至顶网软件频道消息:
通过语言分析,该工具可以使用客户服务代理和聊天机器人通过对话来接收七种不同类型的语调。
IBM的Watson人工智能平台正在获得一个新的增强功能,将帮助系统在客户服务场景中探知人的情绪。
根据周四发布的博客文章,IBM Watson杰出的工程师和主要发明人Rama Akkiraju表示,新的Customer Engagement(客户互动)Tone Analyzer(语气分析)工具旨在帮助客户服务代理和聊天机器人对沮丧、悲伤或满意的客户进行适当的回应。
通过语言分析,该工具可以通过与客户服务代理和聊天机器人的对话来接收七种不同类型的语调:沮丧、满足、兴奋、礼貌、不礼貌、悲伤和同情。该系统还声称能够在表情符号、表情和俚语中捕捉到这些情绪。
Tone Analyzer(语气分析器)是通过机器学习算法开发的,该算法在Twitter上对客户支持对话进行了培训。它还可以探测到对话过程中的语气变化,并提供关于对话代理在交互期间应该更加同情、礼貌或激动的建议。
Akkiraju在博客文章中表示:“新功能使得聊天机器人能够感知语气,使其能够为沮丧、悲伤或满意的客户提供独特的响应。”他表示,“例如,它可以这样回应悲伤的客户,‘我很抱歉你对这个问题感到不安,’但是对满意的客户说,‘我很高兴你对我们的服务感到满意’。”
在Jefferies分析师James Kisner发表了对该认知平台以及IBM在内部推广人工智能和保持人才的能力的严厉批评之后, IBM本周一直在努力为其Watson业务辩护。
IBM首席财务官Martin Schroeter周三表示,Watson正在政府和金融服务中寻找使用案例。使用了Watson的IBM Services Platform也将推动应用。
Schroeter表示,“我们看到Watson的部署在全球不断扩大。认知机会是全球性的。它并不以纽约或波士顿或硅谷为中心。我们不能只是在这些地方看和听。”
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。