Umělá inteligence a strojové učení na prvním místě - tak by se dala shrnout úvodní řeč Sundara Pichaie, šéfa společnosti Google, na vývojářské konferenci Google I/O v kalifornském Mountain View. Google samozřejmě různé prvky používá v řadě služeb: zapojil ji do překladu textů nebo do rozpoznávání fotografií.
Google asistent „bydlí“ například v chytrém reproduktoru Google Home
Když se ale mluví o umělé inteligenci, pozornost budí především digitální asistent. Částečně je to nepochopení toho, co umělá inteligence je. Když se lidé baví s digitální asistentkou typu Google Home nebo Alexa, velkou část oné „osobnosti“ vytvořili programátoři, scénáristé a odborníci na komunikaci To ovšem neznamená, že by nebylo strojové učení při dialogu klíčové. Žádný scénárista nemůže předvídat všechny možné otázky a příkazy, a proto se musí - alespoň v rámci nějakých mantinelů - stroj učit základnímu porozumění přirozené řeči.
Překvapivě důvěryhodná nápodoba telefonistky
A tím se dostáváme k našemu oblíbenému momentu celé letošní Keynote (tříhodinový záznam je na YouTube). K momentu, kdy Pichai vysvětluje, jak asistent ušetří lidem čas tím, že za ně vyřídí některé nudné nebo monotónní záležitosti. Třeba rezervaci u kadeřníka.
„Dokonce i v USA nemá 60 procent malých firem žádný on-line rezervační systém,“ uvedl Pichai. „Myslíme si, že s tímto problémem může pomoci umělá inteligence.“
Překvapenému publiku vzápětí pouští „reálný telefonát“, který nahráli v rámci experimentů s asistentem. Požadavek na Google Asistenta zněl: rezervuj mi sestřih u kadeřníka v úterý mezi desátou a dvanáctou.
Ukázka z hovoru mezi Google Asistentem a kadeřnicí:
Přiznáme se, že máme pochopení pro překvapený potlesk přítomného publika. Hlas počítače nezní ani v nejmenším strojově. Obsahuje pauzy, nejisté odmlky, nádechy, hovorové fráze nebo neurčitá „é“ a vyčkávací „m-hm“. Jsme přesvědčeni, že po telefonu by měl člověk na druhé straně velký problém poznat, že nemluví s jiným člověkem, ale s počítačem, zvláště vzhledem k pohotovým a smysluplným odpovědím.
Překlad reálného telefonního rozhovoru AI a člověkaKadeřnice: Dobrý den, jak vám mohu pomoci? |
Ne každý telefonát jde samozřejmě takto snadno. V reálném světě telefonických konverzací (i těch obyčejných, mezilidských) existují omyly, přeslechnutí, nedorozumění a další bariéry. Jak si s tím nová služba, pojmenovaná Google Duplex (součást Asistenta Google), poradí?
Zatím jen rezervace. Asistent předstírá zájem i omyl
Vytvořit konverzační program, který je k nerozeznání od člověka, je nesmírně složitý a komplexní úkol (viz též Turingův test). Služba Google Duplex si pro začátek stanovila velmi konkrétní cíl: jejich konverzace se točí výhradně kolem předem definovaných úkolů, které lidé přes telefon vyřizují.
Konkrétně jde o rezervaci termínu, protože tam lze do značné míry předvídat všechny představitelné scénáře: mají volno, nemají volno, mají volno, ale pro méně osob, nemají ten den otevřeno, na daný čas není potřeba rezervace apod.
Příklad rezervace v restauraci (objednává Google Duplex):
Tato ukázka dobře demonstruje schopnost Duplexu vypořádat se s nepochopením - reaguje tak, že opakuje požadavek jinými slovy a potvrzuje to, čemu osoba na druhé straně porozuměla. Duplex dokázal reagovat i na změnu tématu a nakonec správně pochopil, že kvůli rezervaci volá zbytečně, protože restaurace v tu dobu není plná a pro čtyři lidi rezervaci nepotřebuje.
Přirozená a příjemná konverzace je ostatně málokdy stoprocentně efektivní. Proto vývojáři do služby Duplex zabudovali různé zdvořilosti, zažité fráze a hovorové „zlozvyky“, které celou komunikaci polidšťují. Digitální asistent (či asistentka, vývojáři testují více různých hlasů) tak třeba na otázku „Pro kolik lidí“ místo jednoduchého „4“ odpoví „É, pro čtyři lidi, prosím.“
Stejně tak je Duplex naprogramovaný na to, aby pro jistotu zopakoval to, jak druhou stranu pochopil. Například v angličtině „OK for four“ může znamenat jak „můžete přijít ve čtyři hodiny“, tak „máme místo pro čtyři lidi“, záleží na kontextu konverzace.
Určitý problém má služba Duplex s upovídanými lidmi, kteří používají dlouhé a složité věty namísto vět krátkých. Například na otázku „Kdy máte otevřeno?“ dostal Duplex v rámci testu odpověď: „No, takže, od úterka do čtvrtka jsme otevření od jedenácti do dvou, a pak znovu otevíráme od čtyř do devíti, a pak v pátek, sobotu a neděli... nebo v pátek a v sobotu máme otevřeno od jedenácti do devíti a v neděli od jedné do devíti.“ V takovém případě umělé inteligenci nezbývá, než se ptát upřesňující otázky a zvažovat destíky různých scénářů aplikovatelných na danou situaci.
Schéma generování odpovědi Google Duplex: rozpoznávání řeči (ASR) převede hlas na text. Ten spolu s kontextem konverzace, kalendářem, vyjádřenými preferencemi apod. služba Duplex analyzuje a výslednou odpověď převede z textu na řeč (TTS).
Z těchto scénářů vybírá Google Duplex pomocí neuronové sítě (RRN) postavené na platformě TensorFlow Extended.
Éh, ummm, jasňačka!
Pro generování přirozeně znějícího hlasu pak Google využívá syntézu řeči Tacotron a WaveNet. Programátoři vyvinuli způsob, jak do výsledné řeči vkládat „vycpávková slova“ typu eh, hm, aha. Tím zároveň - podobně jako lidé - hrají o čas v případě, že ještě systém vyhodnocuje vstup z druhé strany. Hovor tak působí jako přirozenější a plynulejší - největší prodleva je desetina sekundy, což je ve srovnání s konverzací s Alexou, Siri nebo Google Asistentem ohromný pokrok.
Ukázka rezervace stolu v restauraci (všiměte si vycpávkových nejistých slov):
Kromě rezervace termínů na přání zákazníka chce Google využít tuto konverzační službu i k doplňování aktuálních informací. Například otevírací hodiny řady podniků na Mapách Google mají problém - obvykle nereflektují svátky. Lidé tak nemohou vědět, zda se ve státní svátek mohou na tyto údaje spolehnout, a nezbývá jim, než do obchodu zavolat. Google plánuje využít Duplex k automatickému obvolávání podniků před svátky: „Máte příští pondělí, jak je svátek, otevřeno?“ Podle odpovědi pak Google vyplní údaje v mapách, což podle šéfa Google ušetří čas uživatelům i podnikům.
Budoucnost, nebo přechodná fáze?
Nakolik je služba použitelná, to ukáží příští měsíce. Už to, že jsme neviděli živou demonstraci, ale jen záznamy vybraných ukázek, svědčí o tom, že zatím si vývojáři nemohou být produktem stoprocentně jisti. Google bude službu přes léto dál testovat. Už nyní jsou ale výsledky - ač jistě pečlivě vybrané - nečekaně realistické.
Bude zajímavé sledovat, jak tato služba zasáhne do komunikace. Protože stejně tak si mohou podobného digitálního asistenta pořídit i kadeřníci a restaurace. Budou si pak stroje předávat informace o objednávkách a rezervacích lidskou řečí? Nebo jde jen o dočasné řešení neefektivních rezervací, a v budoucnu bude jeden robotický asistent komunikovat s druhým pomocí jednoznačných a přesně definovaných požadavků?
Každopádně v budoucnu bude otázka „mluvím prosím s člověkem, nebo s počítačem?“ možná běžnou součástí naší telefonní konverzace.
Aktualizace: Do článku jsme doplnili ukázky a vysvětlení.
