Setiap hari, chatbot kecerdasan buatan memainkan peran dalam interaksi kami, dukungan pelanggan, alat produktivitas, dan banyak lagi, bertindak sebagai asisten digital untuk percakapan khas. Sekarang, pikirkan tentang memiliki dialog dengan seseorang yang tidak ingat apa-apa dari kemarin; ini akan mengharuskan Anda untuk mengulangi sendiri seluruh percakapan. Inilah cara chatbot tanpa konteks, atau memori, akan merasa. memori konteks membuat dialog jauh lebih lancar, seperti manusia, dan berguna dengan hanya mengingat apa yang dibahas di masa lalu. Apa yang dimaksud dengan Context Memory dalam Chatbot? Konteks memori mengacu pada kemampuan chatbot untuk memiliki informasi dari interaksi masa lalu dan merujuk informasi itu dalam percakapan masa depan. alih-alih chatbot memperlakukan setiap input baru sebagai pesan independen, chatbot membuat koneksi antara pesan masa lalu dan pesan masa depan; ini terkait erat dengan konsep keadaan percakapan. Misalnya : 
 
 
 Jika Anda meminta chatbot pekan lalu untuk mengingatkan Anda tentang jadwal latihan Anda dan hari ini Anda mengatakan, "Apa jam sesi saya besok?" bot harus memahami bahwa ini adalah pertanyaan tentang jadwal untuk perencana kebugaran. Dalam skenario chatbot belanja, Anda menyatakan "Saya membutuhkan sepatu hitam," dan kemudian Anda mengatakan "Tunjukkan saya serupa dalam warna lain," dan bot tidak akan bertanya lagi produk mana yang Anda tonton. Transisi ini dari respons reaksi ke percakapan yang sedang berlangsung disebabkan oleh bagaimana memori diproses dalam sistem chatbot. Cara Menggunakan Chatbot Memory Memori tidak semuanya sama di chatbot. pengembang mengejar strategi yang bervariasi tergantung pada tujuan dan keterbatasan masing-masing sistem mereka. 
 
 
 
 Memori jangka pendek: Melacak percakapan yang terjadi dalam satu sesi.Jika Anda mengatakan “Ya” atau “Tidak”, bot tahu persis apa yang Anda jawab. Informasi dapat mencakup fakta yang dapat diidentifikasi seperti nama Anda, opsi yang sebelumnya Anda pilih, atau mungkin pernyataan yang telah Anda buat di masa lalu. Memori episodik: Sistem yang lebih canggih sekarang mengingat interaksi tertentu dari masa lalu, hampir seperti mengingat sebuah cerita. "Apakah Anda ingat saya meminta rekomendasi laptop bulan lalu?" Kombinasi lapisan ini memberi tahu bagaimana chatbot dapat melanjutkan keadaan percakapan dan membantu interaksi merasa lebih seperti Anda berbicara dengan mitra percakapan dibandingkan dengan perangkat transaksi. Tantangan dalam konteks retensi Tentu saja, memberikan memori tidak seperti membalikkan switch. pengembang menghadapi tantangan yang berbeda ketika datang untuk membangun sistem berbasis konteks: 
 
 
 
 
 Penyimpanan Data: Memori dapat membuat dataset yang sangat besar dari riwayat obrolan yang dapat mengambil banyak sumber daya untuk disimpan untuk pengguna akhir. Keprihatinan Privasi: Menyimpan informasi yang dapat diidentifikasi akan memerlukan persetujuan pengguna yang eksplisit dan kepatuhan dengan peraturan seperti GDPR. Relevansi Filter: Tidak semua konteks dapat berguna. masalahnya adalah bagaimana mengajar bot apa yang harus disimpan dan apa yang harus diabaikan. misalnya, mungkin berguna untuk mengingat merek kopi favorit Anda, sementara percakapan kecil yang tidak perlu disimpan. Error Compounding: Satu kesalahpahaman kemudian dapat mengikuti dalam percakapan berikutnya, menyebabkan kesalahpahaman berulang jika bot mengingat "konteks yang salah." Oleh karena itu, masalah-masalah ini memberi kita indikasi yang sangat kuat bahwa retensi konteks melampaui masalah teknik sederhana dan, pada kenyataannya, juga merupakan masalah desain dan etika. Teknik untuk Memori dalam Pengembangan Chatbot AI Hari ini, pengembang menggunakan pendekatan berbasis desain dan berbasis pembelajaran mesin dalam metode hibrida untuk menerapkan memori percakapan. 
 
 
 
 
 Session ID dan Token: Bentuk paling dasar dari memori yang hanya menandai sesi, memungkinkan konteks untuk ada selama sesi berlanjut. Database-Linked Profiles: Proses step-up cerdas di mana bot membuat profil pengguna yang terkait dengan ID mereka di berbagai platform, sehingga mengembangkan memori jangka panjang. Embedding dan Vector Search: teknik berbasis AI yang memungkinkan chatbot untuk 'mengingat' detail bukan sebagai catatan statis, tetapi sebagai koneksi yang disimpan sebagai vektor dimensi tinggi. Fine-tuned LLMs dengan Layer Memory: Beberapa model bahasa besar sekarang memiliki lapisan memori yang terkandung dalam jaringan saraf, sehingga memberikan bentuk yang kurang mekanis untuk mengingat apa yang sebelumnya diperoleh dan dilatih bot pengetahuan tentang. Semua pendekatan akan memiliki efisiensi, biaya, aspek privasi, dan kompromi akurasi. tetapi pada akhirnya, tujuan yang sama berdiri: untuk mempertahankan keadaan percakapan yang wajar dari waktu ke waktu. Pengaruh dunia nyata dari retensi konteks Kebutuhan untuk memori mesin tidak teoritis; kita melihat implikasinya saat orang mengadopsi atau tidak mengadopsi platform berbasis obrolan. 
 
 
 
 
 Layanan pelanggan: Bot dukungan yang mengingat nomor tiket terbaru Anda dan dapat melakukan dan mengambil dari percakapan merasa jauh lebih berpusat pada pelanggan daripada bot lain yang konsumen akan memulai dari awal setiap kali. Perawatan kesehatan: Asisten virtual yang mengingat jadwal obat sebelumnya dari waktu ke waktu dapat mengurangi beban pada pasien. E-commerce: Bot yang menyarankan produk baru untuk dilihat berdasarkan produk yang telah dilihat sebelumnya dapat mendorong konversi. Pendidikan: Robot belajar yang dapat melacak kemajuan siswa dari waktu ke waktu dapat membuat rencana pelajaran yang disesuaikan daripada saran umum untuk memenuhi tujuan belajar. Konteks ini menunjukkan kepada kita bagaimana retensi konteks mengubah chatbot dari Q&A statis menjadi asisten dinamis yang merasa terkalibrasi sesuai dengan kebutuhan pengguna. Masa Depan Negara Berbicara Masa depan adalah tindakan menyeimbangkan: menggunakan memori untuk memberikan kekuatan dan kemampuan yang lebih besar, sambil memastikan pengguna masih berada dalam kendali.Ketika memori dalam chatbot menjadi kenyataan, kita kemungkinan besar akan melihat pengembang memberikan lapisan cerdas dan kekuatan yang lebih hijau dengan memasukkan konteks jangka panjang sambil mengelola pengalaman pengguna di sekitar penghapusan privasi. Kita bisa mengharapkan: 
 
 
 
 Adaptive Forgetting: Sistem yang menyaring informasi yang kurang relevan dari waktu ke waktu, sambil mempertahankan informasi yang relevan. Memori lintas platform: Memori ada di berbagai platform. misalnya, ketika Anda menghubungi chatbot di laptop Anda, itu menangkap ingatan dari percakapan, dan ketika Anda beralih ke ponsel Anda, itu melanjutkan percakapan. Transparan Memory Controls: Sistem yang memungkinkan pengguna untuk mengakses, mengedit, atau menghapus memori dari chatbot. Pada akhirnya, memori konteks bukanlah fitur dari masa depan AI percakapan; itu adalah komponen penting untuk membangun chatbot AI yang berarti. tanpa memori, chatbot ada sebagai alat transaksi. pemikiran akhir Chatbots yang tidak memiliki memori akan seperti memiliki percakapan yang tidak memiliki riwayat: mereka dapat merespon, tetapi tidak memiliki makna. pesan yang kita kirim hari ini akan menginformasikan dan memungkinkan pesan yang kita kirim besok. Jadi, karena chatbot berada di mana-mana dalam kehidupan kerja dan pribadi, tantangan adalah untuk terlibat secara berguna dengan ingatan tindakan mereka. Apa yang layak untuk disimpan? Apa yang layak untuk hilang? Bagaimana percakapan mendapatkan makna dari waktu ke waktu? Karena, pada akhirnya, untuk AI dan bagi kita, konteks adalah segalanya.

Audio ini diproduksi dalam bahasa asli cerita!

Peran Memori Konteks dalam Chatbot AI: Mengapa Pesan Kemarin Penting

About Author

KOMENTAR

HANG TAG

ARTIKEL INI DISAJIKAN PADA

Related Stories

And In The Open Air

THE BEGINNING OF THE SEARCH FOR THE KEY AND THE COAT.

NIGHT (continued)

The Magic Shop

And In The Open Air

THE BEGINNING OF THE SEARCH FOR THE KEY AND THE COAT.

NIGHT (continued)

The Magic Shop

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps