Andrew Missey, CTO và Đồng sáng lập của Convos – Phỏng vấn

Andrew Missey, CTO và Đồng sáng lập của Convos, là một kỹ sư phần mềm và nhà lãnh đạo sản phẩm có kinh nghiệm trong lĩnh vực phát triển sản phẩm AI, kiến trúc phần mềm, mạng và kỹ thuật toàn diện. Trước khi đồng sáng lập Convos, anh đã giúp phát triển và ra mắt hai nền tảng sáng tạo và tiếp thị được hỗ trợ bởi AI tại Forum3, kết hợp giữa kỹ thuật thực hành với quản lý sản phẩm kỹ thuật. Các vai trò trước đây của anh tại N-able (NABL ), Autoshop Solutions và Brand IQ đã tham gia xây dựng ứng dụng phía máy khách, hệ thống phía máy chủ, bảng điều khiển khách hàng và công cụ phần mềm nội bộ bằng cách sử dụng các công nghệ bao gồm Svelte, NestJS, Angular và JavaScript. Bối cảnh đa ngành này đã cho phép anh kết nối giữa việc thực hiện kỹ thuật với chiến lược sản phẩm khi anh lãnh đạo việc phát triển nền tảng giao tiếp được hỗ trợ bởi AI của Convos.

Convos là một nền tảng nhắn tin được hỗ trợ bởi AI có kiểm soát, được thiết kế để giúp các chiến dịch chính trị và các công ty truyền thông thay thế việc nhắn tin hàng loạt một chiều bằng các cuộc trò chuyện hai chiều được cá nhân hóa với cử tri trên quy mô lớn. Nền tảng này chuyển đổi các phản hồi thành phân tích cảm xúc theo thời gian thực, phân loại chủ đề, kết quả kêu gọi hành động, chỉ số tương tác và thông tin cử tri có cấu trúc mà các chiến dịch có thể sử dụng để tinh chỉnh các hoạt động của mình. Hệ thống AI đóng trong các vật liệu và rào cản thông điệp được phê duyệt bởi chiến dịch, đồng thời cung cấp các tính năng như phân khúc liên lạc, lịch sử cuộc trò chuyện, theo dõi liên kết, xuất dữ liệu và đường dẫn kiểm toán tập trung vào tuân thủ. Convos cũng có thể bổ sung cho cơ sở hạ tầng nhắn tin hiện có của một tổ chức thay vì yêu cầu nó thay thế các hệ thống truyền thông hiện tại.

Bạn đã đồng sáng lập Convos sau khi quan sát thấy việc nhắn tin chính trị và tổ chức đã trở thành chủ yếu là giao tiếp một chiều. Cái nhìn ban đầu nào đã thuyết phục bạn rằng có cơ hội để chuyển đổi nhắn tin hàng loạt thành các cuộc trò chuyện được hỗ trợ bởi AI, và những thách thức kỹ thuật lớn nhất bạn đã gặp phải khi xây dựng nền tảng?

Cái nhìn sâu sắc đến từ việc tôi là người nhận nó.

Vào khoảng thời gian bầu cử năm 2024, tôi đã bị轰炸 bởi các tin nhắn chính trị, giống như nhiều người khác. Tại một thời điểm, tôi bắt đầu trả lời chúng. Tôi sẽ hỏi một câu hỏi hoặc trả lời, và không bao giờ có phản hồi. Các tin nhắn được gửi đi hàng triệu, nhưng vào lúc bạn cố gắng có một cuộc trao đổi thực sự, không có ai ở đó.

Điều đó khiến tôi nhận ra đây là một cơ hội bị bỏ lỡ lớn. Người ở đầu bên kia đã tham gia. Họ đã hỏi một câu hỏi thực sự. Nhưng không bao giờ có phản hồi.

Vì vậy, ý tưởng đằng sau Convos rất đơn giản. Chuyển đổi việc phát sóng thành một cuộc trò chuyện thực sự, trên quy mô lớn, mà không cần một phòng đầy người để nhân viên.

Những thách thức kỹ thuật lớn nhất đến từ ba điều: quy mô, độ trễ và tuân thủ.

Quy mô là điều rõ ràng. Bạn đang quản lý hàng nghìn cuộc trò chuyện cùng một lúc, và mỗi cuộc đều có trạng thái và lịch sử riêng. Độ trễ quan trọng hơn những gì mọi người mong đợi. Nếu ai đó gửi tin nhắn lại và phản hồi mất quá nhiều thời gian, thì khoảnh khắc đã mất. Việc nhắn tin cảm giác gần như tức thời, và trải nghiệm phải phù hợp với điều đó.

Tuân thủ là phần khó nhất, và đó là điều chúng tôi đã ưu tiên từ đầu. Việc nhắn tin chính trị được quy định chặt chẽ, và việc làm sai là không có lựa chọn. Một phần lớn công việc kỹ thuật ban đầu của chúng tôi đã đi vào việc đảm bảo rằng hệ thống vẫn trên thông điệp và tôn trọng sự đồng ý và chọn không tham gia theo cách vượt xa việc chỉ bắt từ “DỪNG”.

Convos hoạt động tại giao điểm của AI trò chuyện, nhắn tin hàng loạt và phân tích cảm xúc theo thời gian thực. Bạn đã học được những bài học gì từ việc triển khai các hệ thống AI phải tương tác với hàng nghìn người đồng thời trong khi vẫn cảm thấy cá nhân và chân thực?

Bài học lớn nhất là “cá nhân hóa trên quy mô lớn” là điều bạn phải thiết kế cho. Nó không xảy ra theo mặc định.

Khi bạn đang chạy hàng nghìn cuộc trò chuyện cùng một lúc, sự cám dỗ là đối xử với chúng như một lô lớn. Nhưng người nhận tin nhắn không quan tâm đến lô của bạn. Đối với họ, đó là một cuộc trao đổi một đối một, và nó phải cảm giác như vậy. Điều đó có nghĩa là mỗi cuộc trò chuyện phải mang theo ngữ cảnh và lịch sử của riêng nó, để phản hồi thực sự phản hồi lại những gì người đó cụ thể đã nói, không phải là trung bình của mọi người.

Chúng tôi cũng học được cách chú ý đến những gì mọi người thực sự đang nói với chúng tôi. Phản hồi không chỉ là phản hồi. Nó mang theo cảm xúc. Ai đó có thể trả lời với một câu hỏi, với sự nhiệt tình, với sự thất vọng, hoặc với tín hiệu rõ ràng rằng họ muốn được để yên. Đọc những sắc thái đó một cách chính xác là điều quyết định sự tương tác.

Cuối cùng, sự chân thực đến từ việc lắng nghe, không phải từ việc nói chuyện thông minh. Cuộc trao đổi cảm giác con người nhất là cuộc trao đổi trả lời câu hỏi thực sự và tôn trọng thời gian của người đó.

Bạn đã lập luận rằng nhiều tổ chức tập trung quá nhiều vào các chuẩn mực mô hình trong khi bỏ qua tính cách và phong cách giao tiếp. Tại sao bạn tin rằng tính cách đang trở thành một yếu tố quan trọng trong việc triển khai AI doanh nghiệp, và các tổ chức nên đánh giá nó như thế nào?

Các chuẩn mực đo lường khả năng. Chúng không đo lường sự phù hợp.

Một mô hình có thể đạt điểm rất cao về lý luận hoặc mã hóa và vẫn là lựa chọn sai cho một cuộc trò chuyện với cử tri. Cách nó diễn đạt, âm điệu ấm áp hay trang trọng, liệu nó biết khi nào nên ngắn gọn, tất cả những điều đó đều quan trọng vô cùng một khi một người thực sự ở đầu bên kia.

Trong thế giới của chúng tôi, mô hình không giải quyết một vấn đề toán học. Nó đại diện cho một chiến dịch trong một tin nhắn văn bản. Mỗi chiến dịch có giọng điệu riêng, và mô hình phải phù hợp với nó chứ không phải áp đặt giọng điệu của riêng nó. Nếu âm điệu không đúng, thì không quan trọng mô hình cơ bản thông minh như thế nào. Tương tác thất bại.

Cũng có một khía cạnh khả năng mà các chuẩn mực bỏ qua. Một chiến dịch có thể cung cấp cho tác nhân hướng dẫn chi tiết về những gì nên nói, những gì nên tránh và cách xử lý các chủ đề cụ thể. Mô hình phải tuân theo tất cả, một cách nhất quán, trên một cuộc trò chuyện dài. Một số mô hình tốt hơn những mô hình khác trong việc giữ các hướng dẫn phức tạp mà không bị trôi dạt giữa chừng. Khả năng đó cũng là một phần của tính cách, vì một mô hình nghe có vẻ tuyệt vời nhưng ngừng tuân theo hướng dẫn của nó không phải là mô hình bạn có thể đặt trước những người thực sự.

Đó là lý do tại sao tính cách đang trở thành một yếu tố thực sự trong việc triển khai doanh nghiệp. Khi các mô hình trở nên có khả năng hơn trên toàn bộ, khoảng cách về khả năng thô giữa chúng thu hẹp lại. Điều còn lại là nhân vật. Cách chúng giao tiếp, và liệu chúng có ở trong các đường nét bạn đã vạch ra.

Cách đánh giá nó không phải trên một bảng xếp hạng. Đó là kiểm tra các mô hình trên trường hợp sử dụng thực tế của bạn, với nội dung thực tế của bạn, và đọc các đầu ra theo cách người dùng cuối cùng của bạn sẽ. Chúng tôi đưa các mô hình qua cùng loại trao đổi chúng sẽ xử lý trong sản xuất và phán quyết chúng dựa trên liệu cuộc trò chuyện có cảm giác đúng hay không. Điều đó cho bạn biết nhiều hơn so với điểm chuẩn mực nào.

Đội của bạn đã kiểm tra nhiều mô hình hàng đầu và quan sát thấy sự khác biệt đáng kể trong cách chúng hoạt động trên các nhiệm vụ. Bạn đã học được gì về điểm mạnh và điểm yếu của các LLM chính hiện nay, và tại sao một số mô hình phù hợp hơn với công việc trò chuyện hơn những mô hình khác?

Điều chúng tôi đã học được là không có mô hình nào là tốt nhất. Chỉ có mô hình tốt nhất cho một công việc nhất định.

Một số mô hình tuyệt vời trong việc tuân theo hướng dẫn chính xác, điều quan trọng khi bạn cần hệ thống ở trong ranh giới nghiêm ngặt. Một số mô hình mạnh hơn về giọng điệu trò chuyện tự nhiên. Một số mô hình nhanh hơn, điều này là một loại điểm mạnh riêng khi độ trễ là một phần của trải nghiệm. Những mô hình khác tốt hơn trong việc lý luận thông qua một yêu cầu phức tạp nhưng cảm giác cứng nhắc hoặc mất quá nhiều thời gian để phản hồi trong một cuộc trao đổi thông thường.

Đối với công việc trò chuyện cụ thể, các đặc điểm quan trọng không phải lúc nào cũng là những gì được đưa vào tiêu đề. Tốc độ quan trọng. Tính nhất quán quan trọng. Biết khi nào nên ngắn gọn quan trọng. Một mô hình viết một câu trả lời đẹp ba đoạn thường là lựa chọn sai khi câu trả lời đúng là một câu.

Không có gì trong số này xuất hiện trên một bảng xếp hạng. Bạn chỉ học được điều đó bằng cách đưa các mô hình vào trước công việc thực tế và chú ý đến cách chúng xử lý nó.

Nhiều công ty đang ngày càng áp dụng chiến lược đa mô hình thay vì dựa vào một nhà cung cấp AI duy nhất. Ưu điểm của việc xây dựng các hệ thống có thể chuyển đổi giữa các mô hình là gì, và những xem xét kiến trúc nào là cần thiết để làm cho điều đó có thể xảy ra?

Ưu điểm chính là bạn không bị khóa.

Nếu bạn xây dựng mọi thứ xung quanh một nhà cung cấp, bạn sẽ thừa kế tất cả các hạn chế của họ. Giá cả, giới hạn tỷ lệ, độ trễ, thời gian ngừng hoạt động và lịch phát hành của họ trở thành của bạn. Một cách tiếp cận đa mô hình cho phép bạn định tuyến mỗi nhiệm vụ đến mô hình xử lý nó tốt nhất, và nó cho bạn một nơi để đi khi một nhà cung cấp có một ngày xấu.

Nó cũng cho phép bạn khớp chi phí với công việc. Không mọi tương tác đều cần mô hình mạnh mẽ và đắt tiền nhất của bạn. Việc có thể gửi công việc đơn giản đến mô hình nhẹ hơn và dành mô hình nặng hơn cho các trường hợp khó khăn tạo ra sự khác biệt thực sự trên quy mô lớn.

Kiến trúc là điều làm cho điều này có thể xảy ra, và quyết định chính là xây dựng một lớp trừu tượng giữa ứng dụng của bạn và mô hình cụ thể. Hệ thống của bạn không nên nói trực tiếp với API của một nhà cung cấp trong suốt mã nguồn. Nó nên nói với giao diện nội bộ của riêng bạn, và giao diện đó quyết định mô hình nào thực sự xử lý yêu cầu.

Một khi bạn có điều đó, bạn có thể thêm logic định tuyến, các phương án dự phòng khi một nhà cung cấp thất bại, và khả năng chuyển đổi mô hình mà không cần viết lại ứng dụng của bạn. Bạn cũng cần xử lý nhất quán các lời nhắc và đầu ra trên các mô hình, vì mỗi mô hình đều hành xử một chút khác nhau, và hệ thống của bạn phải làm mịn các sự khác biệt đó.

Điều đó đòi hỏi nhiều công việc hơn ngay từ đầu. Nhưng nó mua lại sự linh hoạt mà rất khó thêm vào sau này.

Bạn gần đây đã nhấn mạnh sự tiến hóa nhanh chóng của các mô hình AI, với các bản phát hành mới đôi khi thay đổi các đặc điểm hiệu suất theo cách không mong đợi. Làm thế nào các doanh nghiệp nên cân bằng mong muốn áp dụng các mô hình mới nhất với nhu cầu về sự ổn định, độ tin cậy và hiệu suất dự đoán?

Câu trả lời trung thực là một mô hình mới không phải là một bản nâng cấp cho đến khi bạn đã chứng minh nó là một bản nâng cấp.

Mỗi bản phát hành đều thú vị, và có áp lực thực sự để áp dụng điều mới nhất ngay lập tức. Nhưng chúng tôi đã thấy các mô hình mới thay đổi hành vi theo cách chúng tôi không mong đợi. Điều gì đó đã hoạt động đáng tin cậy bắt đầu phản hồi một cách khác biệt, và trong một hệ thống sản xuất, những thay đổi nhỏ đó sẽ cộng lại.

Cách chúng tôi xử lý nó rất đơn giản. Không có mô hình nào được đưa vào đường ống của chúng tôi cho đến khi chúng tôi đã kiểm tra nó bằng tay. Khi một bản phát hành mới xuất hiện, chúng tôi không tin vào các chuẩn mực hoặc thông báo. Chúng tôi ngồi xuống và chạy nó qua các bước chính xác mà nó sẽ xử lý trong sản xuất, và chúng tôi đọc các đầu ra bằng tay.

Bước kiểm tra bằng tay đó không phải là tùy chọn đối với chúng tôi. Một mô hình có thể trông tốt hơn trên giấy và vẫn xử lý một cuộc trao đổi thực sự theo cách chúng tôi không thoải mái khi đưa ra trước cử tri. Cách duy nhất để biết là đưa nó vào cùng các tình huống hệ thống của chúng tôi xử lý mỗi ngày và xem nó thực sự phản hồi như thế nào.

Điều này cũng là nơi mà lớp trừu tượng kiếm được tiền của nó. Bởi vì ứng dụng của chúng tôi không phụ thuộc vào mô hình cụ thể, chúng tôi có thể đưa một bản phát hành mới vào, kiểm tra nó chống lại các cuộc trò chuyện chúng tôi thực sự xử lý, và so sánh nó một cách trung thực với những gì chúng tôi đang chạy. Nếu nó vượt qua ngưỡng, chúng tôi chuyển đổi. Nếu không, chúng tôi chờ đợi.

Ảo giác vẫn là một trong những rào cản lớn nhất đối với việc áp dụng AI doanh nghiệp, đặc biệt là khi các mô hình làm việc với các tập dữ liệu lớn và thông tin phức tạp. Những kỹ thuật thực tế nào đã chứng minh là hiệu quả nhất trong việc giảm ảo giác trong các môi trường sản xuất?

Kỹ thuật hiệu quả nhất chúng tôi đã tìm thấy là hạn chế những gì mô hình được phép biết.

Nhiều ảo giác đến từ việc yêu cầu mô hình trả lời từ kiến thức chung của nó, nơi nó sẽ sẵn sàng lấp đầy các khoảng trống bằng thứ gì đó nghe có vẻ đúng. Chúng tôi làm ngược lại. AI của chúng tôi hoạt động nghiêm ngặt từ thông tin mà chiến dịch đã cung cấp. Nó không có quyền truy cập vào internet mở, và nó không dựa vào một số ký ức mờ về thế giới.

Nếu câu trả lời không có trong tài liệu được cung cấp, phản hồi chính xác là nói rằng nó không có thông tin đó. Ranh giới đơn giản đó loại bỏ một lượng rủi ro khổng lồ.

Chúng tôi không dừng lại ở đó, tuy nhiên. Chúng tôi có nhiều kiểm tra để đảm bảo rằng phản hồi khớp với thông tin mà chiến dịch cung cấp. Ngay cả sau khi mô hình tạo ra phản hồi, phản hồi đó được kiểm tra lại với thông tin của chiến dịch trước khi nó đi bất kỳ nơi nào. Nếu điều gì đó không khớp, nó sẽ không được gửi.

Ngoài ra, các kỹ thuật thực tế là về việc tiếp đất và rào cản. Cung cấp cho mô hình ngữ cảnh cụ thể và liên quan mà nó cần cho nhiệm vụ trước mặt, chứ không phải một đống dữ liệu khổng lồ không phân biệt. Thông tin càng tập trung, càng ít chỗ cho việc trôi dạt.

Chúng tôi cũng đặt giới hạn rõ ràng về những gì hệ thống được phép làm và nói, và chúng tôi theo dõi các cuộc trò chuyện thực tế chứ không phải giả định mọi thứ đều ổn. Bạn không bắt gặp vấn đề bằng cách tin tưởng mô hình. Bạn bắt gặp chúng bằng cách xem đầu ra.

Trong một không gian được quy định như nhắn tin chính trị, một câu trả lời được tạo ra là một trách nhiệm, vì vậy chúng tôi thiết kế hệ thống để ưu tiên tính minh bạch hơn là việc đoán.

Khi các tổ chức triển khai các tác nhân AI trên hỗ trợ khách hàng, truyền thông, tiếp thị và hoạt động, những sai lầm nào bạn thấy các đội lặp lại khi chuyển từ các dự án thí điểm sang các triển khai quy mô sản xuất?

Sai lầm tôi thấy nhiều nhất là các đội kiểm tra xem tác nhân của họ có hoạt động hay không, nhưng không kiểm tra xem nó có thể bị hỏng hay không.

Tôi không thể đếm được bao nhiêu lần một công ty đã phát hành một rô-bốt trò chuyện AI, và trong vòng một ngày, ai đó trực tuyến đã jailbreak nó để nói điều gì đó nó không bao giờ được phép nói. Nó bị nói ra khỏi hướng dẫn, bị lừa ra khỏi kịch bản, hoặc bị thao túng để đại diện cho thương hiệu theo cách mà cuối cùng trở thành một ảnh chụp màn hình mà mọi người đang truyền nhau.

Điều đó xảy ra vì trong một thử nghiệm, mọi người đều có hành vi tốt. Bạn đang kiểm tra tác nhân với những người hợp lý hỏi những câu hỏi hợp lý, và nó trông tuyệt vời. Sản xuất là ngược lại. Khoảnh khắc thứ gì đó được công khai, một phần của những người nói chuyện với nó đang tích cực cố gắng làm cho nó thất bại.

Nếu bạn chưa kiểm tra trường hợp đối lập, bạn chưa thực sự kiểm tra nó. Bạn phải cố gắng phá vỡ hệ thống của chính mình trước khi ai khác làm. Đẩy nó, cho nó các đầu vào kỳ lạ và thù địch, và xem liệu nó có giữ được ranh giới khi ai đó đang cố tình làm việc chống lại nó.

Sai lầm lặp lại khác là giả định rằng một bản demo hoạt động là một hệ thống hoạt động. Một thử nghiệm là một số lượng nhỏ các cuộc trò chuyện được theo dõi trên con đường hạnh phúc. Sản xuất là hàng nghìn người tại tất cả các giờ hành động theo những cách bạn không dự kiến, và các trường hợp ngoại lệ bạn đã gạt sang một bên trở thành các sự kiện hàng ngày trên quy mô lớn.

Lời khuyên của tôi là dành ít thời gian hơn để hoàn thiện bản demo và nhiều thời gian hơn để cố gắng phá vỡ điều đó. Nếu nó không thể sống sót sau khi bạn tấn công nó, nó sẽ không sống sót sau khi được công khai.

Các tác nhân AI đang trở nên ngày càng có khả năng xử lý các cuộc trò chuyện từng yêu cầu nhân viên. Bạn thấy sự cân bằng giữa tự động hóa và giám sát con người trong năm năm tới, và những luồng công việc nào bạn tin rằng nên luôn giữ một người trong vòng?

Đây là một điều khó, và tôi không nghĩ ai thực sự biết chính xác ranh giới nằm ở đâu trong năm năm. Cách tôi nghĩ về nó, giá trị thực sự của AI là một nhân tố nhân lên. Nó cho phép một nhóm nhỏ người làm được nhiều hơn những gì họ từng có thể một mình.

Các đội nhận được nhiều giá trị nhất từ các công cụ này đang sử dụng chúng chính xác theo cách đó. AI xử lý khối lượng và sự lặp lại, và con người dành thời gian cho phán quyết, chiến lược và các tình huống thực sự cần một người. Đó là một mục tiêu rất khác so với việc cố gắng loại bỏ con người khỏi bức tranh.

Khi mục tiêu là thay thế thuần túy, bạn có xu hướng đẩy công nghệ vượt quá những gì nó thực sự giỏi, và nó thất bại theo những cách có thể nhìn thấy và tốn kém. Khi mục tiêu là nhân lên con người, bạn để AI làm những gì nó làm tốt và giữ con người ở nơi họ thêm nhiều giá trị nhất. Cách tiếp cận thứ hai hoạt động tốt hơn, và nó trung thực hơn về nơi công nghệ thực sự đang ở hiện nay.

Trong năm năm tới, tôi dự đoán các tác nhân sẽ đảm nhận nhiều hơn và nhiều hơn gánh nặng trò chuyện thường xuyên, và chúng nên làm như vậy. Công việc đó không cần một người theo dõi mọi từ.

Các luồng công việc nên luôn giữ một người tham gia là những luồng công việc mà ở đó các ставка cao hoặc tình huống thực sự mới. Bất cứ điều gì chạm vào sự đồng ý, tuân thủ hoặc một quyết định sẽ khó đảo ngược. Một người nên sở hữu hướng, và AI nên giúp họ bao phủ nhiều địa hình hơn những gì họ có thể làm một mình.

Nhìn về phía trước, những tiến bộ nào trong AI trò chuyện bạn hào hứng nhất, và bạn hình dung các nền tảng như Convos sẽ phát triển như thế nào khi các mô hình trở nên có khả năng hơn, đa phương thức và tự chủ?

Điều khiến tôi hào hứng nhất là các cuộc trò chuyện sẽ tiếp tục trở nên tốt hơn.

Khi các mô hình cải thiện, các cuộc trao đổi mà nền tảng của chúng tôi xử lý trở nên tự nhiên và hữu ích hơn mà không cần chúng tôi phải xây dựng lại nền tảng mỗi lần. Bởi vì chúng tôi thiết kế hệ thống để chuyển đổi giữa các mô hình, chúng tôi có thể mang những cải tiến đó vào khi chúng đến.

Đa phương thức là sự phát triển mà tôi đang theo dõi chặt chẽ nhất. Hiện tại, cuộc trò chuyện là văn bản. Khi các mô hình xử lý hình ảnh và các định dạng khác một cách có khả năng hơn, có một cơ hội thực sự để làm cho những cuộc trao đổi này phong phú hơn trong khi vẫn giữ được sự tức thời khiến việc nhắn tin hoạt động.

Về tính tự chủ, tôi lạc quan nhưng cẩn thận. Các tác nhân có khả năng hơn đang được phát hành hàng tháng, và chúng sẽ có thể xử lý rất nhiều thứ một mình. Nhưng trong một không gian được quy định, sự tự chủ nhiều hơn phải đi kèm với sự kỷ luật nhiều hơn, không ít hơn. Các ranh giới quan trọng hơn khi khả năng tăng lên.

Tôi tham gia vào điều này vì tôi là người đang nhắn tin vào khoảng không và không nhận được phản hồi. Đó vẫn là vấn đề tôi quan tâm nhất. Dù các mô hình có khả năng như thế nào, thước đo tôi luôn quay lại là đơn giản. Người ở đầu bên kia có cảm thấy được lắng nghe không?

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập Convos.