Chatbots menyebalkan

Teman-teman, kami memberikan perhatian singkat pada terjemahan presentasi penasaran tentang masalah membuat obrolan bot: apa saja fitur dari tugas ini, kesulitan apa yang menghalangi pengembang dan bagaimana mereka dapat dipecahkan. Kami juga meminta seorang pakar dari Pusat Pembelajaran Mesin Jet Infosystems untuk mengomentari materi ini. Anda akan menemukan pendapatnya di akhir artikel.

Bukan jejaring sosial, bukan aplikasi seluler, tetapi perpesanan adalah tren baru dan sangat penting. Saat ini, intensitas pengiriman pesan meningkat secara eksponensial, dan dalam hal volume data, cara komunikasi ini telah melampaui jaringan sosial di tempat lain pada awal 2015. Misalnya, Facebook berfokus pada pesan dan akan mendorong segala sesuatu yang terhubung ke halaman Anda di jejaring sosial ini - umpan berita dan lainnya - di suatu tempat yang jauh.

Hari ini, berkat smartphone, antarmuka sentuh telah menaklukkan dunia. Dan sepertinya langkah selanjutnya adalah antarmuka pengguna obrolan di mana Anda akan memiliki bot obrolan suara atau teks.

Mari kita bicara tentang kesulitan yang harus diatasi - dan harus diatasi di masa depan - oleh pengembang bot obrolan lengkap.

Apa yang dikatakan analis kepada kami?

Gartner mengklaim bahwa pada tahun 2022, 70% dari semua interaksi pelanggan akan terjadi melalui beberapa jenis AI. Diasumsikan bahwa bahkan jumlah panggilan suara di perusahaan akan berkurang sebesar 10%. Minimal, ketika pengguna melakukan panggilan ke perusahaan dalam 60% kasus, partisipasi manusia tidak diperlukan. Dan dalam kasus lain, orang akan berpartisipasi hanya pada tahap proses tertentu, mungkin secara langsung berkomunikasi dengan pengguna.

Menurut penelitian lain, pasar chatbot akan tumbuh secara eksponensial. Dan ini bukan hanya tentang layanan pelanggan, tetapi juga tentang penjualan dan pemasaran. Para peneliti percaya bahwa chatbots akan dapat menggantikan 6% dari tenaga kerja di seluruh dunia. Ini berarti hampir 200 juta orang harus mencari pekerjaan baru yang lebih menarik.



Akhirnya, para analis percaya bahwa menggunakan chatbots dapat menghemat $ 7 triliun setahun di seluruh dunia.

Niat dan Ekspresi

Dua tahun lalu saya benci bot obrolan, tapi hari ini saya suka mereka karena saya mengembangkannya. Tetapi banyak hari ini masih tidak menyukai mereka. Mengapa chatbots sangat buruk?

Tampak bagi saya bahwa alasan ketidaksempurnaan mereka dapat dibagi menjadi dua kelompok: satu berhubungan dengan bidang AI, dan kelompok kedua terkait dengan orang-orang. Tapi karena saya seorang insinyur dan tidak terlalu kuat dalam psikologi dan topik lain yang terkait dengan pengguna itu sendiri, mereka hanya akan berbicara tentang AI.

Pertama-tama, kita perlu bertanya pada diri sendiri: bagaimana cara chat bot mengenali apa yang dikatakan pengguna? Pengakuan memiliki dua konsep utama. Apa maksud dari pengguna, tujuannya? Misalnya, seseorang menerima tagihan untuk layanan dalam jumlah besar dan ingin tahu mengapa begitu banyak. Dia beralih ke dukungan pelanggan, tujuannya adalah untuk mendapatkan jawaban atas pertanyaannya. Pengguna seperti itu dapat menggunakan banyak ekspresi ; dia mungkin bertanya: "Mengapa akun saya begitu besar?"; "Apa yang terjadi?"; "Apa yang salah dengan akun saya?"; "Kenapa aku harus membayar begitu banyak?" Konsep-konsep ini sangat banyak digunakan di bidang pembuatan bot obrolan.

Bagaimana cara mengenali niat dan ekspresi?

Chatbots digunakan untuk mengisolasi kata kunci. Katakanlah, jika teks "pengguna" ada dalam teks dari pengguna, maka banding mungkin merujuk ke layanan penagihan. Tetapi pengguna dapat mengatakan: " Saya melihat dalam tagihan bahwa saya mungkin salah berlangganan ." Orang ini tidak tertarik dengan akun, dia ingin berlangganan lagi. Dan Anda harus menciptakan semua jenis aturan kruk.

Tetapi pengguna dapat membalikkan kalimat dan berkata: " Saya pikir saya memiliki langganan yang salah, karena saya perhatikan ada sesuatu yang salah pada akun saya ." Dan tongkat Anda tidak lagi berfungsi! Dan Anda memperluas aturan ini dengan menumpuk lapisan kruk baru.

Aturan-aturan ini tidak berfungsi dengan sempurna, dan pengembang menghabiskan terlalu banyak waktu untuk finalisasi. Kemajuan lebih lanjut dicapai hanya melalui pembelajaran mesin. Di bidang pemahaman bahasa alami (Natural Language Understanding, NLU) ada arah terpisah yang bekerja pada tugas ini.

Pada saat yang sama, NLU adalah bagian integral dari Natural Language Processing (NLP) - istilah ini menjelaskan segala sesuatu yang berkaitan dengan pemahaman dan menghasilkan ucapan. Memahami apa yang dikatakan seseorang kepada Anda pada dasarnya adalah klasifikasi ekspresi menurut niat tertentu.

Kesulitan dalam menentukan niat

Salah satu masalah utama adalah adanya ekspresi "buruk". Untuk melatih algoritme, Anda perlu membuat ekspresi niat Anda sendiri. Misalnya, Anda memiliki contoh seperti:

Mengapa akun saya begitu besar?
Mengapa tagihan saya begitu mahal?
Mengapa jumlah di akun saya begitu besar?

Mereka dapat digunakan sebagai input untuk pelatihan sistem NLU dan NLP. Kalimat-kalimat ini sangat mirip, mereka mulai dengan "Kenapa ...". Juga, semua kalimat mengandung kata "akun saya", sehingga Anda dapat menggunakan aturan sederhana untuk mengubah urutan, misalnya, tentang keberadaan frasa "akun saya". Selain itu, setiap kali kata "begitu" disebutkan, dan kita dapat mengasumsikan bahwa kata itu merujuk secara khusus pada pembahasan akun. Jika Anda belum menjelaskan kepada algoritma apa yang sebenarnya penting dalam menentukan niat semacam ini, maka sistem NLP Anda tidak akan berfungsi dengan baik.

Dalam kalimat, “ Mengapa saya harus membayar lebih dari biasanya? »Tidak ada kata yang disorot di atas. Sistem NLP tidak akan dapat memahami bahwa proposal tersebut milik grup ini, kecuali jika Anda memiliki niat tunggal. Tetapi jika ada beberapa niat, maka situasinya menjadi sangat rumit.

Berbagai ekspresi

Jadi, kita membutuhkan serangkaian ekspresi yang sangat beragam. Membangkitkannya bukanlah tugas yang mudah. Untuk melakukan ini, saya mengembangkan strategi diversifikasi saya.

→

Satu bagian dari sistem NLP mengelola berbagai sinonim, dan bagian lain menangani berbagai urutan kata. Sebagian besar sistem NLP terdiri dari dua blok utama:

• Word2Vec mengonversi kata yang dikenali menjadi representasi vektor.
  
• Jaringan saraf convolutional (SNA) atau jaringan saraf berulang (RNS) yang memproses urutan kata.
  

Fitur-fitur Word2Vec memungkinkannya untuk mengenali sifat-sifat kata tertentu, dan sebagai hasilnya, kata-kata yang memiliki arti yang hampir sama akan saling berdekatan. Kenakan poros "ukuran" kendaraan:


Dan jika Anda melakukan semuanya dengan benar, Anda dapat mendistribusikan entitas ini di sepanjang sumbu lain - lingkungan yang dimaksudkan untuk jenis transportasi ini.


Untuk melatih sistem Anda perlu tahu varietas mana yang relevan untuk tugas Anda dan mana yang tidak relevan. Katakanlah Anda perlu mengangkut sesuatu yang sangat besar, dan metode transportasi tidak masalah. Maka, mungkin varietas tersebut akan diterima:


Dalam kasus lain, ukurannya mungkin tidak masalah jika hanya dikirim melalui darat.


Word2Vec mengubah kata menjadi representasi vektor. Representasi ini kemudian ditransmisikan ke jaringan saraf yang mempelajari urutan kata.

Strategi saya cukup sederhana. Pertama kami membuat banyak penawaran. Dalam hal akun, kami tidak tertarik pada sinonim, tetapi hanya urutan kata.

Mengapa akun saya begitu besar?
Akun saya sangat besar!
Di akun saya, jumlah yang keterlaluan!

Kata "skor" ada di berbagai tempat kalimat. Kami mencoba menghasilkan sebanyak mungkin contoh dengan urutan kata yang berbeda, tanpa khawatir bagaimana mengekspresikan satu pemikiran dengan kata yang berbeda.

Maka Anda perlu menambahkan sinonim untuk keanekaragaman. Misalkan, dalam kalimat pertama, alih-alih “ mengapa, ” Anda dapat mengatakan “ bagaimana itu terjadi, ... ”, “ jelaskan kepada saya mengapa ... ” atau “ ceritakan bagaimana itu terjadi bahwa ... ”, dan kemudian Anda dapat mengakhiri kalimat dengan pilihan lain. Misalnya, " Jelaskan kepada saya mengapa cek Anda begitu besar ."



Kami membuat daftar sinonim yang diizinkan dalam konteks ini, menulis skrip untuk menghasilkan ekspresi, dan mendapatkan dataset pelatihan yang baik. Dan kemudian Anda perlu secara eksplisit memberi tahu sistem mana sinonim yang diizinkan dalam konteks ini.

Perbaikan

Sepertinya banyak perusahaan lupa bahwa bot obrolan yang dihasilkan perlu ditingkatkan.

Ambil kalimat: “ Bagaimana mungkin saya harus membayar lebih dari biasanya? »Kata-kata ini tidak termasuk dalam sinonim saya, dan urutan kata berbeda dari yang digunakan sebelumnya. Tidak perlu menambahkan kalimat ini sebagai ungkapan lain. Pertama lihat apakah ada urutan kata seperti itu, dan jika tidak, tambahkan saja kalimat sebagai urutan kata baru, dan kemudian tambahkan sinonim. Dengan cara ini Anda mendapatkan serangkaian ekspresi yang sangat beragam.

Penilaian Ekspresi Varietas

Bagaimana Anda tahu seberapa baik semuanya bekerja? Anda dapat bereksperimen dengan menggabungkan representasi vektor kata ke dalam kelompok ekspresi yang disederhanakan, dan mengevaluasi seberapa beragamnya kata-kata tersebut.



Metriknya sangat sederhana: kami menghitung jumlah cluster dan membaginya dengan jumlah ekspresi. Rata-rata, berbagai macam ekspresi memiliki tingkat sekitar 50%.

Jelas, jika varietas di bawah 20%, maka Anda tidak bekerja dengan baik. Di sisi lain, jika keragaman di atas 80%, maka ekspresi mungkin tidak terkait satu sama lain, dan sangat sulit bagi algoritma untuk menemukan kombinasi yang baik.

Akurasi pengakuan

Skor kereta berarti seberapa akurat sistem bekerja pada set data pelatihan. Ini tidak terlalu menarik, karena Anda hanya akan mendapatkan penilaian dataset pelatihan Anda. Dan apa yang harus dilakukan selanjutnya tidak jelas.

Dalam situasi ini, Anda harus tertarik pada ekspresi mana yang diklasifikasikan secara salah. Di mana semuanya salah?

Kalimat " Saya melihat dalam tagihan bahwa saya mungkin memiliki langganan yang salah " memiliki kemungkinan tinggi untuk diklasifikasikan secara salah bahkan dengan contoh-contoh yang saya perlihatkan di atas.

Dan jika Anda melihat bahwa proposal tersebut diklasifikasikan secara tidak benar, maka Anda perlu mencari cara untuk memperbaiki situasi.

Word2Vec dan jaringan saraf berulang sering dianggap sebagai kotak hitam, sangat sulit untuk ditafsirkan. Namun tetap ada satu cara yang tidak terlalu sulit. Secara terpisah untuk setiap kata kami menambahkan noise. Dan mulai mengubah kata, Anda akan melihat betapa sensitifnya definisi kata khusus ini.

Jadi kita lakukan dengan setiap kata dalam kalimat: tambahkan noise ke vektor dan jalankan melalui algoritma. Jika hasilnya sama, maka algoritma tidak tertarik pada kata ini. Jika setelah menambahkan noise hasilnya menjadi sangat berbeda, maka mungkin kata ini sangat relevan.

Dengan menganalisis sensitivitas dengan cara ini, Anda akan dapat memahami bahwa niat ditentukan secara keliru, misalnya, karena kata "menghitung". Atau, jika kalimat itu hanya berisi kata-kata "mengapa ...", maka mungkin merekalah yang menyebabkan definisi niat seperti itu. Jika semuanya ada di kata "skor", maka Anda memiliki beberapa opsi:

• Hapus ungkapan ini dan ekspresi Anda yang tidak benar akan hilang.
  
• Atau dalam grup ekspresi yang terkait dengan langganan, Anda cukup menambahkan lebih banyak ekspresi dengan kata "hitung" sehingga sistem mulai "memahami" bahwa kedua kata ini dapat muncul bersamaan. Dan, berdasarkan konteksnya, Anda harus mencari tahu apa yang terjadi, terlepas dari apakah itu akun atau berlangganan.
  
• Atau, sebaliknya, Anda dapat menambahkan lebih banyak ekspresi yang terkait dengan "penghitungan", tetapi tidak mengandungnya, sehingga sistem menjadi kurang sensitif terhadap "penghitungan".
  

Alur Percakapan

Hal berikutnya, yang terlalu sedikit orang perhatikan, adalah alur percakapan. Bagaimana orang menggunakan bot Anda? Bagaimana cara mereka bekerja dengannya? Apa yang terjadi dalam percakapan? Apa yang dilakukan sebagian besar pengguna?

Diagram ini menunjukkan perkembangan percakapan. Dapat dilihat bahwa utas ini paling sering digunakan, banyak orang menyukai bot ini. Tetapi lebih penting untuk melihat di mana saat-saat timbul dalam percakapan yang membuat orang berhenti menggunakan bot: mereka menanyakan sesuatu, dan kemudian mereka tiba-tiba pergi.

Analisis Emosi

Penting untuk mencoba memahami bagaimana perasaan orang-orang ketika mereka mengobrol dengan bot obrolan Anda. Untuk ini, kami menggunakan analisis emosi. Jika Anda dapat memahami bahwa 60% atau lebih pengguna merasa tidak puas setelah berbicara dengan bot obrolan, maka sesuatu harus dilakukan. Saya tidak berpikir ada platform dialog yang memperhitungkan informasi tersebut.


Cukup sering, emosi negatif menyebabkan proposal yang tidak terlihat negatif - itu hanya dipelajari oleh bot obrolan berdasarkan emoji. Jika Anda memiliki kalimat sarkastik di dataset, maka itu bisa berarti apa saja. Bot tidak boleh berasumsi bahwa itu terkait dengan emosi yang buruk, karena ekspresinya bisa netral.

Contoh Penggunaan

Kapan menggunakan bot obrolan? Ketika pelanggan Anda membutuhkan jawaban cepat, atau mereka tidak ingin antre di telepon, sebelum operator siap membantu mereka.

Jika tidak ada cukup staf, mengapa tidak menggunakan bot obrolan untuk dengan cepat menjawab pertanyaan dasar atau umum?

Penting juga untuk mengetahui area mana dari bisnis Anda yang menjadi mayoritas biaya, karena dengan begitu Anda dapat menghemat banyak uang jika Anda mentransfer area ini untuk mengobrol dengan bot.

Robot bukanlah lawan bicara terbaik dalam hal emosi. Jika Anda menghubungi layanan penyelamatan, Anda menginginkan jawaban langsung. Tetapi jika Anda memiliki masalah dengan mobil atau kecelakaan kecil, Anda memanggil layanan mobil dan tidak ingin menunggu lama di telepon, maka Anda bisa mengatakan: "Ban saya pecah," sesuatu seperti itu. Tentu saja, saya tidak bermaksud kecelakaan kecil atau kecelakaan dengan sejumlah besar cedera, dalam situasi seperti itu obrolan bot tidak dapat digunakan.

Dan saya ingin menyentuh aspek lain: menilai apakah bot obrolan cocok untuk tugas tertentu. Banyak pelanggan kami mendatangi kami dan berkata: " Kami memiliki formulir seperti itu di situs, mengapa tidak mentransfernya ke chatbot? “Tetapi kami telah bekerja dengan formulir selama bertahun-tahun, dan kami percaya bahwa itu sangat efektif.

Bentuknya sangat sederhana, dan orang tahu cara bekerja dengannya. Mengapa mengubah formulir menjadi bot obrolan? Beberapa interaksi pengguna cocok untuk chatbot, tetapi kadang-kadang lebih baik mengisi formulir, karena jauh lebih mudah.

Tetapi ada situasi lain.

Misalnya, jika antarmuka grafis tidak nyaman untuk mencari informasi, maka antarmuka pengguna percakapan dapat menjadi output. Tentu saja, jika Anda memiliki ekspresi "buruk", maka bot obrolan tidak akan berfungsi. Dan biasanya ungkapan seperti itu dihasilkan oleh seseorang.

Yang paling penting adalah desain pembicaraan. Konferensi VoiceCon keseluruhan didedikasikan untuk topik ini. Desain percakapan harus sangat ketat. Dan jika Anda membuat desain yang bagus, maka Anda bisa lolos dengan AI yang tidak terlalu berkualitas tinggi. Dan ini agak menyedihkan, karena menyebabkan kegagalan di chatbots.

Tips Berguna

Mungkin, banyak dari Anda telah melihat munculan di situs web: "Halo. Bisakah saya membantu Anda dengan sesuatu? " atau “Saya tahu Anda sedang mencoba mengirim surat. Biarkan saya membantu Anda! "

Jangan menaruh bot obrolan di halaman utama. JANGAN MELAKUKANNYA.

Bot seperti itu hanya dapat digunakan dalam bentuk yang lebih ringan jika mereka tidak menempati seluruh halaman. Kemudian orang-orang mulai menggunakan bot karena itu dapat membantu Anda menemukan jawabannya. Selain itu, karena Anda membatasi ruang lingkup bot, menjadi lebih mudah untuk dikembangkan. Namun, Anda tidak mengganggu orang-orang dengan bot yang saat ini tidak mereka butuhkan.

Orang-orang cenderung mempersonalisasi chatbot. Mereka tidak suka robot yang disengaja.

Personalisasi chatbot Anda! Bahkan jika Anda memberi tahu pelanggan setiap kali bahwa itu adalah robot, tetap berikan beberapa fitur individual.

Jika Anda seorang manajer hotel, maka mungkin Anda memerlukan bot obrolan yang sangat formal yang berbicara seperti pelayan: "Ya, tuan," "Terima kasih, tuan." Dan jika Anda adalah perusahaan telekomunikasi, dan sedang mengembangkan rencana tarif untuk kaum muda, maka lebih baik menggunakan sesuatu seperti: "Hei bung, apa kabar?"

Selalu ingat siapa audiens Anda.

Jika Anda rapi dan konsisten, bot obrolan akan lebih menarik bagi pelanggan Anda. Pertahankan konsistensi sepanjang alur percakapan, karena seringkali pada awalnya semuanya berjalan dengan baik, dan setelah beberapa saat percakapan menjadi sangat robot.

Sangat penting bahwa chatbot Anda berkomunikasi secara kolaboratif. Dan yang paling penting adalah penampilannya di awal.

Seseorang telah membuka bot obrolan Anda karena alasan tertentu. Jelaskan segera kepada pengguna bahwa Anda dapat membuat bot obrolan. Selain itu, kelola ekspektasi pengguna: katakan bahwa Anda adalah bot, karena beberapa kesalahan akan dimaafkan baginya.

Jangan gunakan frasa yang terlalu umum. Jangan bertanya: "Apa yang bisa saya bantu?"

Saya biasanya bertanya bot seperti: " Bantu aku memenangkan lotre ", atau sesuatu seperti itu. Jadi, biarkan bot berkomunikasi dengan jelas dan sederhana.

Sangat penting - dan sulit - untuk menangani transfer inisiatif dalam percakapan.

Ketika kita berkomunikasi satu sama lain, kita menggunakan sinyal visual yang memungkinkan kita untuk memahami: " Sekarang giliranku untuk berbicara ." Tetapi mengobrol cukup sulit untuk diterapkan. Penting untuk menjelaskan kepada pengguna bahwa sekarang bot sedang menunggu apa yang akan dituliskan oleh seseorang. Misalnya, ia memesan burger, dan bot itu dapat bertanya: “ Apakah Anda ingin lebih banyak kentang goreng? "

Sangat penting untuk menggunakan bahasa manusia dalam bot.

Percakapan yang kering sangat menyebalkan. Gunakan identitas bot untuk membuat percakapan lebih bisa dipercaya.

Sangat menggoda untuk mulai mengonfirmasi atau memverifikasi konfirmasi sepanjang percakapan dengan klien.

Tapi itu menjengkelkan jika bot terus bertanya: "Apakah semuanya baik-baik saja?" atau "benar?" atau "Kamu memesan burger, kan?" Jangan lakukan ini di chatbot Anda!

Ini hanya diizinkan jika benar-benar relevan. Misalnya, di akhir percakapan, tambahkan: “ Bagus. Sekarang Anda harus membayar burger dengan kentang goreng dan minuman. Apakah itu benar? »Cara yang elegan untuk melakukan ini adalah memiliki konfirmasi bawaan. Jika Anda memesan burger, Anda mungkin bertanya: " Bagus. Apakah Anda ingin kentang goreng untuk burger Anda? "

Pada titik tertentu, bot mungkin salah menafsirkan sesuatu. Selain itu, orang cenderung melakukan kesalahan. Kadang-kadang Anda memesan sesuatu dan berpikir: " Hmm, saya mungkin akan makan triple bacon, itu lebih baik ." Oleh karena itu, pengembang harus memastikan bahwa chatbot dapat mengatasinya. Anda harus membuat alur percakapan untuk memahami bahwa pada titik ini dalam percakapan kami ingin mengubah urutan.

Desain utas yang tangguh terhadap kesalahan pengguna karena orang-orang terus-menerus membuat kesalahan!

Intinya adalah untuk sedikit mengingatkan seseorang, tetapi komunikasi dengan orang yang terus-menerus meminta maaf sangat menjengkelkan. Jadi jangan biarkan bot obrolan Anda terlalu sering meminta maaf. Hindari permintaan maaf, sarankan solusi. Katakan: “ Saya tidak mengerti. Bisakah Anda ulangi? "Jika Anda melakukan beberapa kesalahan, Anda dapat memberi tahu pengguna:" Anda meminta sesuatu yang tidak saya mengerti. Anda bisa memesan burger, kentang goreng, dan minuman dari saya . ”

Masa depan

Permudah klien untuk membuat chatbot dengan desain percakapan yang baik. Jika Anda membuat kesalahan, cobalah untuk memperbaikinya. Jujur, chatbots masih payah. Tetapi Anda dapat membuat bot obrolan yang benar-benar akan berfungsi, lakukan beberapa pekerjaan untuk kami. Hanya perlu melakukan pendekatan ini dengan benar.

Opini Ahli

Dan sekarang kami ingin berbagi dengan Anda pendapat ahli perusahaan kami tentang ide dan tips yang dijelaskan di sini.

Nikolay Knyazev, spesialis pembelajaran mesin terkemuka di Jet Infosystems :

Pidato penulis didedikasikan untuk apa yang perlu diketahui pengembang untuk membuat bot obrolan yang sukses. Topiknya menarik, banyak poin tidak terletak di permukaan. Namun, perlu dipahami bahwa, dari sudut pandang algoritma, tinjauan umum metode cukup umum, dan tidak ada indikasi penerapannya.

Misalnya, contoh dengan Word2vec diberikan, tetapi tidak dikatakan tentang metode vektorisasi kata lain, misalnya, Glove, Fasttext. Ada berbagai cara untuk mengklasifikasikan teks (dari kata bag ke RNN dan CNN), tetapi tidak ada perbandingan atau pustaka di mana mereka diimplementasikan (misalnya, untuk Python ini adalah Keras, Scikit-belajar, dll). Dua poin penting terlewatkan dari tinjauan umum. Pertama, spesifik regional: metode yang berbeda akan berhasil untuk berbagai bahasa. Dan implementasi untuk bahasa Inggris jelas tidak cocok untuk bahasa Rusia. Meskipun di negara kita ada perkembangan, misalnya, bigARTM atau gedung Taiga, atas dasar itu dimungkinkan untuk melatih Word2vec yang disebutkan.

Aspek lain adalah konsep menggunakan bot: bot sekali pakai (memilih apartemen, menyelesaikan masalah) atau penggunaan konstan (bagian dari proses kerja). Dalam kasus pertama, memang, emosi dari komunikasi dan semua yang penulis bicarakan diingat. Yang kedua, orang-orang sedang menunggu "senapan serbu Kalashnikov" dengan tepat sehingga melakukan fungsinya tanpa pertanyaan tambahan, perlahan-lahan mempelajari cara terpendek untuk menggunakannya. Dan ini bukan warna emosional yang muncul, tetapi pengalaman pengguna, karena sejauh ini jaringan saraf di kepala kita menyesuaikan diri dengan kenyataan jauh lebih cepat daripada rekan-rekan mereka di kelenjar.