Nói với robot lấy cái cốc kia cho tôi là cách ra lệnh tự nhiên nhất có thể. Nó cũng chứa ít nhất ba chỗ mơ hồ, và mỗi chỗ đều có thể dẫn tới hành động sai.
Vì sao ngôn ngữ là giao diện hấp dẫn
Ba lý do rất thực tế.
Không cần học. Người dùng đã biết nói. Không phải đào tạo về cú pháp lệnh hay giao diện.
Linh hoạt. Cùng một hệ thống nhận được vô số yêu cầu khác nhau mà không cần lập trình lại cho từng loại.
Truyền đạt được ý định, không chỉ hành động. Nói dọn bàn ngắn hơn nhiều so với liệt kê từng thao tác, và nó cho hệ thống chỗ để tự quyết định cách làm.
Ba ưu điểm này giải thích vì sao hướng này thu hút nhiều quan tâm, đặc biệt khi mô hình ngôn ngữ đã đủ tốt để hiểu yêu cầu phát biểu tự nhiên.
Bốn nguồn mơ hồ
Chỉ định đối tượng. Có ba cái cốc trên bàn, cái cốc kia là cái nào. Con người giải quyết bằng ánh mắt và cử chỉ, hai thứ mà lời nói một mình không có.
Hệ quy chiếu. Bên trái theo ai, đã bàn ở phần riêng.
Mức chi tiết. Dọn bàn nghĩa là bỏ hết vào chỗ khác, hay xếp gọn lại, hay lau? Cùng một câu, nhiều mức diễn giải.
Điều kiện ngầm. Lấy cốc cho tôi ngầm hiểu là đừng làm đổ nước trong đó, đừng va vào thứ khác. Không ai nói ra vì quá hiển nhiên với người.
Nguồn thứ tư nguy hiểm nhất, vì hệ thống không biết là mình đang thiếu thông tin.
Kết hợp lời nói với các kênh khác
Con người hiếm khi ra lệnh chỉ bằng lời. Ánh mắt, cử chỉ chỉ trỏ và ngữ cảnh chung đi kèm và giải quyết phần lớn mơ hồ.
Với robot, kết hợp thêm kênh là cách hiệu quả nhất để giảm mơ hồ.
Cử chỉ chỉ trỏ giải quyết bài toán chỉ định đối tượng gần như hoàn toàn, và nó tự nhiên với người dùng.
Giao diện chỉ trên màn hình cũng làm được điều đó, kém tự nhiên hơn nhưng chính xác hơn.
Ngữ cảnh nhiệm vụ thu hẹp diễn giải: nếu đang trong quy trình lắp ráp, cái kia nhiều khả năng là chi tiết tiếp theo trong quy trình.
Kinh nghiệm chung: giao diện chỉ dùng lời nói hoạt động kém hơn nhiều so với giao diện kết hợp, và chi phí thêm một kênh thường nhỏ.
Xác nhận thay vì đoán
Khi vẫn còn mơ hồ, có hai lựa chọn: đoán, hoặc hỏi lại.
Đoán nhanh hơn nhưng sai thì tốn kém, đặc biệt với thao tác không hoàn tác được.
Cách thực dụng nhất trong nhiều hệ thống là xác nhận bằng hành động: robot di chuyển tới đối tượng nó nghĩ được nhắc tới, dừng lại, chờ một nhịp. Nếu người không phản đối thì tiếp tục.
Cách này có mấy ưu điểm cộng dồn. Nó không cần hệ thống hiểu ngôn ngữ tốt hơn. Nó tự nhiên với người dùng vì giống cách con người xác nhận với nhau. Và nó không tốn thêm bước nếu đoán đúng.
Với các thao tác quan trọng, nên nâng lên thành xác nhận tường minh — chờ người nói đồng ý — thay vì chỉ dừng một nhịp.
Nguyên tắc thiết kế
Năm nguyên tắc rút ra từ các hệ thống hoạt động được.
- Luôn có kênh thứ hai bên cạnh lời nói, dù chỉ là một cách chỉ đơn giản.
- Phản hồi ý định trước khi hành động: cho người dùng thấy hệ thống hiểu gì trước khi nó làm.
- Hỏi lại khi mơ hồ, và hỏi cụ thể thay vì hỏi chung chung.
- Luôn có cách dừng bằng một từ ngắn mà hệ thống nhận ra chắc chắn.
- Giới hạn an toàn không đi qua tầng ngôn ngữ. Không câu lệnh nào được vượt giới hạn về lực, tốc độ và không gian.
Nguyên tắc cuối quan trọng nhất: dù giao diện ngôn ngữ có tự nhiên tới đâu, nó không được là đường duy nhất tới cơ cấu chấp hành, và không được vượt qua lớp giới hạn.
Câu hỏi thường gặp
Vì sao giao diện chỉ dùng lời nói hoạt động kém?
Vì lời nói một mình không giải quyết được bài toán chỉ định đối tượng và hệ quy chiếu. Con người luôn kèm ánh mắt và cử chỉ, nên bỏ hai kênh đó đi làm mất phần lớn thông tin dùng để phân giải mơ hồ.
Xác nhận bằng hành động nghĩa là gì?
Robot di chuyển tới đối tượng nó cho là được nhắc tới, dừng lại chờ một nhịp, rồi mới thực hiện. Người dùng có cơ hội sửa nếu robot hiểu sai, và nếu đoán đúng thì không tốn thêm bước nào.
Điều kiện ngầm trong câu lệnh xử lý thế nào?
Không thể trông chờ người dùng nói ra vì với họ chúng quá hiển nhiên. Cách xử lý là mã hoá các ràng buộc phổ biến vào hệ thống như mặc định: không làm đổ, không va chạm, không dùng lực quá ngưỡng.
Câu lệnh bằng lời có được phép vượt giới hạn an toàn không?
Không, trong mọi trường hợp. Giới hạn về lực, tốc độ và không gian phải nằm ở tầng độc lập mà tầng ngôn ngữ không đi qua được, kể cả khi người dùng yêu cầu tường minh.
Đọc thêm trong Học từ tương tác và Trí tuệ hiện thân là gì.