NLP mühendislerinin teknik yorumu: Akıllı ses asistanı ürünlerinin geleceği nerede?
Lei Feng.com: Bu makalenin yazarı Li Chao, bir NLP mühendisine sormak için dışarı çıktı. Makaledeki tüm görüşler yazarın kişisel görüşleridir ve sorulduğunda şirketin konumunu temsil etmez. Leifeng.com'dan özel makale.
Son zamanlarda, AI tüm ülkede popüler hale geldi ve sesli akıllı asistanlar en ateşli olanlar. Büyük şirketler bu alandaki yatırımlarını artırmaya devam ediyor ve dikey veya genel alanlardaki start-up ekipleri ortaya çıktı. Rekabet şiddetli. Sektördeki pek çok kişi, akıllı asistanların APP'nin yerini alacağına ve yeni bir etkileşim yolu olacağına inanıyor. Pek çok akran, akıllı asistan ürünlerinin çok olgunlaşmamış olduğunu ve sadece geçici bir an olacağını düşünerek mevcut durumu da yansıtıyor.
Burada ayrıca akıllı yardımcı ürün teknolojisi hakkında kişisel bilgiler hakkında bir tartışma var.
"Mevcut yapay zeka asistanları neden yapay zekayı seviyor? "Her ana ürün üzerinde araştırma. Soldan sağa Appleın SIRIsi, Microsoftun CORtanası, Google'ın ALLOu
Yazarın işi olan C Şirketi
| Intelligent Assistant Ürünlerinin Özellikleri
Adından da anlaşılacağı gibi akıllı asistanlar, kullanıcıların görevleri tamamlamasına veya hizmetleri uygulamasına yardımcı olan sanal asistanlardır. Giriş açısından, akıllı asistanların ses girişi ve metin girişi vardır Teknik fark, ses girişinin ses tanıma olması gerektiği ve ses sinyalinin metne dönüştürülmesidir. Nispeten sessiz bir ortamda, konuşma tanımanın kelime doğruluğu% 97'den fazlasına ulaşabilir. Ürün senaryosundaki temel fark, sesli diyalog girişinin yazmayı gerektirmemesi ve tanıma doğru olduğunda giriş hızının daha hızlı olması ve hem elleri hem de gözleri serbest bırakabilmesi, böylece her akıllı asistanın bir ses tanıma işlevine sahip olmasıdır. Akıllı asistanın çıktısı metin çıktısı, görüntü çıktısı ve ses çıktısına bölünmüştür. Şu anda akıllı asistan ürünlerinin en önemli yolu sesli diyalog etkileşimidir.
Kişisel olarak akıllı asistanın sesli diyalog etkileşiminin geleneksel APP etkileşimine kıyasla aşağıdaki avantajlara sahip olduğunu düşünün:
1) Kolaylık: İki elinizle işlem yapmanıza gerek yok, girişi tamamlamak için doğrudan konuşmanız yeterli.
2) Giriş kapsamı: Kullanıcı belirli bir APP kullandığında, kullanıcının diğer görevlere geçerken başka bir APP açması gerekir; aynı APP'deki kullanıcının grafik arayüzünü katman katman takip etmesi ve düğme ve anahtar kelime arama yoluyla APP işlevini gerçekleştirmesi gerekir; ve ses etkileşimi farklı olabilir APP, APP'nin dahili seviyelerinde doğrudan gereksinimleri ortaya koydu.
3) Giriş çeşitliliği: Sesli etkileşimin sıçramaları ve sınırları doğal olarak girdi belirsizliğine yol açacaktır. Kullanıcı girişi grafik arayüzün sınırlaması olmaksızın doğrudan diyalog yoluyla tamamlar, girdi daha düzensiz olur ve ihtiyaçlar daha çeşitli olur. Bu, kullanıcı ihtiyaçlarını anlamak için güçlü doğal dil işleme teknolojisi ve kullanıcı ihtiyaçlarını karşılamak için güçlü yürütme yetenekleri gerektirir.
Aynı zamanda, sesli diyalog etkileşimi, geleneksel APP etkileşimine kıyasla aşağıdaki dezavantajlara sahiptir:
1) Daha az çıktı bilgisi: Geleneksel uygulamalar grafik arayüzlere dayanır ve büyük miktarda bilgi görüntüleyebilir.Örneğin, Dianping, restoran ortamını ve yemeklerin görünümünü resimler aracılığıyla doğrudan görebiliriz. Bununla birlikte, sesli etkileşimli çıktı bu bilgiyi birçok senaryoda görüntüleyemez ve çıktı bilgisi miktarı daha azdır.
2) Yetersiz mahremiyet: Sesli diyalog etkileşimi, talebi dile getirmek için belirli bir hacim gerektirir ve bu da talebi kamuoyuna ifşa eder.
İlk akıllı asistanlar, kullanıcılar için yerleşik veya indirilmiş bir APP olarak kullanıldı. Her şirketin ilk fikrinin, akıllı asistanı bir süper APP'ye ve çeşitli dikey alanlarda APP'nin yerini alacak bir trafik dağıtım platformuna dönüştürmek olduğu tahmin ediliyor. Şu anda, mobil asistanların kullanım oranı, aktif oranı ve elde tutma oranı düşüktür, SIRI bile bir istisna değildir.
APP'leri karşılaştırarak, cep telefonlarının büyük ekranlarının genellikle halka açık yerlerde kullanıldığını görebiliriz. Sesli diyalog etkileşiminin popüler hale getirilememesinin ana nedenleri şunlardır:
1) Mahremiyet zayıftır ve tüm ihtiyaçlar etraftaki insanlar tarafından bilinecektir.
Tencent Yönetim Kurulu Başkanı Ma Huateng de geçtiğimiz günlerde yaptığı makalede şu ifadelere yer verdi: "Bir başka örnek de sesli arama. Buna odaklanmadık. Bu işlev uygun görünüyor, ancak gerekli değil. Örneğin bir kişi cep telefonuna ne yapacağım dedi? O kadar aptalca ki, çok sayıda insan varken ve bu özel olmadığında, birkaç kez daha basmayı tercih ederim demekten utanıyorum. "
2) APP'nin bir cep telefonundaki dokunmatik ekran çalışması, sesli etkileşimden çok daha karmaşık değildir.
3) Cep telefonunda çeşitli görüntü bilgileri görüntülenebilir ve grafik arayüzün büyük miktarda bilgisinin avantajı korunur.
Son zamanlarda, akıllı donanımın yaygınlaşmasıyla, ses asistanları kademeli olarak çeşitli akıllı donanımlara yerleştirildi. Akıllı saatler veya iWatch, Android Wear tabanlı moto360 gibi giyilebilir cihazlar, Ticwatch ve diğer akıllı saatler veya giyilebilir cihazlar yerleşik akıllı sesli asistanlara sahiptir. Giyilebilir cihazların ekranı cep telefonlarından daha küçük olduğundan, metin girmek ve dokunmatik ekrana hafifçe vurmak zahmetlidir. Birçok APP yeterli resim bilgisini görüntüleyemez. Giyilebilir cihazların kullanıcılarla daha fazla yakınlığı vardır. Bu nedenler, kullanıcıların giyilebilir cihazları kullanırken daha fazla sesli diyalog etkileşimi kullanmasını sağlar. Ev dışı sorgulamanın ürün verileri de yukarıdaki bakış açısını doğruladı.Ticwatch saatlerinin sesli araması, ister kullanım, aktivite veya saklama açısından, ev dışı uygulamadan çok daha yüksektir.
Kullanıcı araç kullanırken, güvenlik nedenleriyle, sürüşe odaklanması gerekir.Park ederken ekran işlemlerine ek olarak, sesli diyalog etkileşimi neredeyse tek etkileşim yoludur. Araç içi senaryoda, sesli konuşmalarla etkileşime giren kullanıcıların ihtiyaçları, konum sorgulama ve navigasyon, müzik ve ses programı çalma gibi çeşitli yüksek frekanslı alanlarda nispeten daha yoğunlaşmakta ve kullanıcı girdisinin belirsizliği nispeten azalmaktadır. Aynı zamanda, arabanın içi daha özel bir ortamdır ve temelde insanların halka açık yerlerde ses kullanırken "aptal" hissetmeleri gibi bir sorun yoktur. Sürüşte yüksek güvenlik, araç içi ürünlerin eller serbest ve ekransız çalışması için gereksinimleri ortaya koymaktadır. Araç içi sahne, akıllı yardımcı ürünlerin sesli diyalog etkileşimi için daha iyi bir aşama olacaktır.
Amazon'un akıllı hoparlör Echo lansmanı kullanıcılar tarafından aranıyor.Yabancı yetkili kuruluşların istatistiklerine göre kümülatif satışlar 5 milyon adedi aştı. Amazon tarafından geliştirilen akıllı asistan Alexa yeni bir yıldız oldu. Konuşmacı ürünlerinde ekran yoktur ve sesli diyalog etkileşimi tek etkileşim yolu haline gelmiştir. Yaygın olarak kullanılan müzik, haber, taksi ve diğer işlevlere ek olarak, Alexa ayrıca çevrimiçi alışveriş siparişlerini desteklemek için bir Amazon hesabı açar.
Şu anda, konuşmacılar da yerli şirketler tarafından araştırma ve geliştirme için yeni bir sıcak nokta haline geldi.
Bu yıl Ağustos ayında Huaqiangbei'de yapılan bir teftiş sırasında, sıradan hoparlörlerin fiyatı genellikle 100-200 yuan civarındaydı ve basit ses kontrollü hoparlörlerin fiyatı 700-800 yuan'a yükseldi, bu da sesli diyalog etkileşiminin değerini bir dereceye kadar ses ürünlerine yansıtıyor. Evin mahremiyeti, ürün giriş formunun benzersizliği ve evde herhangi bir zamanda konuşma kolaylığı, akıllı asistanın ev ürünlerinde daha sık kullanılacağını belirler. Hoparlörlerdeki sesli diyalog etkileşimi kısıtlanmalıdır. Alışverişi örnek alırsak, hala dikkat edilmesi gereken pek çok konu var. Birincisi konuşmacının kimliğidir.Çocuğun konuşmacı aracılığıyla kasıtlı veya kasıtsız çok sayıda sipariş vermesi ve ebeveynin kredi kartını maksimuma çıkarması, kullanıcı ile hizmet sağlayıcı arasında anlaşmazlığa neden olacaktır. İkinci olarak, alışveriş ve yemek teslimi açısından kullanıcılar, iPhone7 ve bir McDonald's paketi gibi standartlaştırılmış ürünleri satın almak için hoparlörleri kullanabilir. Ancak kullanıcı, mavi deri çanta almak istediğimi söyledi.Birçok mavi çeşidi var ve deri çantanın tarzı daha da tuhaf ... Bu sesli diyalog etkileşimi için bir felaket.
Özet olarak, çeşitli senaryolarda sesli diyalog etkileşiminin kullanımını karşılaştırın. Yazar, giyilebilir, araç içi ürünler ve ev ürünlerinin sesli diyalog etkileşimi için daha iyi uygulama senaryoları olacağına inanıyor. Uçsuz bucaksız dünya umut vaat ediyor ve her türlü akıllı yardımcı ürün için bir arena olacak. Ürünler arasındaki rekabet aynı zamanda herkesin teknolojiye yatırımını teşvik edecek ve akıllı asistanlar giderek daha akıllı hale gelecektir.
Farklı senaryolarda sesli diyalog etkileşiminin karşılaştırılması
Yazarın şirketi, çalışma nedeniyle sürekli olarak, araba ürünleri, evler vb. Ürünlerin eller serbest ve ekransız etkileşimi gibi sesli diyalog etkileşimi için daha iyi uygulama senaryoları arıyor ve sesli diyalog etkileşiminin avantajlarına tam anlamıyla katkıda bulunabilir. İşte birkaç basit örnek:
1) Sesli hızlı kelimeler (Kısayol)
Ticmirror'da akıllı sesli etkileşim teknolojisi yükseltildi. Örneğin, navigasyon durumunda harita görüntüleme modunu değiştirmek istiyorsanız, önce sıcak kelimeleri "Merhaba Sor" diyerek sesle kontrolü başlatmanız gerekmez ve "Tüm süreci görüntüle", "3D modu" ve diğer hızlı sesli kelimeleri söyleyerek doğrudan kontrol edebilirsiniz.
2) Tek atış
Kullanıcılar ayrıca "Merhaba, bugün hava nasıl?" Gibi sıcak kelimeleri ve sorgu kelimelerini beklemeden sürekli olarak söyleyebilirler.
3) İstediğiniz zaman yarıda kes (Barge in)
Araca monteli ürünler, müzik ve ses çalma gibi eğlence hizmetleri sağlar.Kullanıcıların yolculuk sırasında yeniden gezinmeleri veya haritayı görüntülemeleri gerekirse, şarkıyı duraklatmaları gerekmez ve işlemi etkinleştirmek için çalınan şarkıyı doğrudan kesebilirler.
| Akıllı bir asistandaki temel teknolojiler nelerdir?
Akıllı asistan ürünlerinin sesli diyalog etkileşimi, konuşma tanıma, anlamsal anlama, arama teknolojisi, akıllı öneri ve konuşma sentezi gibi temel teknolojileri içeren güçlü teknik destek gerektirir.
-
Konuşma tanıma
Ses tanıma teknolojisi, kullanıcının ses girişini metne dönüştürür. Genel olarak dört modül, özellik çıkarma modülü, akustik model, dil modeli ve kod çözücü içerir.
Özellik çıkarma modülü, gürültüyü ortadan kaldırarak ve kanal bozulmasını ortadan kaldırarak sesi geliştirir ve ses sinyalinden özellik vektörlerini çıkarır. Özellik çıkarma modülünün gürültü, yankı ve diğer insanların ses parazitinin etkisiyle başa çıkması gerekir. Çözüm fikirleri esas olarak ön uç ve arka uç olarak ayrılmıştır Ön uç, çevresel arka plan sesini filtrelemek için konuşmacının sesinin yönsel olarak alınmasını sağlamak için hoparlörün açısını ve mesafesini hesaplamak için mikrofon dizisini kullanabilir. Arka uçta, sistemin yetenekleri gürültülü veriler içeren modeller eğitilerek geliştirilebilir.
Akustik model Fonemlere karşılık gelen akustik özellikler, tüm sekans için bir akustik model skoru oluşturur. Gizli Markov-Gauss Karışım Modeli erken kullanıldı. Daha sonra Deng Li ve Hinton, konuşma tanımada derin öğrenmeyi keşfetmeye başladı ve DNN doğruluğu büyük ölçüde geliştirdi. Şu anda, araştırmacılar CTC, RNN, LSTM ve TDNN'yi keşfetmek ve iyi sonuçlar elde etmek için kullandılar.
Dil modeli Bir cümleye karşılık gelen kelime dizisinin olasılığını hesaplayın. En basit olanı N dil modelidir, fikir çok basittir, bağlamda, mevcut kelimenin olasılığının sadece önceki N-1 kelimelerle ilgili olduğunu ve tüm cümlenin olasılığının koşullu olasılığın çarpılmasıyla elde edildiğini varsayalım. Günümüzde sinir ağı dil modelleri de kullanılmaktadır.
Kod çözücü modülü, giriş özelliği vektörü için en olası kelime dizisini bulmak için akustik model ve dil modelinin bilgilerini birleştirir. Kod çözücünün temel algoritması, dinamik programlama algoritması Viterbi'dir.
Ses tanımanın akustik modelinde derin öğrenmenin uygulanmasıyla, konuşma tanımanın doğruluğu büyük ölçüde geliştirildi ve doğruluk, sessiz koşullar altında% 97'den fazlasına ulaştı.
-
Anlamsal anlayış
Konuşma tanıma teknolojisi konuşmayı metne dönüştürdükten sonra, kullanıcı ihtiyaçlarını analiz etmek için anlamsal anlama teknolojisine ihtiyaç vardır. Anlamsal anlama teknolojisi, birleşik ve net bir optimizasyon hedefi olan konuşma tanımadan farklıdır; anlamsal anlayışın sabit fikirleri ve süreçleri yoktur ve farklı ekipler farklı çözümler benimseyecektir. Yine de, izlenecek izler var ve ana gövde aşağıdaki modüller olmadan yapamaz:
Sorgu sınıflandırması: Kullanıcının girdisini sınıflandırın ve kullanıcı ihtiyaçları kategorisini belirleyin. Örneğin, "yarının Pekin hava durumu", hava durumu kategorisinde sınıflandırılır ve "yakınlarda hangi oteller" restoran kategorisinde sınıflandırılır. Sınıflandırma, temel bir makine öğrenimi görevidir. Asıl görev, net kategoriler tanımlamak, verileri yüksek doğrulukla etiketlemek ve ayırt edilebilir özellikleri seçmektir. İyi bir veri ve özellik işi yapın, basit bir doğrusal sınıflandırıcı da çok iyi bir doğruluk sağlayabilir, ancak daha kesin olmak için, metin sınıflandırmasına derin öğrenme de dahil ediyoruz.
Varlık tanıma: Kullanıcı girdisindeki varlıkları tanımlayın. Örneğin, "Guo Degang'ın Crosstalk Jigong Biyografisini dinlemek istiyorum", "Guo Degang" ın bir çapraz konuşma aktörü ve "Jigong Biyografisi" nin bir çapraz konuşma çalışması olduğu kabul edildi. Varlık tanıma, tipik bir serileştirilmiş etiketleme problemidir. Temel yaklaşım, bir cümledeki her kelimeyi farklı bileşenlerle etiketlemek ve son olarak tanıma için makine öğrenimi yöntemlerini kullanmaktır. Olarak işaretlendiği gibi
"I-O", "Duymak İstiyorum", "Guo Degang-PER_B", " -O", "Jigong-BOOK_B", "Biyografi-KİTAP_I". BAŞA, KİTAP vb. Varlığın kategori bilgileridir, "B" ve "I" varlıktaki kelimenin konum bilgisidir, "B" başlangıç anlamına gelir ve "I" başlangıç anlamına gelmez.
Referans çözünürlüğü: Zamirlerin referans ilişkisini belirleyin. Örneğin, "Lin Dan'in karısı kim ve kaç yaşında", "o" nun Lin Dan'in karısına atıfta bulunduğunu bilebiliriz. Şu anda, referans çözümleme problemi, en olası referans ilişkisini bulmak için bir sınıflandırma problemine veya bir sınıflandırma problemine soyutlanabilir.
Diyalog teknolojisi: Diyalog sisteminin, kullanıcının sürekli talebini karşılamak için kullanıcının sürekli girdisini anlaması gerekir. Kullanıcı sürekli olarak "yakındaki restoranlara", "kişi başına 100" ve "Siçuan mutfağına ihtiyaç duyuyorsa", "kişi başına" ve "Siçuan mutfağının" tümünün, kullanıcının davranışını öğrenen bağımsız bir talepten ziyade restoranlar için talep olduğunu kabul etmek gerekir. Süreçte, kullanıcıların bir cümlede tüm koşullardan bahsetmek yerine, arama koşullarını giderek daha fazla artırdığı görülmüştür. Aynı zamanda bağlamı anlamak ve birden çok bağlamsal diyalog turunu gerçekleştirmek için teknolojiler geliştiriyoruz. "Önümüzdeki Cuma Pekin'e gidiyorum, uçağı kontrol etmeme yardım et", "Air China var mı?" Bu soru çözüldü.
Diyalog teknolojisi örneği
Soru ve cevap teknolojisi: Soru yanıtlama teknolojisi, varlık soru yanıtlama ve diğer kategorilere ayrılmıştır: IBM tarafından yapılan soru yanıtlama sistemi Watson, ilk olarak Jeopardy'de insan oyuncuları yendi.
Soru-Cevap varlığının sonu üç bölüme ayrılmıştır:
1) Problem analizi, problemin tipini, ihtiyaç duyulan cevap tipini, problemdeki kendi kendini yetiştirme ilişkisini vb. Analiz etmek;
2) Cevap çıkarma, her bir aday cevabı seçin;
3) En iyi aday cevabı bulmak için cevapları sıralayın.
Son zamanlarda, bazı akademisyenler, derin öğrenme dizisinin, teknolojiyi sıralı soru yanıtlamasına yönelik olarak uygulanmasını da inceledi. Geleneksel yöntemlerle birleştirilirse, performans iyileştirilir, ancak bağımsız olarak kullanılırsa, mevcut geleneksel yöntemler kadar iyi olmaz ve çok sayıda eğitim verisi gerektirir. Bu örnek aynı zamanda doğal dil işleme alanında derin öğrenmenin tüm durumlarda ve alanlarda en uygun algoritma olmadığını göstermektedir. Bir yöntem seçerken, seçim yapmak için kuralları, verileri, özellikleri, modelleri vb. Birleştirmek gerekir. Kalabalıktan seçim yapın ve en iyisini alın; yukarıdan seçerseniz, ortayı alın.
Bilgi grafiği teknolojisi, çeşitli dikey alanlarda, çeşitli API'lerin sınırlamaları nedeniyle, bazı kullanıcıların çeşitli ihtiyaçları şu anda karşılanamamaktadır.
Örneğin, bir restoran ararken, her APP "aile toplantısı" ve "özel oda" ihtiyaçlarını karşılayamaz. Pek çok alan var ve her alandaki iç talep de çok karmaşık, bu nedenle bazı meslektaşlar bunların gerçekleştirilemeyeceğini düşünüyor. Bireylerin bu görüşle ilgili çekinceleri vardır.Birincisi talep yaratılmaz ama aslında kullanıcının davranışında var; ikincisi her alanda çok fazla talep olmasına rağmen belli bir süre içinde neredeyse kapalı kabul edilebilir. Ayarlamak. Kullanıcı davranışı analizi yoluyla, problem önce niteldir ve sonra problem ölçülür. Müzik, restoranlar, manzara noktalarının navigasyonu ve araçlar ve hoparlörler gibi diğer pan-poi senaryoları gibi kilit alanlarda derinlemesine bilgi grafiği madenciliği gerçekleştirecek, verileri kademeli olarak yapılandıracak ve API sınırlamalarını aşmak için kendi arama motorumuzu oluşturacağız.
-
Arama teknolojisi
Kullanıcı ihtiyaçları netleştirildiğinde, çeşitli APP'lerin API'lerine ek olarak, kullanıcıların ihtiyaçlarını karşılamak için arama teknolojisine de ihtiyaç duyulmaktadır.
Arama teknolojisi nispeten olgunlaşmıştır ve temelde Tarayıcı, dizin, arama, sıralama Bekle. Tarama teknolojisi, internetten bilgi taramak için kullanılır.Tarama teknolojisinin teknik noktaları, sayfanın kapsamı, etkinliği ve doğru analizidir. Bilgileri taradıktan sonra içeriğin dizine alınması, tersine çevrilmiş dizin ve ileri dizin gerektirir. Tersine çevrilmiş dizin, anahtar sözcükler ve belge kimlikleri arasındaki ilişkiyi kurar ve anahtar sözcükleri içeren belgeleri bulmak için bir belgedeki konumu saklar; ters çevrilmiş dizin, belgeyi ve belgedeki sözcükleri ve diğer öznitelikleri oluşturan ters çevrilmiş dizinin tersidir İlişki esas olarak geri çağrılan belgeleri sıralamak için kullanılır. Sonuncusu geri getirmedir.Kullanıcılar bir sorgu yaptığında, ihtiyaçlarını analiz etmeleri ve ihtiyaçlarını karşılayan sonuçlar bulmaları gerekir.
Verilerden kullanıcının alışkanlıklarını ve tercihlerini öğrendikten sonra, kullanıcıya uygun bilgi, hizmet ve ürünleri önermek için öneri teknolojisine ihtiyacımız var. Öneri sistemlerinin birçok farklı temel uygulaması vardır. En temel yöntem işbirliğine dayalı filtrelemedir. İşbirliğine dayalı filtreleme fikri, iki kullanıcının bir dizi öğeye ilişkin değerlendirmeleri çok benzerse, bir kullanıcının bir öğeye ilişkin değerlendirmesinin büyük olasılıkla diğerine benzer olacağıdır. Bir kullanıcı. Öneri sisteminin çözmesi gereken birkaç sorun, sistemin soğuk çalıştırılması, öneri çeşitliliği ve dakikliktir.
Son olarak, metni yayın için konuşmaya dönüştüren bir konuşma sentezi teknolojisine ihtiyaç vardır. Daha yaygın konuşma sentez teknolojisi, hibrit sistemdir.İstatistiki parametre modeline göre, yaklaşık spektral parametreler ve temel frekans bilgileri hesaplanır ve ekleme sistemi, konuşma veri tabanından en iyi konuşma temel birim dizisini bulmak ve bunu akıcı bir sürekli konuşmaya ayarlamak için yönlendirilir. .
| Özet
Genel alandaki akıllı asistan, tüm kullanıcıların tüm sorunlarını çözemez.
Çeşitli dikey alanlarda veri birikimi ve araştırma giderek derinleşiyor, yüksek frekanstan düşük frekansa doğru sorun yavaş yavaş çözülecek.
Belirli bir senaryoda, kullanıcıların ihtiyaçları spesifiktir ve akıllı asistan ürünleri de uygulama senaryoları ile birleştirilmelidir.
Akıllı ses asistanı ürünleri, güçlü teknik destek ve sürekli teknik yatırım gerektirir.
Bazı alanlardaki bazı sorunlar iyi ele alınmasa bile yardımcı ürünlerin değerini inkar edemeyiz. Kullanıcılara daha akıllı hizmetler sunmak için teknik ürünleri sürekli olarak geliştirmemiz gerekiyor. İnsanların hayatını daha iyi hale getiren insanlar, yolda adım adım değişmeden ilerleyenler olmalıdır.
