Stefan Schaffer, Seniorforsker, Tysk Forskningscenter for AI (DFKI) – Intervju-serie

Stefan Schaffer er en seniorforsker og gruppeleder ved Cognitive Assistants-afdelingen på det Tyske Forskningscenter for Kunstig Intelligens (DFKI). Hans arbejde har resulteret i flere konversationsgrænseflader for domæner som mobilitet, bilindustri, skatteinformation, kundeservice osv. For tiden arbejder han på AI-chatbots til værdikæder og hybridbegivenheder. Før han kom til DFKI, arbejdede Stefan som produktmanager hos Linon Medien. Han studerede kommunikationsvidenskab og datalogi og fik sin doktorgrad ved Teknisk Universitet i Berlin i feltet multimodal menneske-computer-interaktion.

Hvad var det, der oprindeligt tiltrak dig til maskinlæring?

Allerede under mine studier havde jeg en stor interesse for talegenkendelse og fulgte kurser, hvor vi byggede talegenkendere fra bunden.

Hvad var det, der oprindeligt tiltrak dig til talegenkendelse?

Jeg var allerede fascineret af talebaseret menneske-computer-interaktion, da Captain Picard talte til “computeren” og fik meningsfulde svar.

En af dine seneste projekter var at bygge en chatbot-grænseflade til et museum, der kunne forudse, hvad besøgende ville spørge. Kan du diskutere, hvordan dit hold tilgang til dette?

For at integrere spørgsmålssvarens funktion i museets chatbot, samlede vi først mange spørgsmål og brugte dem til at forbedre systemets spørgsmålssvarens evner. Dette blev gjort ved at kategorisere spørgsmålene samt svarene, vi fik fra vores projektpartner Linon Medien, et selskab, der specialiserer sig i produktion af tale- og tekstindhold til udstillinger.

Dit hold opdagede også, at indholdstype-notationer kan forbedre nøjagtigheden, hvilke nøjagtighedsforskelle ses der fra notationerne?

Indholdstype-notationerne forbedrede den overordnede nøjagtighed af chatboten i naturlig sprogforståelse. Dette betyder, at på grund af de ekstra notationer, kunne systemet give mere korrekte svar.

Hvad er nogle af de centrale udfordringer ved at bygge en konversational AI?

Uden denne data kan man i de fleste tilfælde kun tilbyde skriptede oplevelser, der efterligner samtaler mellem rigtige mennesker, men er statiske og derfor meget unaturlige. En anden udfordring er, at processen med at udvikle en konversational AI-grænseflade kræver specialiseret ekspertise i det specifikke område, hvor systemet vil blive brugt. At dele den nødvendige information mellem konversational design-eksperter og domæne-eksperter kan nogle gange være en svær proces, der kræver støtte fra yderligere eksperter i brugercentreret design-metoder.

Hvad er din tilgang til at bygge en brugervenlig chatbot og konversational brugergrænseflade?

Vi følger strengt paradigmet for brugercentreret design. Dette betyder, at vi engagerer os med vores kunder og brugere i tidlige projektfaser, når et system endnu ikke er tilgængeligt. Vi starter med fokusgrupper og dataindsamling og har interessenter, der gennemgår systemvarianter i tidlige udviklingsfaser.

Hvad er dine synspunkter på ChatGPT og GPT-4, er der noget, du ville gøre anderledes?

For tiden bruger vi ChatGPT og GPT4 som værktøjer til data-generering. Dog prøver vi normalt at undgå at støtte den lukkede natur af disse produkter gennem vores brug i vores forskningsprojekter. Vi forventer, at lignende open-source-modeller vil blive tilgængelige i nær fremtid.

Du vil tale ved den kommende Future of Chatbots & Conversational AI Summit arrangeret af Group futurista, hvad vil du diskutere?

Jeg vil tale om forbindelserne mellem brugeroplevelse og konversational AI. Jeg vil have fokus på brugercentreret design, data-dreven brugercentreret implementering og evaluering af konversational brugergrænseflader.

Tak for det gode interview, læsere, der ønsker at høre Stefan Schaffer tale, skal deltage i Future of Chatbots & Conversational AI Summit arrangeret af Group futurista.