“Chatbot” เมื่อมนุษย์คุยกับ AI

Share on facebook
Share on twitter
Share on google
Share on email

เมื่อพูดถึง “แชตบอท” (Chatbot) แล้ว เราก็คงนึกถึง AI (Artificial intelligence) ที่พูดคุยสนทนาได้ หรือผู้ช่วยอัจฉริยะซึ่งทำงานตามคำสั่งของเรา รวมไปถึงโปรแกรมคอมพิวเตอร์ที่สามารถตอบคำถามต่าง ๆ ของเราด้วยภาษาที่เข้าใจได้ โดยผ่านช่องทางการพิมพ์ การพูดคุย หรือการใช้ลักษณะท่าทาง แล้วโต้ตอบกับเรา เหมือนที่เราพูดคุยกับคนอื่น ๆ ในชีวิตประจำวัน

ปัจจุบันเราสามารถพบ “แชตบอท” ได้ทั่วไป ผ่านเครื่องมือต่าง ๆ หรือแอปพลิเคชันที่เราใช้กันอยู่ เช่น เฟซบุ๊ก (Facebook) ไลน์ (Line) ซึ่งมีแชตบอทคอยตอบคำถามต่าง ๆ เช่นเดียวกับคนที่ใช้ระบบปฎิบัติการแอนดรอยด์ (Android) ก็จะมี Google Assistant หรือ Siri ในระบบปฎิบัติการ iOS และ Cortana ในระบบปฏิบัติการของ Windows ซึ่งทำหน้าที่เป็นผู้ช่วยส่วนตัว คอยบันทึกปฏิทิน โทรศัพท์นัดหมาย ตอบอีเมล สั่งอาหาร สั่งของใช้ผ่านช่องทางการสื่อสารต่าง ๆ

พูดง่าย ๆ ก็คือ “แชตบอท” เป็นโปรแกรมคอมพิวเตอร์ที่สามารถพูดคุย และเข้าใจภาษาของเราผ่านข้อความหรือเสียง จากนั้นจึงประมวลผล แล้วตอบสนองในสิ่งที่เราต้องการหรือพูดคุยโต้ตอบกับเรานั่นเอง

ประเภทของ “แชตบอท” มีอะไรบ้าง

“แชตบอท” สามารถแบ่งได้เป็น 2 แบบ คือ

แชตบอทที่มีความรู้เฉพาะทาง  (Domain-specific หรือ Closed-domain Chatbot)   ได้แก่ แชตบอทที่ช่วยอำนวยความสะดวกต่าง ๆ อย่าง การให้บริการลูกค้า (customer support) ตามหน้าร้านค้าต่าง ๆ ซึ่งสามารถตอบคำถามเกี่ยวกับร้านค้า นัดหมายวันเวลา ตรวจสอบสต็อกสินค้า หรือแชตบอทเกี่ยวกับการแพทย์ ที่เราสามารถสอบถามความผิดปกติเบื้องต้น หรือสอบถามชนิดของยาที่ควรรับประทานจากอาการป่วยของเรา แชตบอทแบบนี้มีลักษณะถามมาตอบไป ไม่สามารถตอบคำถามอื่น ๆ ที่นอกเหนือจากขอบเขตความรู้ที่มี หรือชวนคุยเรื่องทั่วไปได้

– แชตบอทที่มีความรู้ทั่ว ๆ ไป (Open-domain Chatbot) มีลักษณะแตกต่างจากแบบแรก คือ พูดคุยเรื่องทั่วไปได้ คล้ายการพูดคุยกับคนรอบตัว  โดยสามารถเปลี่ยนหัวข้อการสนทนาไปมาได้ ทำให้แชตบอทแบบนี้มีลักษณะใกล้เคียงกับมนุษย์มากกว่า

ทั้งนี้ “แชตบอทแบบ Closed-domain” สามารถสร้างได้ง่ายกว่า “แชตบอทแบบ Open-domain” [1] เพราะทั้ง AI และระบบของแชตบอทใช้ข้อมูลความรู้ที่เฉพาะเจาะจง  ในการพัฒนาแชตบอทแบบนี้ใช้ปริมาณข้อมูลที่น้อยกว่า และหาได้ง่ายสำหรับภาคธุรกิจ ทำให้หลายบริษัทเลือกพัฒนาระบบแชตบอทแบบ Closed-domain ในขณะที่ระบบ “แชตบอทแบบ Open-domain ” มีขนาดใหญ่และซับซ้อนมากกว่า จึงทำให้พัฒนายากและใช้ทรัพยากรในการประมวลผลสูง แต่ด้วยความที่แชตบอทแบบ Open-domain มีความคล้ายคลึงกับมนุษย์มากกว่า จึงทำให้เป็นที่สนใจในภาคการวิจัย โดยมุ่งเน้นการค้นคว้าและพัฒนา เพื่อให้สามารถสนทนาได้เหมือนกับมนุษย์มากยิ่งขึ้น

เราจะพัฒนา “แชตบอท” ได้อย่างไร

การพัฒนาระดับความฉลาดของ “แชตบอท” สามารถแบ่งได้เป็น 2 ระดับ ได้แก่

  • ระดับที่เป็นระบบถามตอบแบบตั้งหลักเกณฑ์ล่วงหน้า (Rule-based Model)
  • ระดับที่ใช้ AI

สำหรับ Rule-based chatbot นั้น จะมีชุดคำตอบที่ผู้พัฒนาได้บันทึกไว้ล่วงหน้า เช่น ชุดคำถามที่พบบ่อย เมื่อ “แชตบอท” ได้รับข้อมูลจากผู้ใช้แล้ว ระบบจะนำข้อมูลเหล่านั้นไปค้นหาผ่านหลักเกณฑ์ที่ตั้งไว้ ซึ่งก็มีตั้งแต่ระดับง่าย อย่างการเขียนโปรแกรม if-else ไปถึงระดับที่ซับซ้อนมากขึ้น อย่างการทำ lookup table ตัวอย่างที่ง่ายที่สุด เช่น ผู้พัฒนาอาจตั้งหลักเกณฑ์ไว้ว่า ถ้าหากมีคำทักทาย เช่น [ “สวัสดี” “หวัดดี” “ดีจ้า” “ทัก”] เข้ามาในระบบ ให้ทักทายกลับ แล้วเริ่มบทสนทนาตามที่ตั้งโปรแกรมไว้ 

ในระดับที่สอง คือ “แชตบอท” ที่ใช้ AI ซึ่งพัฒนาด้วย Machine Learning
หรือ Deep Learning [2] เป็นตัวประมวลผล ชุดข้อมูลที่นำมาพัฒนาแชตบอทแบบ Domain-specific นี้อาจเป็นชุดข้อมูลคำถาม-คำตอบ หรือบทสนทนาเก่า ๆ ในอดีต  AI จะเรียนรู้ว่า ถ้าพบประโยคนี้แล้ว จะต้องตอบอย่างไร ซึ่งข้อดีที่เหนือกว่าระบบ Rule-based model คือ  AI จะสามารถเข้าใจรูปประโยคและตอบคำถามที่คล้าย ๆ กันได้ อีกทั้งยังสามารถเรียนรู้ข้อมูลใหม่ ๆ ได้ตามการใช้ภาษาที่มีการเปลี่ยนแปลงตลอดเวลา สำหรับ AI ที่พัฒนาขึ้นมาอีกขั้น ก็จะสามารถเข้าใจบริบทในขณะที่กำลังสนทนากันอยู่ได้อีกด้วย ตัวอย่างเช่น

ลูกค้า : สอบถามหูฟัง Airpod Pro
AI : แสดงรายละเอียด Airpod Pro
ลูกค้า : ถ้าเปรียบเทียบกับหูฟัง Sony กับอันนั้นแล้ว อันไหนดีกว่ากัน
AI : แสดงตารางเปรียบเทียบ
ลูกค้า : มีตัวอื่น ๆ แนะนำไหม
AI : แสดงรายการหูฟัง เรียงลำดับจากความนิยม 5 อันดับ
ลูกค้า : งั้นสั่งซื้อ Airpod Pro พร้อมจัดส่งตามที่อยู่เดิม ตัดบัตรได้เลย
AI : แสดงรายละเอียดสินค้าในตะกร้า ที่อยู่จัดส่ง และวิธีการชำระเงิน
ลูกค้า : โอเค

จะเห็นว่า AI สามารถเข้าใจในสิ่งที่ลูกค้าพิมพ์มาได้ อย่างคำว่า “อันนั้น” ของลูกค้า หมายถึง Airpod Pro ที่ลูกค้าสอบถามไปก่อนหน้า และคำว่า “มีตัวอื่น ๆ” คือ หูฟังยี่ห้ออื่น ๆ นั่นเอง ในตัวอย่างนี้ AI ทำหน้าที่รับข้อมูลจากลูกค้า และตอบสนองตามความต้องการ แชตบอทในลักษณะนี้ เป็นแชตบอทที่มีโครงสร้างเป็นตัวรับสัญญาณ (Retriever Model) ซึ่งมีตัวรับข้อมูล และมี AI เพื่อทำความเข้าใจผ่านตัวทำความเข้าใจด้านภาษา (Natural Language Understanding หรือ NLU) โดย NLU ประกอบด้วย 2 หน่วยย่อยหลัก ๆ คือ

 – ตัวแบ่งประเภทความต้องการ (Intent Classification) และการระบุชื่อเฉพาะ (Named-Entity Recognition) เช่น การที่ AI รู้ว่าลูกค้าต้องการเปรียบเทียบสินค้า หรือการที่ลูกค้าถามว่า “มีตัวอื่น ๆ แนะนำไหม” แสดงถึงความประสงค์ของลูกค้าที่ต้องการเห็นสินค้าอื่น ๆ ที่ไม่ใช่ Airpod Pro และของ Sony ที่แนะนำไปแล้ว และการที่ AI รู้ว่า Airpod Pro เป็นชื่อผลิตภัณฑ์และ Sony เป็นชื่อบริษัท เป็นต้น ทั้งหมดนี้เป็นขั้นตอนการดึงข้อมูลสำคัญออกจากชุดข้อมูลที่ผู้ใช้ป้อนเข้าระบบ และนำไปประมวลผลต่อ

 – การประมวลผลข้อมูลจากตัวรับสัญญาณ หรือ Retriever Model [3] จะจัดการผ่านตัวจัดการบทสนทนา (Dialog Management) โดยระบบจะทำหน้าที่ติดต่อกับระบบอื่น ๆ เช่น การเรียกข้อมูลสินค้าจากฐานข้อมูลสินค้าของเรา หรือค้นหาชุดคำตอบที่จัดเตรียมไว้ตามความต้องการของผู้ใช้และแสดงผลลัพธ์ นอกจากนี้ยังอาจเรียกข้อมูลอื่น ๆ เพิ่มเติม เช่น ค้นหาข้อมูลเก่า ๆ ของผู้ใช้นั้น ๆ ผ่าน username และ/หรือค้นหาที่อยู่ และวิธีชำระเงินที่เคยบันทึกไว้มาแสดงผล อีกทั้งติดต่อกับระบบหลังบ้าน เพื่อทำเรื่องสั่งซื้อและจัดการสินค้าต่อไป ซึ่งหน่วยประมวลผลที่ตัดสินใจว่า ควรทำอะไรหรือตอบสนองแบบไหน เรียกว่า “Dialog Policy”

แผนภาพของแชตบอทที่ประกอบด้วย Retriever Model และ Dialog Manager
รูป 1 แผนภาพของแชตบอทที่ประกอบด้วย Retriever Model และ Dialog Manager

ระบบ AI แชตบอทที่พัฒนาขึ้นมาอีกขั้นจะมีโครงสร้างที่เป็นตัวสร้างสัญญาณ (Generator Model) เพิ่มขึ้น โดยมี AI สร้างภาษา (Natural Language Generation) หรือ NLG คือแทนที่จะแสดงผลลัพธ์ผ่าน user interface อย่างเดียว เช่น แสดงรายการหูฟัง ระบบสามารถนำลำดับของรายการ รายละเอียดของสินค้าและความนิยม สรุปออกมาเป็นประโยค (Text summarization) ให้ผู้ใช้งานอ่านเข้าใจได้ง่าย เช่น

ลูกค้า : มีตัวอื่น ๆ แนะนำไหม
AI : สินค้าอื่น ๆ ที่นิยมกันคือ หูฟังไร้สาย True wireless ของ AAA รุ่น 100 และหูฟัง Gaming BBB ที่ขายดีในช่วงนี้ 

ทั้งนี้ การพัฒนาตัวสร้างสัญญาณยังมีความท้าทายมาก เพราะมีบ่อยครั้งที่ AI สร้างภาษาซึ่งค่อนข้างไร้อารมณ์ และบางคำพูดอาจดูไม่เข้ากับบริบท ซึ่งทั้ง NLU และ NLG ที่เป็นส่วนหนึ่งของหัวข้อ Natural Language Processing นี้ยังเป็นส่วนที่ต้องค้นคว้าและวิจัยต่อไปในอนาคต 

รูป 2 แผนภาพของแชตบอทที่เพิ่มส่วนของ Generator Model

นอกจากนี้แล้ว ระบบแชตบอทอาจไม่ได้อยู่แค่ในระบบสื่อสารด้วยตัวอักษรเท่านั้น แต่สามารถอยู่ในรูปของการสนทนาด้วยเสียงได้ด้วย เช่น ระบบ call center ตามบริษัทใหญ่ ๆ ก็เริ่มใช้ AI แชตบอทที่เป็นระบบเสียงมาคอยต้อนรับลูกค้า และจัดการความต้องการพื้นฐาน เช่น ตรวจสอบค่าใช้จ่าย สมัคร ยกเลิก หรือสอบถามบริการ เป็นต้น โดยแชตบอทที่เป็นระบบเสียงนี้จะมีการเพิ่มระบบแปลงเสียงลูกค้าเป็นข้อความ (Speech recognition) และนำข้อความที่ได้ไปเข้าระบบ Retriever Model อีกส่วนคือ ระบบสังเคราะห์เสียงจากข้อความ (Speech Synthesis) โดยนำข้อความจาก Generator Model มาสังเคราะห์เป็นเสียง เพื่อใช้สนทนาผ่านช่องทางการพูดคุยกับลูกค้าต่อไป ตัวอย่างของแชตบอทระบบเสียง ได้แก่ Alexa โดย Amazon หรือ Google Home ที่มี Google Assistant เป็นตัวขับเคลื่อน

รูป 3 แผนภาพของแชตบอทที่เพิ่มตัวประมวลผลทางเสียง

จากที่กล่าวมาข้างต้น เป็นแค่ภาพรวมของระบบแชตบอทเท่านั้น ยังมีส่วนอื่น ๆ อีกมากมายที่ต้องพัฒนา ตัวอย่างเช่น หน่วยประมวลระดับอารมณ์ของผู้ใช้งาน (Sentiment Analysis) ถ้า AI ระบุได้ว่าผู้ใช้งานมีความสุข ระบบอาจเลือกประโยคที่มีความสุขตาม หรือเมื่อผู้ใช้ไม่พอใจ ระบบจะเลือกคำกล่าวขอโทษ พร้อมทั้งติดต่อให้เจ้าหน้าที่มารับเรื่องแทนระบบต่อไป อีกตัวอย่างคือ การใช้ความสัมพันธ์ของข้อมูล (Knowledge graph) [4] เพื่อเชื่อมโยงความรู้และเข้าใจถึงความสัมพันธ์ของข้อมูลต่าง ๆ ทำให้ AI ฉลาดมากยิ่งขึ้น

ในปัจจุบันแชตบอทยังอยู่ในรูปแบบ Domain-specific ที่มีแค่ Retriever Model เป็นส่วนประกอบ เพราะเป็นรูปแบบที่พัฒนาได้ง่ายที่สุด การแสดงผลมักเป็นข้อความที่เตรียมไว้ล่วงหน้า หรือเป็นหน้าจอแสดงรายการต่าง ๆ ตามที่ผู้ใช้ต้องการ ซึ่งแค่ส่วนนี้ก็เพียงพอกับความต้องการที่จะใช้ช่วยเหลือลูกค้าในเบื้องต้นสำหรับภาคธุรกิจ [5]

แล้วเราจะวัดความฉลาดของแชตบอทได้อย่างไร

ในภาคการวิจัย จุดมุ่งหมายสูงสุดคือ การทำให้แชตบอทคล้ายคลึงกับมนุษย์มากที่สุด ซึ่งเมื่อพูดถึงวิธีการทดสอบความเหมือนมนุษย์แล้ว ก็จะนึกถึงการทดสอบของทัวริง (Turing’s Test) หรือ Imitation Game [6] ที่ออกแบบและนำเสนอโดย อลัน ทัวริง (Alan Turing) ในปี ค.ศ. 1950 ซึ่งเป็นแบบทดสอบด้านสติปัญญา (Intelligence) และความรู้สึกถึงการมีตัวตน (Consciousness) วิธีการทดสอบประกอบด้วย ผู้เล่นทั้งหมดสามคน ผู้เล่นคนแรกเป็นบุคคลจริง ผู้เล่นคนที่สองเป็นคอมพิวเตอร์  ทั้งสองจะต้องสื่อสารกับผู้เล่นคนที่สามที่เป็นบุคคลจริง ซึ่งทำหน้าที่เป็นผู้ซักถาม (Interrogator) โดยผู้เล่นคนที่สามนี้จะตั้งคำถาม หรือพูดคุยกับผู้เล่นคนอื่น ๆ และตัดสินใจว่าผู้เล่นไหนเป็นคนจริง ผู้เล่นไหนเป็นคอมพิวเตอร์ ในระยะเวลาที่จำกัด โดยที่ไม่รู้ว่า ผู้เล่นไหนเป็นใคร ผู้เล่นคนแรกต้องช่วยเหลือผู้เล่นคนที่สาม เพื่อให้เลือกคำตอบที่ถูกต้อง ในขณะที่ผู้เล่นที่สองต้องโน้มน้าวผู้เล่นที่สามให้คิดว่าตัวเองเป็นคนจริง ๆ ถ้าระบบคอมพิวเตอร์สามารถหลอกผู้เล่นได้สำเร็จมากกว่า 30% ของจำนวนการทดสอบทั้งหมด จะถือว่าระบบคอมพิวเตอร์นั้นผ่านการทดสอบ ทั้งนี้ ยังไม่มีแชตบอท หรือ AI ที่ผ่านแบบทดสอบนี้ได้ นอกจากว่าจะเป็น AI ที่ออกแบบและพัฒนาเพื่อทำแบบทดสอบนี้โดยเฉพาะ อ่านต่อที่นี่

รูป 4 แผนภาพแสดงวิธีการทดสอบของทัวริง
รูป 4 แผนภาพแสดงวิธีการทดสอบของทัวริง

ทำไมต้องเป็นแชตบอทและสามารถนำมาใช้กับภาคธุรกิจอย่างไรบ้าง

ปัจจุบันกลุ่มลูกค้ามีความใกล้ชิดกับภาคธุรกิจมากขึ้น คือ ไม่ใช่แค่ซื้อสินค้าแล้วจบไป แต่ยังรวมไปถึงบริการหลังการขายอีกมากมาย อีกทั้งลูกค้ายังต้องการได้รับบริการอย่างรวดเร็วตลอดเวลา ซึ่งในกลุ่มธุรกิจขนาดกลางถึงใหญ่ที่มีลูกค้าจำนวนมาก การคอยช่วยเหลือกลุ่มลูกค้าทุกเรื่องอย่างรวดเร็วนั้นเป็นไปได้ยาก การนำแชตบอทมาต้อนรับลูกค้าและจัดการบริการอย่างง่าย เช่น การตรวจสอบข้อมูลและตอบคำถามต่าง ๆ หรือคอยให้ความช่วยเหลือลูกค้าในช่วงเวลากลางคืน ที่มีจำนวนเจ้าหน้าที่ให้บริการน้อย ทำให้เจ้าหน้าที่บริการลูกค้าสามารถจัดการปัญหาที่สำคัญกว่า หรือดำเนินการเรื่องที่เฉพาะเจาะจงกับลูกค้ารายนั้น ๆ ได้ดียิ่งขึ้น ซึ่งต้องยอมรับว่าการบริการที่ดี จะทำให้ลูกค้าพึงพอใจและมีโอกาสกลับมาเป็นลูกค้าของเราอีก นอกจากนี้แล้ว เรายังสามารถใช้แชตบอทกับระบบบริหารงานบุคคลภายใน (Human Resource : HR) ได้ เช่น การตรวจสอบเงินเดือน วันหยุด หรือตอบคำถามที่พบได้บ่อยจากพนักงาน หรือแจ้งความประสงค์ต่าง ๆ เช่น การลาหยุดก็ได้  ซึ่งจะช่วยลดภาระงานและเพิ่มประสิทธิภาพในการทำงานของ HR ไปที่การดูแลทรัพยากรบุคคลจริง ๆ แทนการตอบคำถามซ้ำ ๆ นอกจากธุรกิจขนาดกลางและใหญ่แล้ว ธุรกิจขนาดเล็กที่มีเจ้าหน้าที่บริการลูกค้าไม่มากพอ อาจใช้แชตบอทคอยช่วยเหลือลูกค้า ยิ่งเป็นบริษัท startup ที่ขยายตัวเร็วด้วยแล้ว การขาดแคลนเจ้าหน้าที่บริการลูกค้าก็อาจทำให้ธุรกิจชะลอตัวได้

อีกตัวอย่างของการใช้แชตบอทในภาคธุรกิจ คือ การทำโปรโมชันเฉพาะบุคคล (Personalized Promotion) โดยใช้แชตบอทสื่อสารโปรโมชันต่าง ๆ ไปยังลูกค้าแต่ละคน เป็นการสื่อสารแบบสองทาง (Two-way Communication) ลูกค้าสามารถสอบถามข้อมูลเพิ่มเติมได้ทันที ทำให้ภาคธุรกิจใกล้ชิดกับกลุ่มลูกค้ามากยิ่งขึ้น นอกจากนี้แล้วระบบแชตบอทที่ออกแบบให้รองรับได้มากกว่าหนึ่งภาษา ยังสามารถช่วยเหลือภาคธุรกิจได้ดียิ่งขึ้น โดยเฉพาะธุรกิจที่มีสาขาอยู่ในหลายประเทศ เพราะไม่จำเป็นต้องจ้างพนักงานจำนวนมากในหลาย ๆ ประเทศ แต่สามารถใช้ระบบแชตบอทแบบเดียวกัน ช่วยเหลือกลุ่มลูกค้าหลากหลายกลุ่มในหลายประเทศได้

ข้อควรระวังในการพัฒนา AI แชตบอท

การพัฒนาแชตบอทที่ใช้ AI เป็นตัวขับเคลื่อนนั้น ต้องใช้ปริมาณข้อมูลจำนวนมากในการเรียนรู้ ซึ่งถ้าเราไม่คัดกรองข้อมูลที่นำมาสอน  AI แล้ว AI อาจเรียนรู้อคติที่แฝงอยู่ในชุดข้อมูลนั้น เช่น ชุดข้อมูลอาจมาจากกลุ่มคนที่มีความรู้สึกชอบ เข้าข้างรัฐบาลมากกว่าพรรคการเมืองอื่น ๆ หรือมีทัศนคติดูถูกกลุ่มคนกลุ่มใดกลุ่มหนึ่งเป็นพิเศษ AI ของเราก็จะเรียนรู้ และแสดงลักษณะนั้น ๆ ออกมา ดังตัวอย่างของ AI bot พัฒนาโดย Microsoft ที่ปล่อยลงใน Twitter ซึ่ง AI bot ตัวนี้จะเรียนรู้ชุดข้อมูลใหม่ ๆ ที่พบใน Twitter ดังนั้นเมื่อมีคนไปแกล้ง AI ตัวนี้เป็นจำนวนมากโดยใส่อคติลงไป เช่น พูดคำหยาบคาย แสดงการเหยียดผิว และสรรเสริญฮิตเลอร์ เป็นต้น [7] การโต้ตอบของ AI นี้จึงเอนเอียงไปในทางไม่ควร ซึ่งสุดท้ายแล้วทาง Microsoft จึงต้องปิดระบบนี้ไป

นอกจากนี้แล้ว ยังต้องคำนึงถึงความเป็นส่วนตัวของบุคคล (Privacy) ด้วย เช่น การที่เรานำบทสนทนาของลูกค้าคนเดียวมาพัฒนา AI ทำให้ AI เรียนรู้ลักษณะการพูดของลูกค้าคนนั้น ๆ โดยไม่ได้รับการยินยอม  ถือเป็นการผิดกฎด้านความเป็นส่วนตัวรูปแบบหนึ่ง หรือการพัฒนาแชตบอทที่สามารถเริ่มการสนทนาได้เอง เมื่อลูกค้าที่เคยสอบถามสินค้าแล้วเงียบหายไประยะเวลาหนึ่ง หรือการที่แชตบอทได้ข้อมูลของลูกค้ามา โดยที่ลูกค้าไม่รู้ตัวว่าเคยให้ข้อมูลเหล่านี้ไป การทักไปเองของแชตบอท หรือการรู้ถึงข้อมูลอื่น ๆ อาจทำให้ลูกค้าไม่สบายใจในเรื่องความเป็นส่วนตัวได้

การออกแบบระบบแชตบอทที่ไม่สามารถใช้งานได้จริง หรือการใช้ระบบแชตบอทอย่างเดียวโดยไม่มีพนักงานมารองรับ อาจทำให้ลูกค้าเกิดความไม่พอใจได้ เพราะมีโอกาสที่แชตบอทจะพบกับสถานการณ์ที่ไม่เคยเรียนรู้มาก่อน และระบบให้บริการไม่สามารถแก้ปัญหาได้ ซึ่งอาจทำให้เสียลูกค้าไป หรือการที่ลูกค้าต้องการสอบถามข้อมูลง่าย ๆ แต่แชตบอทไม่สามารถตอบลูกค้า หรือเกิดข้อผิดพลาดทางระบบ แล้วลูกค้าไม่สามารถหาทางไปต่อได้ ก็อาจทำให้เสียลูกค้าได้เช่นกัน ดังนั้นการออกแบบระบบแชตบอทโดยคำนึงถึงผู้ใช้งานเป็นหลักจึงมีความสำคัญอย่างมาก [8]

อนาคตของแชตบอท

จะเห็นว่าการที่แชตบอทเข้ามามีบทบาทในภาคธุรกิจนั้นน่าสนใจมาก เพราะเป็นเทคโนโลยีที่ช่วยเสริมให้การทำงานมีประสิทธิภาพมากขึ้น บริษัทที่ใช้ AI แชตบอทจึงมีแนวโน้มเข้าถึงกลุ่มลูกค้ายุคใหม่ และมีโอกาสเพิ่มลูกค้าได้มากกว่าธุรกิจทั่วไป และเมื่อเทคโนโลยีพัฒนาได้ดียิ่งขึ้น แชตบอทก็อาจกลายเป็นผู้ช่วยส่วนตัวที่ลูกค้าสามารถสั่งซื้อของผ่านการพูดคุยกับแชตบอทที่เปรียบเสมือนพนักงานคนหนึ่งได้

สำหรับในแง่ของการวิจัยและพัฒนานั้น ยังสามารถไปได้อีกไกลมาก เพราะยังมีอีกหลายส่วนที่ต้องพัฒนา เช่น NLP ในภาษา ไทย ซึ่งยังต้องพัฒนาอีกมาก ไม่ว่าจะเป็นตัวประมวลผลสำหรับตัดคำจากประโยค หรือการพัฒนาให้ AI เข้าใจภาษาและสังเคราะห์ภาษาให้สื่อสารกับเราได้ และแน่นอนว่า การพัฒนาแชตบอทแบบ Open-domain นั้นเป็นเป้าหมายที่เราต้องไปให้ถึง เพราะเป็นโจทย์สำคัญที่จะนำไปสู่ขั้นต่อไป นั่นก็คือ การสร้างลักษณะท่าทางให้ AI แชตบอทมีสติปัญญาและอุปนิสัยเป็นของตัวเอง ไม่แน่ว่าวันหนึ่งในอนาคต เราอาจกำลังพูดคุยอยู่กับ AI แชตบอทโดยที่ไม่รู้ตัวเลยก็เป็นได้ [9,10]

Our Writer

AI - 18

ธนัท ลัพธวรรณ์

นักศึกษาปริญญาโท สาขาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี และเป็น AI Scientist วิจัยเรื่องของการสังเคราะห์เสียง  Natural Language Processing และ Computer Vision

อ้างอิง

[1] Huang, M., Zhu, X., & Gao, J. (2020). Challenges in building intelligent open-domain dialog systems. ACM Transactions on Information Systems (TOIS), 38(3), 1-32.
[2] Csaky, R. (2019). Deep learning based chatbot models. arXiv preprint arXiv:1908.08835.
[3] Roller, S. et al. (2020). Recipes for building an open-domain chatbot. arXiv preprint arXiv:2004.13637.
[4] Bao, Q., Ni, L., & Liu, J. (2020, February). HHH: An Online Medical Chatbot System based on Knowledge Graph and Hierarchical Bi-Directional Attention. In Proceedings of the Australasian Computer Science Week Multiconference (pp. 1-10).
[5] Shalaby, W., Arantes, A., GonzalezDiaz, T., & Gupta, C. (2020, June). Building chatbots from large scale domain-specific knowledge bases: challenges and opportunities. In 2020 IEEE International Conference on Prognostics and Health Management (ICPHM) (pp. 1-8). IEEE.
[6] Turing, A. M. (2009). Computing machinery and intelligence. In Parsing the Turing test (pp. 23-65). Springer, Dordrecht.
[7] Microsoft chatbot is taught to swear on Twitter. (2016). BBC. https://www.bbc.com/news/technology-35890188
[8] Chaves, A. P., & Gerosa, M. A. (2019). How should my chatbot interact? A survey on human-chatbot interaction design. arXiv preprint arXiv:1904.02743.
[9] Mnasri, M. (2019). Recent advances in conversational NLP: Towards the standardization of Chatbot building. arXiv preprint arXiv:1903.09025
[10] Radziwill, N. M., & Benton, M. C. (2017). Evaluating quality of chatbots and intelligent conversational agents. arXiv preprint arXiv:1704.04579.

Header designed by upklyak / Freepik
Icons made by Freepik, bqlqn from www.flaticon.com

Share on facebook
Share on twitter
Share on google
Share on email

ผู้สนับสนุน

ติดต่อเรา

© copyright, 2020 AI for ALL