Ogni giorno, i chatbots di intelligenza artificiale svolgono un ruolo nelle nostre interazioni, supporto clienti, strumenti di produttività e altro ancora, agendo come assistenti digitali per conversazioni tipiche. Ora, pensare di avere un dialogo con qualcuno che non ricorda nulla di ieri; questo richiederebbe di ripetere l'intera conversazione. Questo è come un chatbot senza contesto, o memoria, si sentirebbe. Che cos'è la memoria di contesto nei chatbots? La memoria di contesto si riferisce alla capacità di un chatbot di avere informazioni dalle interazioni passate e di riferirsi a quelle informazioni nelle conversazioni future. Invece che il chatbot tratti ogni nuova input come un messaggio autonomo, il chatbot fa connessioni tra messaggi passati e messaggi futuri; questo è strettamente correlato al concetto di stato conversazionale. Ad esempio: 
 
 
 Se la settimana scorsa hai chiesto a un chatbot di ricordarti del tuo programma di allenamento e oggi dici: "A che ora è la mia sessione domani?" il bot dovrebbe capire che questo è un'indagine su un programma per un pianificatore di fitness. Nel scenario del chatbot per lo shopping, stai affermando “Ho bisogno di scarpe nere”, e poi dici “Mostratemi simili in altri colori”, e il bot non ti chiederà di nuovo quale prodotto stavi visualizzando. Questa transizione dalle risposte reattive alle conversazioni in corso è causata dal modo in cui la memoria viene trattata nei sistemi chatbot. Le strati della memoria chatbot La memoria non è tutte ugualmente dotate in un chatbot. Gli sviluppatori perseguono strategie diverse a seconda degli obiettivi e dei vincoli specifici dei rispettivi sistemi. 
 
 
 
 Memoria a breve termine: tiene traccia delle conversazioni avvenute in una singola sessione. Se dici “sì” o “no”, il bot sa esattamente a cosa stai rispondendo. Memoria a lungo termine: Conserva le conoscenze tra le interazioni.Le informazioni possono includere fatti identificabili come il tuo nome, le opzioni per le quali hai precedentemente mostrato una preferenza o forse le dichiarazioni che hai fatto in passato. Memoria episodica: i sistemi più sofisticati ora ricordano particolari interazioni dal passato, quasi come ricordare una storia. "Ricordi di aver chiesto raccomandazioni per un laptop il mese scorso?" La combinazione di questi livelli informa come il chatbot possa continuare lo stato della conversazione e aiutare l'interazione a sentirsi più come se stai parlando con un interlocutore di conversazione rispetto a un dispositivo transazionale. Le sfide della conservazione del contesto Naturalmente, dare memoria non è come invertire un switch. Gli sviluppatori si trovano di fronte a sfide diverse quando si tratta di costruire sistemi basati sul contesto: 
 
 
 
 
 Data Storage: La memoria potrebbe creare un molto grande set di dati di storia della chat che può richiedere un sacco di risorse per risparmiare per l'utente finale. Preoccupazioni sulla privacy: salvare informazioni identificabili richiederà il consenso esplicito dell'utente e il rispetto di regolamenti come il GDPR. Filtrare la rilevanza: non ogni contesto può essere utile. Il problema è come insegnare al bot cosa deve essere memorizzato e cosa deve essere trascurato. Ad esempio, potrebbe essere utile ricordare il tuo marchio preferito di caffè, mentre le piccole conversazioni inutili non devono essere memorizzate. Error Compounding: Una singola malinterpretazione può poi seguire nelle conversazioni successive, causando ripetuti malintesi se il bot ricorda il "contexto sbagliato". Di conseguenza, questi problemi ci danno un'indicazione molto forte che la conservazione del contesto va oltre un semplice problema di ingegneria ed è, in realtà, anche una questione di progettazione ed etica. Tecniche per la memoria nello sviluppo di chatbot AI Oggi, gli sviluppatori utilizzano approcci basati sul design e sull'apprendimento automatico in un metodo ibrido per implementare la memoria conversazionale. 
 
 
 
 
 ID di sessione e token: La forma più elementare di memoria che semplicemente etichetta la sessione, consentendo al contesto di esistere finché la sessione continua. Profili collegati a database: il processo intelligente in cui i bot creano profili utente collegati al loro ID su più piattaforme, sviluppando così memorie a lungo termine. Embedding e Vector Search: tecniche basate su AI che consentono ai chatbots di 'ricordare' i dettagli non come record statici, ma piuttosto come connessioni salvate come vettori ad alta dimensione. Alcuni grandi modelli linguistici ora hanno strati di memoria contenuti nelle reti neurali, fornendo così una forma meno meccanica di ricordare ciò che il bot aveva precedentemente acquisito e addestrato conoscenze. Tutti gli approcci avranno efficienza, costi, aspetti di privacy e compromessi di precisione.Ma alla fine, lo stesso obiettivo è: mantenere uno stato di conversazione ragionevole nel tempo. Impatto del mondo reale della conservazione del contesto La necessità della memoria della macchina non è teorica; vediamo le sue implicazioni come le persone adottano o non adottano le piattaforme basate su chat. 
 
 
 
 
 Servizio clienti: Un bot di supporto che ricorda il tuo numero di biglietto più recente e può condurre e raccogliere dalla conversazione si sente molto più centrato sul cliente di un altro bot che un consumatore inizierà da zero ogni volta. Assistenza sanitaria: gli assistenti virtuali che ricordano gli orari di farmaci precedenti nel tempo possono ridurre il carico sui pazienti. Commercio elettronico: i bot che suggeriscono nuovi prodotti da visualizzare in base ai prodotti visualizzati in precedenza possono guidare la conversione. Educazione: i robot di apprendimento che sono in grado di tenere traccia del progresso degli studenti nel tempo possono creare piani di lezione su misura invece di suggerimenti generici per soddisfare gli obiettivi di apprendimento. Questi contesti ci mostrano come la ritenzione del contesto trasforma i chatbots da Q&A statici a assistenti dinamici che si sentono calibrati alle esigenze dell'utente. Il futuro dello stato conversazionale Il futuro è un atto di bilanciamento: utilizzare la memoria per fornire maggiore potenza e capacità, assicurando al contempo che l'utente sia ancora in controllo.Dal momento che la memoria nei chatbots diventa una realtà, probabilmente vedremo gli sviluppatori fornire un livello più verde di intelligenza e potere includendo il contesto a lungo termine mentre gestiscono l'esperienza utente intorno all'eliminazione della privacy. Possiamo aspettarci: 
 
 
 
 Adaptive Forgetting: sistemi che filtrano le informazioni meno rilevanti nel tempo, pur mantenendo le informazioni pertinenti. Memoria cross-platform: la memoria esiste tra le piattaforme. ad esempio, quando contatti il tuo chatbot sul tuo laptop, cattura i ricordi dalla conversazione, e quando si passa al telefono, continua la conversazione. Controlli di memoria trasparenti: sistemi che consentono all'utente di accedere, modificare o cancellare le memorie dai chatbots. Alla fine, la memoria di contesto non è una caratteristica del futuro dell'IA conversazionale; è una componente essenziale per costruire un chatbot AI significativo. Senza memoria, i chatbots esistono come strumenti transazionali. I pensieri finali I chatbots che non hanno memoria saranno come avere una conversazione che non ha una storia: possono rispondere, ma non ha senso.I messaggi che invieremo oggi informeranno e permetteranno i messaggi che invieremo domani. Quindi, poiché i chatbots sono ovunque nella vita professionale e personale, la sfida è quella di impegnarsi in modo utile con la memoria delle loro azioni.Che cosa vale la pena tenere?Che cosa vale la pena perdere?Come le conversazioni guadagnano significato nel tempo?Perché, alla fine, per l'IA e per noi, il contesto è tutto.

Questo audio è prodotto nella lingua originale della storia!

Il ruolo della memoria di contesto nei chatbots AI: perché i messaggi di ieri contano

About Author

COMMENTI

CARTELLINI

QUESTO ARTICOLO È STATO PRESENTATO IN

Related Stories

Link-To-Earn Incentive Model: A Blueprint For Mass Adoption?

The Ultimate FAQ Guide to HackerNoon's Business Blogging

Meet the HackerNoon Top Writers: Nebojsa Nesha Todorovic - Upwork, Freelancing, and Future of Work

Coding with Latenode's AI + JavaScript Assistant: A Low-Code Platform for Simplified Development

Link-To-Earn Incentive Model: A Blueprint For Mass Adoption?

The Ultimate FAQ Guide to HackerNoon's Business Blogging

Meet the HackerNoon Top Writers: Nebojsa Nesha Todorovic - Upwork, Freelancing, and Future of Work

Coding with Latenode's AI + JavaScript Assistant: A Low-Code Platform for Simplified Development

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps