تا حالا دقت کردید وقتی با یه نفر صحبت میکنید، کمکم مدل حرف زدنتون به هم نزدیک میشه؟ مثلاً شما یه جمله میگید، طرف مقابل هم واسه جواب دادن ناخودآگاه همون الگو رو تکرار میکنه. این یه جور تطبیق زبانیه که آدمها همیشه تو ارتباطاتشون دارن.
حالا بیاید تصور کنید که رابطهای صوتی (یعنی همون رباتهایی که باهاشون حرف میزنیم یا فرمان صوتی میدیم) هم بتونن همینجوری مثل آدما خودشون رو با مدل صحبت کردن ما هماهنگ کنن. پژوهشی که من امروز میخوام براتون خلاصه کنم، دقیقا روی همین موضوع تمرکز کرده: چطور میشه رابطهای صوتی رو طوری ساخت که نه فقط حرف بزنن، بلکه تعاملشون واقعاً شبیه انسان باشه!
توی این مطالعه، محققها یه سری هوش مصنوعی ساختن که هدفشون کمک به کاربرها توی انتخاب تکههای یک پازل مجازی بوده. خلاصه اینکه کاربر باید تکه درست پازل رو پیدا کنه و این رباتها با فرمانهای صوتی راهنماییش میکردن. اما نکته باحال اینجاست که بعضی وقتا این فرمانها خیلی ساده و کوتاه بودن، بعضی وقتا اطلاعات بیشتری میدادن تا به کاربر بیشتر کمک کنن. اصل ماجرا این بود که متوجه بشن چه جور راهنمایی، بهتر جواب میده.
توی همین راستا، محققها از یه چیزی به اسم Gricean maxims استفاده کردن. حالا Gricean maxims چیه؟ یه سری قوانین ساده در مورد مکالمه هستن (مثلاً هر حرفی که میزنی باید به اندازه کافی اطلاعات بده، بیراه و بیربط نباشه، و…). با کمک این چهارچوب اومدن بررسی کردن کدوم مدل فرمان دادن، واسه کاربر محسوستر و راحتتره.
یه ایده جذاب دیگهای هم داشتن: دنبال این بودن که چطور میتونن بفهمن کاربر واقعاً داره میفهمه چی گفته شده یا نه؟ اینجا بود که یه ابزار خلاقانه وارد بازی شد: حرکت موس! یعنی بررسی کردن کاربر چجوری موس رو حرکت میده تا بفهمن کِی گیج یا نامطمئنه. مثلاً اگه موس رو آرومتر یا با توقفهای بیشتر حرکت میدادی، احتمالاً هنوز متوجه نشده بودی باید کدوم تکه پازل رو انتخاب کنی.
بر اساس همین حرکات موس، واسه هوش مصنوعی یه مدل کامپیوتری ساختن که بتونه میزان سردرگمی یا اطمینان کاربر رو حدس بزنه و اگه لازم بود راهنمایی رو یه کم واضحتر یا مرحله به مرحلهتر بگه. این کار یعنی «incremental instruction generation»، یا به زبان سادهتر: راهنمایی مرحله به مرحله و قابل تطبیق با نیاز کاربر.
در انتهای داستان، این محققها دو مدل داشتن: یکی مدل بر اساس رفتار خودشون (speaker-based) و یکی بر اساس رفتار شنونده (listener-based). جالبیش این بود که مدلهایی که گوششون به حرفهای کاربر بود و بر اساس رفتار کاربر خودشون رو تطبیق میدادن، بیشتر مورد علاقه کاربرها قرار گرفتن. یعنی کاربرها حس بهتری داشتن وقتی هوش مصنوعی واقعاً با توجه به نیازشون راهنمایی میکرد نه اینکه فقط حرف خودش رو بگه.
نتیجه نهایی این بود که حرکت موس یه نشونه خیلی مهم از فهمیدن یا نفهمیدن کاربره و حسابی میتونه کمک کنه رابطهای هوشمند، بهتر و مثل یه آدم واقعی با ما تعامل کنن. این کار یه چارچوب جدیدهم ارائه داده واسه ساخت سیستمهایی که میتونن دستورهای راهنما رو به صورت پویا و متناسب با لحظه تولید کنن. خلاصه اینکه شاید آینده رباتهای صوتی و هوش مصنوعیهایی که باهاشون حرف میزنیم، خیلی بیشتر از قبل شبیه تعامل واقعی انسانی بشه؛ چون قراره هم حرفمون رو بفهمن، هم رفتارمون رو!
منبع: +
