面向NLP的AI产品方法论——如何设计多轮语音技能

设计语音技能跟软件开发一样集体协作完成,本文主要讨论,产品经理在业务各阶段开发中,应该处理的任务。

在产品设计阶段,产品经理应该需要思考的3个任务,以及在后续【业务开发】【功能验收】【更新迭代】阶段的2个任务。

给自己做一个命题作文,比如,电影。(其实是从外卖,电影、酒店3个里面随机选的)

电影有2类服务,一个是通过语音购买电影票,属于多轮语音交互,一个是通过语音点播电影节目,单轮语音交互。讨论多轮的时候顺带上单轮。

语音购买电影票,本文不讨论语音下单支付。语音点播电影,本文不讨论语音控制(暂停/播放/快进/换一个/音量控制)。

不讨论与开发沟通、需求文档、数据埋点、后台工具接入、风控预警、支付订单、GUI的设计……只讨论如何做好多轮语音交互技能设计。

1、使用场景与用户画像

产品的基本功,怎样的用户在什么情况下,使用什么硬件设备,使用语音达成目标?

语音技能是专门对不同的群体而设计的,比如对盲人设计订餐功能,比如专门为外卖/快递小哥,设计打/接电话,群发短信的服务等,都是要考虑好用户画像。为方便大众理解,以电影作为例子。

点播电影使用场景:

  1. 用户在家/办公室,使用智能电视/有屏音箱,通过语音点播电影。

  2. 用户在车里,通过车机,使用语音点播电影。

在车里语音点播电影节目,可以是“播放喜羊羊第5集”给后座带屏幕的小孩看。

主屏的车机只做操控,不适合播放任何电影,干扰司机驾驶(即使是副驾驶有观影需求)这个就是一个权衡,必要的时候,还要通过摄像头检测司机的眼动以保证驾驶安全,当然自动驾驶到达某种程度,我们交付给用户的体验,又会进行改变。

同时也要考虑一下其他语义之间的冲突和关联。比如说,“我想看窗外”(假设有个这个名字的电影,或者是误识别)会不会跟“语音控制车窗打开”这类技能互相冲突。

买电影票使用场景:

  1. 用户在车里通过语音购买电影票。

  2. 用户在任意地方通过语音买电影票。

买电影票而言,用户虽然是全程填槽,但是在家使用,和在车机使用是完全不同的场景。

在室内使用,买电影票,用户没有明确某个电影,话术可以是“为你找到如下电影”加展示列表的方案,然后用户可以使用眼睛做筛选,手指滑动电影列表,点触选场次、座位等。

在车内使用,用户同样没有明确,我们尽量不希望干扰司机的视线和手指,会采用,报电影名的方案,“评分前三的是《电影1》《电影2》《电影3》你想看那一部?”这种选择的方案,尽量保护司机的眼睛和手不受打扰,后面的设计逻辑以此类推。

买电影票买的是服务,用户有明确某个电影,然后找电影院的需求。同样有为了消遣时间(电影是其中一个选项),先找电影院,然后选择看什么电影的需求。这些都是不同的场景行为。

这种就是在怎样的场景下,用户如何用语音技能服务,在设计技能的时候,这一类思考一定要到位,后面的所有设计,也是基于场景开展。

2、中控设计与业务边界

添加一个技能并不是那么简单,要站在全局角度去思考问题。

点播电影,从发起需求到电影播放。

买电影票,从发起需求到生成订单进入支付环节。

此处存在几种情况。

  • 情况1、此前没有,从0到1搭建一个新技能,如此业务处理就简单。

  • 情况2、已有一种技能存在,新增另外一个技能,要考虑并行情况。

比如当用户说“我想看电影”,如果是情况1,单个技能则很容易处理。

但是如果是情况2,两个技能同时存在,“我想看电影”就是一个模糊表述。

接下来的业务流程处理,就十分值得讨论和考究了。

单个技能并不难,难得是如何处理好与其他已存在技能之间的关系。用户在对话过程中的每一句话,都会被识别意图。

用户的第一句,使用显性跳转,直接进入对应的逻辑即可,这种情况非常容易处理,中控很容易根据用户的意图做分配行为。

难得是,用户不使用显性跳转,采用模糊表述。

上面两种选择都是方案选择,从实现难度上而言,从体验层面而言,产品经理做得都是基于各种约束条件下的效用选择。

以下两种情况,用户全程无意识,但是造成了,连续两句话都是模糊表述的情况。

我们先假设自己的语音助手同时存在,电影点播和买电影票2个技能,来看看用户连续2句话都是模糊表述的情况。

语言表述就是如此,随场景和时间变化,在某些情况下表述,就是是模糊,过一段时间(比如院线排片下线)表述,就不会引起歧义。

当用户模糊表述的时候,如果每次都采用追问的方案,就非常尴尬了,这个后面会讲,一方面用户在某些语境下实际上就是“你应该懂我”当下我所指的是什么,而计算机则未必明白。

所谓业务边界,相对而言比较容易理解。

点播电影归类于【语音&内容】,取决于接口方提供的作品,要考虑未来播放其他的内容的边界。比如有些经典作品名,存在音乐歌曲、戏剧、有声小说、电影、MV、等多种形式,而咱们做的技能,恰好又包含上述,且接口丰富每种资源都能够搜到,那么就需要通过上下文的理解去处理好每一种指代,继而做好边界处理。

买电影票归类于【语音&服务】,通过筛选电影院、作品名、场次、座位等,最终达成下单的结果,流程清晰明确,那么买电影票的其他相关服务,比如买爆米花可乐一类的零食,办理影城的会员卡一类附加的,则是边界外的内容。

往往把点播电影做好了,点播其他的音频、视频内容,也大同小异。同理买电影票做好了,买其他的(音乐会、演唱会、戏剧、景点)票,也大同小异。相对而言就是主槽位和辅槽位的变化不同。

一开始就穷尽所有情况,后续管理和添加技能库也方便拓展,而一开始想得比较简单,后续想要加想要改,那就麻烦得多了。不光说业务逻辑层麻烦,训练数据也很麻烦。

故而一开始就讲了,这一块是全局性的考量。

3、槽位设计与对话设计

自然语言处理,本质是结构预测,基于用户的表述,提取用户的话术里面的词槽,通过服务接口,完成后续行为。

对话设计是基于场景设计业务逻辑,通过对话管理,最终帮助用户达成目标。

点播电影需求明确,直接得到结果的有:播放电影星球大战、播放周星驰的功夫、播放电锯惊魂第三部等等。

还有一些筛选的行为,好莱坞最近有什么新电影、我想看喜剧片/动作片、评分前10的好莱坞电影、詹姆斯卡梅隆导演的电影等,然后基于搜索结果,确认播放行为。

故而归纳出点播电影的槽位:[影片名]、[主演]、[导演]、[影片类别]、[评分]……

点播电影相对简单,筛选后即可播放。而买电影票则复杂的多,毕竟买电影买的是服务,筛选条件较多。

常规来看,用户定电影票的流程一般有如下两种情况。

已经想好了看某个电影,然后基于此,寻找电影院。例如:我想看IMAX版本的阿凡达,基于此完成后续的追问,最终完成填槽行为。

另一种纯粹是为了消遣时间,先找附近的电影院,然后基于此完成后续的追问,最终完成填槽行为。

继而提炼出买电影票的槽位。

通过例句我们可以看出,辅助槽位是用来帮助主槽位做查询行为的。

主槽位一般是服务于整体流程需求的进行设计,辅助槽位是基于接口情况,以及自身理解进行设计归类。

对话设计分为两个部分,定义主流程和对话管理。

点播电影,只有一个,即为影片,所有的服务都是为了选中影片而服务的,选中了就直接播放。而买电影票则是,因为其业务属性,需要4个主槽位都填写完毕。

主体流程设计基于用户习惯,只要在后续的对话过程中,把4个主槽位确认完毕,即可完成买电影票的下单行为。

对话管理。此处是引用一段在其他文章里面的内容。

————————————————————————————————
在对话服务过程中,反向管理用户的表达,完善槽位的引导。例如在买电影票的场景,从需求到下单至少需要4个核心槽位。A电影名,B电影院,C场次,D几张票。(选座可以提供默认规则)想要完成订单的确认,则成功引导用户填充ABCD四个槽位即可。好的完善和引导,则是:如果用户填充了AB,AI应该追问CD的例子:我想看《魔童哪咤》,帮我在附近找个最近的电影院。此时AI需要展示哪几个场次可以选择,然后追问要买几张票如果填充了ABC,应该追问D的例子:我想看《魔童哪咤》,附近找个最近的电影院,8点钟左右开场的。此时AI只需要追问要买几张票即可。ABCD四个主槽位,无论用户的先后顺序,先填充哪个槽位,后续能够完善填充即可。人类的表述千奇百怪,无论多少个槽位,人类都可以组织语言联合起来表述。乱序填充槽位才是智能化,自然表述的的基本要求。
————————————————————————————————

自然语言处理中,用户仅能依靠有限的语音提示以及短期记忆来完成操作。因此对话设计需要通过明确提示用户需要进行的反馈,以及能进行的选择,逐步的缩小用户的对话走向,帮助用户明确意图,并完成最终的服务提供。

4、异常情况与自查清单

用户按照正常情况来,一般而言都能够完成任务。但是总会遇见异常情况的,服务的完整性需要保障,包含以下但不限于:

1、接口服务故障,导致的无法查询。故障如何上报,或是自家公司运维层面的故障错误。

2、接口服务正常,查不到对应的东西,推荐近似内容规则如何设计。如某个系列电影被买断,但是没有播放版权,如何给予近似推荐。

3、用户在对话过程中如果歧义表述,如何修复对话,并把业务拉回到正轨上。

4、未覆盖话术如何兜底、冲突条件如何做取舍,模糊表述如何应对。例如:

  • 有没有团购券,爆米花,介绍一下这个电影的剧情。

  • 帮我找一个距离我最远的电影院,买一张最贵的电影票。

  • 有没有10块钱以内的IMAX电影票。(显然是不可能的事)

还有一些否定表述,双重否定,前后矛盾的表述。

异常情况有太多种类型,分布于业务设计中的各个阶段。

  • 阶段1:产品经理凭借业务理解和设计经验去思考异常情况。

  • 阶段2:测试过程中,其他人员发现了异常情况。

  • 阶段3:产品上线后,用户遭遇了异常情况。

由于业务类型太多,无法逐一穷举。

但是在这个过程中,我们可以为自己设计一套业务的自查清单,来帮助自己完善思考的维度。

可以自己从经验中提炼,也可以学习其他的规范,典型如《Google对话式交互规范指南》《阿里语音交互设计指南》《亚马逊语音交互设计规范》一类是用来管理话术设计的清单。

清单越多,自己的专业度越好,交付的产品质量保障越好。

很多的东西都是自我不断完善,总结提炼,复盘消化后,最终内化为自己的专业能力。

5、技能测试与版本迭代

通过了自查清单后,然后进入了内部流程测试,一般而言分为两个测试步骤。

内行自测:产品经理(VUI设计师)自己编写对话测试用例。

外行复测:找小白用户(非而业务相关的行政人事等)自由放飞测试。

这2个过程中,往往会产出各种数据,业务边界及异常情况,以及各种修改建议,然后重新迭代调整,直至数据和体验达到一定标准后,即可更新上线。

上线前,依照流程标准,已经做好了数据埋点,并搭建好了完整的用户对话log分析后台。

上线后,通过业务后台观察业务数据,和实际真实用户的表述,继而迭代技能,提升体验。

举一个例子,是笔者在后续观察用户对话日志时的一些发现。

《速度与激情8》刚刚上映,用户会表述是我想看速度与激情、速激、速8等等;《魔童哪咤》上映的时候,用户的表述是,我想看哪咤的电影;《叶问3》上映的时候,用户的表述会是,叶问。甚至是甄子丹的那个电影;

这些就是真实的用户表述,此处就需要考虑这类应对方案,增加NER,模糊查询,动态词库管理。最终完成语音交互技能的迭代。

这类问题如果有共性特征,我还会进行业务自查清单的迭代,当下次处理同样类型的业务时,便可提前考虑到位。

从这个例子可以得出:“一开始就做好”相比“通过各种渠道反馈发现不好,然后通过迭代去做好”,从产品设计基本功上来看,根本是两种境界。

再列举一个笔者在开发过程中印象深刻的例子,。

我们在设计电影票技能的时候,内部曾经讨论到,如果用户需求明确,且一口气完整满足4个词槽,是否应当直接给予结果?例如:我帮我买2张《魔童哪咤》的电影票,附近找个最近的电影院,晚上8点钟左右开场的,随便什么座位都行。

为了完成这个,我们花费了不少精力。从我们后台的实际数据表现去看,实际上用户并不会这么说,很少有用户做多个复合条件叠加查询的,且从来没有用户会一口气说出4个词槽!可以明确一个结论,我们此前的的一部分工作被浪费掉了!

从这个例子,我们可以得出一个思考:面对难题,每个人都能出方案,而难题有多种不同的解法,方案有优劣之分,话术覆盖有先后顺序,精力的分配有侧重考量……

希望大家尽快达到这种境界,能从多个看似不同的方案中,挑选出不同情况下的最优解,即通过大家的复盘总结,迭代出自己的语音交互设计方法论。

关联阅读:

一篇文章深入理解VUI和GUI的优劣对比

面向NLP的AI产品方法论——寻找语音交互的业务场景

——DuerOS 相关——

  • https://dueros.baidu.com/dbp

  • DuerOS的零编程技能实现

  • 揭秘“语音交互”背后的AI硬核黑科技!

  • 《智能语音时代》的读书笔记

  • 再看语音交互设计

  • 语音交互设计的一点认知

  • 百度AI开发者大会之DuerOS 回顾

  • AI开发者大会中的公开课解读——DuerOS技能开发与CFC编程

  • AI开发者大会中的公开课解读——如何在DuerOS技能中实现用户支付购买

  • DPL 来了——百度2019AI开发者大会DuerOS公开课解读之三

  • 故事工厂在DuerOS技能开发中的应用——百度2019AI开发者大会DuerOS公开课解读之四

  • 企业赋能  AI 服务生活

  • DuerOS 走进初夏的成都

  • 放心用吧!浅谈DuerOS的安全性

  • 智能音箱场景下的性能优化

  • 在校大学生能成为DuerOS 的独立开发者吗?

  • 生动化你的表达——DuerOS中的SSML应用

  • 用JavaScript打造AI应用-从Nodejs SDK 看DuerOS的技能开发

  • 从Java SDK看DuerOS的技能开发

  • 面向接口/协议?看DuerOS的技能开发

  • 感知自然语言理解(NLU)

  • 感知人工智能操作系统

本文链接:https://my.lmcjl.com/post/10517.html

展开阅读全文

4 评论

留下您的评论.