CTI論壇(ctiforum.com)（編譯/老秦）:也許你一直在考慮在你的業務中使用智能虛擬助理（IVA）。您希望自動化客戶服務，幫助您的客戶在您的網站上找到他們想要的內容，或者為您的員工提供工具。在任何一個搜索引擎上呆上幾分鐘，都會發現無數的供應商說他們的產品是智能的、自然的或者就像和人說話一樣；其他人吹噓自己是真正的會話和革命，還有許多其他發光的描述。當然，你想使用最好的技術，但你怎么知道哪一個是最好的，甚至哪一個替代品是好的，足以完成你心目中的工作？
顯然，簡單地看供應商網站并不是最好的方法。每個供應商都會聲稱他們的技術是最好的。看看YouTube的演示和與銷售人員交談也不會有什么幫助。供應商會有偏見，演示是基于非常仔細策劃的互動。隨便試用一個系統幾分鐘就會產生誤導性的結果。是否有一個可靠的，客觀的方法來衡量系統的準確性？
其他產品可以與標準度量進行比較。我們有每加侖汽車的英里數，電器的能源消耗量，顯示器的屏幕分辨率。不幸的是，我們還沒有針對智能虛擬助理的這些指標。即使我們把最好的縮小到最準確的，主觀性仍然有很大的空間。
為了可靠地比較系統，我們如何測量智能虛擬助理的精確度？不幸的是，我們沒有任何官方標準，但這里有一些似乎很有希望的想法。
測量IVAs的方法
讓我們首先說，任何公平的比較都必須基于廣泛接受的衡量標準和程序。一個實際的評估也不能太貴或太費時，所以我們不需要完美，只是一個足夠好的比較。
首先，這里有一些有前途的策略。
1、系統可能以兩種不同的方式出錯，因此我們必須同時衡量這兩種方式。系統可能會給出錯誤的答案，但也可能無法給出它應該知道的問題的答案。從技術上講，給出錯誤的答案是不準確的。沒有給出系統應該知道的答案是調用失敗。在大量的測試問題中，我們可以得到整體關于調用失敗和精確性的分數，這將給我們系統的準確性一個分數。雖然調用失敗和精確性不是官方標準，但它們被研究人員廣泛接受。
2、一個較新的指標是敏感性和特異性平均值（SSA）。這是谷歌為其聊天機器人Meena開發的。測試人員查看成對的用戶查詢和系統響應，并根據它們的敏感程度和具體程度對響應進行評分。敏感性的含義是顯而易見的。特異性會懲罰像那很好這樣的一般性回答。像那很好這樣含糊不清的回答是數字助理試圖掩蓋其無知的信號。敏感性和特異性得分相結合，得到一個總的SSA得分。這一指標的一個吸引人的特點是，對回答打分的用戶不必知道正確的答案，他們只需能夠決定答案的合理性和具體性如何。
3、另一個值得一提的指標是亞馬遜AlexaPrize中使用的指標。它不能測量準確度；相反，它通過跟蹤用戶與應用程序交互的時間來衡量應用程序的吸引力。對于像老年伴侶這樣的應用程序來說這可能是一個有用的指標，老年同伴的目標是讓用戶參與應用程序，但精度不是一個主要要求。
評估IVA表現
不僅要使測量標準化，而且評價也要遵循一個標準過程：（1）有可重復的結果；(2）外部變量控制；以及（3）防止游戲結果。一個很好的例子是2015年著名的大眾汽車排放丑聞，當時大眾汽車在測試過程中關閉了排放裝置，這樣他們就可以謊報更好的排放評級。他們被抓住了。結果對大眾汽車不利；其首席執行官因此辭職。
評估過程的一些最佳做法包括：
1、對同一個應用程序進行跨系統比較，這可以更通俗地稱為比較蘋果。比較執行不同應用程序的系統是不公平的，因為一個應用程序可能比另一個更難。例如，一個應用程序中可能有更多的意圖和實體，這將降低該系統的分數。用于開發應用程序的數據可以是一個開放的公共數據集，就像Clinc開發的數據集一樣，也可以是特定垂直方向上應用程序的內部數據。對于沒有特定應用程序（比如Alexa或Siri）的泛型助手，會有一些已發布的數據，比如我的應用程序中使用的數據。
2、非重疊數據的培訓和測試系統。如果一個系統是在以后測試的數據上訓練的，那么當各種新的、以前看不見的數據出現時，測試將不能代表實際的工作條件。這將是一個游戲系統的例子。
把它們放在一起
那么回到最初的問題，如何正確評估智能虛擬助理呢？--下面是我們的一般建議。首先，不要把評估建立在主觀測試的基礎上。一個評估，包括幾分鐘的試用演示可能會非常誤導。第二，使用常見的測量方法，比如調用、精確度和SSA。第三，遵循一個標準流程：使用相同的數據集進行所有比較，并將訓練數據和測試數據分開。
遵循這些準則將導致可靠和有意義的比較。將這些信息與其他的需求開發工具、運行時成本、易維護性結合起來，您就可以成功地部署智能虛擬助理了。
聲明:版權所有 非合作媒體謝絕轉載
作者：Deborah Dahl
原文網址：
https://www.speechtechmag.com/Articles/Columns/Standards/Assessing-IVAs-How-Do-You-Determine-Which-One-Is-Right-for-You-147371.aspx
