足以得出一個(gè)人的實(shí)際意圖并維持正常的對(duì)話。要將該請(qǐng)求正確解釋就需要自然語(yǔ)言理解發(fā)揮作用。

自然語(yǔ)言理解

自然語(yǔ)言理解 (NLU，Natural Language Understanding) 是自然語(yǔ)言處理的一種不同方法，被大多數(shù)計(jì)算機(jī)和數(shù)據(jù)科學(xué)家認(rèn)為是 NLP 的一個(gè)分支。雖然 NLP 方法將自然語(yǔ)言解析、標(biāo)記和標(biāo)準(zhǔn)化為用于命令處理的標(biāo)準(zhǔn)化結(jié)構(gòu)，但 NLU 解釋自然語(yǔ)言而不對(duì)其進(jìn)行標(biāo)準(zhǔn)化，并通過識(shí)別上下文從查詢中獲取含義。簡(jiǎn)而言之，NLP 處理語(yǔ)法、結(jié)構(gòu)并補(bǔ)償用戶的拼寫錯(cuò)誤，而 NLU 檢查請(qǐng)求背后的實(shí)際意圖。

自然語(yǔ)言生成

自然語(yǔ)言生成 (NLG，Natural Language Generation) 產(chǎn)生自然語(yǔ)言輸出。有了這項(xiàng)技術(shù)，用戶可以從虛擬助理和聊天機(jī)器人那里收到類似人類的響應(yīng)。用于 NLG 的模型和技術(shù)取決于項(xiàng)目的目標(biāo)和開發(fā)方法，最簡(jiǎn)單的一種方法是模板。模板具有預(yù)定義結(jié)構(gòu)，且只需要填充少量數(shù)據(jù)。填充數(shù)據(jù)可以是電子表格中的某行數(shù)據(jù)，也可以是數(shù)據(jù)庫(kù)中的某條記錄等等。

另一種方法是動(dòng)態(tài) NLG，它不需要開發(fā)人員為每種特殊情況編寫代碼，系統(tǒng)能夠自行做出反應(yīng)。這是一種更高級(jí)的依賴機(jī)器學(xué)習(xí)算法的方法。

深度學(xué)習(xí)

基于文本響應(yīng)的聊天機(jī)器人比語(yǔ)音助理簡(jiǎn)單得多。因?yàn)槟悴槐亟忉屨Z(yǔ)音轉(zhuǎn)換的文本，所以在構(gòu)建聊天機(jī)器人時(shí)也不需要那么多工具。下一代文本生成技術(shù)(例如 GPT-3)不僅能夠生成對(duì)基本請(qǐng)求的響應(yīng)，還能夠從“種子”生成整個(gè)新聞故事。 深度學(xué)習(xí)使之成為現(xiàn)實(shí)。

由深度學(xué)習(xí)算法驅(qū)動(dòng)的虛擬助理和聊天機(jī)器人，可以從自有數(shù)據(jù)和人們的對(duì)話中學(xué)習(xí)，檢查客戶和支持人員之間的交互過程，創(chuàng)建匹配的消息和響應(yīng)，并修改用戶的拼寫錯(cuò)誤和語(yǔ)法錯(cuò)誤。

增強(qiáng)現(xiàn)實(shí)

增強(qiáng)現(xiàn)實(shí) (AR, Augmented reality) 允許你在現(xiàn)實(shí)世界中疊加 3D 對(duì)象以獲得身臨其境的體驗(yàn)。基于 AR 的移動(dòng)聊天機(jī)器人和 AR 化身是使用這項(xiàng)技術(shù)的絕佳示例。例如，Arcade 為東倫敦的 Ragged School 博物館創(chuàng)建了一個(gè)名為 Miss Perkins 的移動(dòng) AR 化身聊天機(jī)器人。該助理為博物館參觀者提供指南，同時(shí)提供小測(cè)驗(yàn)以增進(jìn)交互式用戶體驗(yàn)。

另一個(gè)智能移動(dòng) AR 聊天機(jī)器人的例子是維也納科技博物館的，其功能包括導(dǎo)覽和回答用戶關(guān)于文本、圖像、視頻和音頻格式的特定項(xiàng)目的問題。

元宇宙和 VR 技術(shù)的興起自然也引向了虛擬助理：3D AI 化身。結(jié)合人工智能，AR虛擬助理突破了現(xiàn)有AR工具的限制，變得更加實(shí)用。例如，深度學(xué)習(xí)允許智能虛擬助理實(shí)時(shí)捕獲用戶行為，驅(qū)動(dòng)神經(jīng)網(wǎng)絡(luò)自主訓(xùn)練，提高虛擬助理的性能。

生成對(duì)抗網(wǎng)絡(luò)

作為使用神經(jīng)網(wǎng)絡(luò)的算法架構(gòu)， 生成對(duì)抗網(wǎng)絡(luò)(GAN，Generative Adversarial Networks)創(chuàng)建了合成數(shù)據(jù)的新方法。GAN 由輸入識(shí)別器的真實(shí)圖像樣本和生成器組成，為 AI 化身和 3D 助理生成逼真的 3D 面部。

GAN技術(shù)已被用于許多視頻游戲和產(chǎn)品，以創(chuàng)建逼真的人物形象。GAN 還可用于將靜止圖像轉(zhuǎn)換為全深度 3D 圖像。迄今為止，最先進(jìn)的 AI 化身集成工具可能是英偉達(dá)的 Omniverse Avatar項(xiàng)目Maxine，它實(shí)現(xiàn)了面對(duì)面說話的逼真的實(shí)時(shí)效果。

情緒智能

當(dāng)談到AI 化身或 3D 虛擬助理時(shí)，重要的不是聲音，而是肢體語(yǔ)言和人類情感。智能個(gè)人助理借助 AI支持的情緒智能 (EI，Emotional Intelligence) ，可在交流時(shí)實(shí)時(shí)跟蹤用戶的非語(yǔ)言行為并做出相應(yīng)反應(yīng)。借助 Emotion AI 跟蹤面部表情、肢體語(yǔ)言或語(yǔ)音來監(jiān)控人類情緒，這將使響應(yīng)速度更快。

Emotion AI 的核心是計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)算法。它使用標(biāo)準(zhǔn)網(wǎng)絡(luò)攝像頭或智能手機(jī)攝像頭拍攝面部，使用計(jì)算機(jī)視覺算法識(shí)別人臉的主要特征點(diǎn)并跟蹤他們的動(dòng)作以解釋情緒。接下來，系統(tǒng)通過將收集的數(shù)據(jù)與模板圖像庫(kù)進(jìn)行比較，根據(jù)面部表情的組合來確定人的感受。Affectiva 或 Kairos 等解決方案可以衡量以下情緒指標(biāo)：快樂、悲傷、憤怒、蔑視、厭惡、恐懼和驚訝。

我們還可以從語(yǔ)音中識(shí)別情感。一些軟件不僅能分析人們所說的內(nèi)容，還能分析人們是怎么說的。軟件提取有助于識(shí)別音調(diào)、音量、節(jié)奏變化的副語(yǔ)言特征，將其解釋為人類情感。

虛擬AI助理技術(shù)的挑戰(zhàn)和未來

虛擬助理技術(shù)的應(yīng)用無(wú)疑也會(huì)遇到一些挑戰(zhàn)。未來人工智能輔助技術(shù)的一個(gè)主要問題是數(shù)據(jù)存儲(chǔ)和使用的法律。不受限制地使用客戶數(shù)據(jù)開展人工智能訓(xùn)練很容易受到世界各國(guó)數(shù)據(jù)安全法律變化挑戰(zhàn)。在人盡皆知的舉報(bào)人丑聞事件發(fā)生后，Meta(前 Facebook)等公司有爭(zhēng)議的數(shù)據(jù)處理政策引發(fā)了人們對(duì)公司過度擴(kuò)張和隱私問題的擔(dān)憂。

因此，在開發(fā)人工智能助理應(yīng)用程序時(shí)，要考慮到隱私和數(shù)據(jù)保護(hù)的要求，例如歐盟頒布的《通用數(shù)據(jù)保護(hù)條例》(GDPR) 。你需要確保你的應(yīng)用完全合規(guī)。

此外還有來自安全部門的安全保護(hù)問題。端到端加密、雙重認(rèn)證和生物識(shí)別等安全機(jī)制是保護(hù) AI 助理應(yīng)用程序的一些最佳手段。此外，經(jīng)驗(yàn)豐富的 AI 工程師團(tuán)隊(duì)可以幫助你開發(fā)機(jī)器學(xué)習(xí)算法驅(qū)動(dòng)的定制安全系統(tǒng)。

盡管存在挑戰(zhàn)，但AI助理技術(shù)的未來看起來一片光明。技術(shù)的進(jìn)步也在推動(dòng)更智能的虛擬助理的發(fā)展。隨著 NLP 流程的不斷發(fā)展，虛擬助理將能夠執(zhí)行更復(fù)雜的任務(wù)。特別是智能虛擬助理將能夠基于自學(xué)習(xí)算法提出主動(dòng)建議，這對(duì)用戶更有幫助。

元宇宙的發(fā)展也與人工智能虛擬助理密切相關(guān)。AI 化身是在 3D 世界中展現(xiàn)用戶身份的最佳方式，AI將使我們的形象更逼真。基于對(duì)身體運(yùn)動(dòng)的研究，該模型可以學(xué)習(xí)并根據(jù)你的耳機(jī)和控制器的位置準(zhǔn)確預(yù)測(cè)肩膀和肘部的位置。

譯者介紹

張業(yè)貴，51CTO社區(qū)編輯，從事企業(yè)信息化建設(shè)多年，致力于信息集成、數(shù)據(jù)治理和人工智能應(yīng)用等，主要關(guān)注服務(wù)標(biāo)準(zhǔn)化、軟件過程改進(jìn)，助力企業(yè)進(jìn)行效率提升和價(jià)值創(chuàng)新。

原文標(biāo)題：??How Machine Generated Virtual Assistants can 10x Your Productivity in 2022??，作者：Evgeniy Krasnokutsky