公开课回顾 | UNIT平台技术解析与应用探索

1

对话技术何时能应用在机器人领域，实现和人的自由交互？

课程内容中讲到，正在打造融合通用对话与任务对话的新一代中控技术，同时满足对话系统的拟人性、知识性、信息性、任务性等需求。这个技术方向，和具象的机器人应用非常契合，近期将面向广大开发者公开。

2

百度智能对话定制与服务平台（UNIT）能满足餐饮等领域的客服机器人需求嘛？

可以的，我们在2019年就以订咖啡为代表场景，打造了一款全双工对话的电话服务机器人，并将其抽象成了一套点餐场景的解决方案。

具体需求，可以和UNIT联系：

https://ai.baidu.com/consultation/cooperation?referrerUrl=/tech/unit

3

业务数据量比较小，能否使用百度智能对话定制与服务平台（UNIT）？

完全可以尝试。UNIT提供基于小样本学习、基于对话模板的对话理解技术，可以保证小数据下的冷启动效果。

4

UNIT平台的使用是免费的吗？

每个开发者都会获得一定数量的免费研发环境。而当业务成熟，需要稳定服务的时候，UNIT会提供收费的稳定生产环境。

具体情况，请参见：

https://ai.baidu.com/unit/v2#/usercenter/resourcemanage

5

是可以直接将unit用于各个业务领域吗？还是说需要各个业务场景的数据定制？

UNIT针对常见的场景，提供了预置的技能和场景解决方案，开发者可以直接使用。对于更加定制化的需求，开发者基于业务数据，通过平台网站定制自己的对话机器人。

6

UNIT平台有开发模板吗？什么情况下用到模板呢？

UNIT支持开发者灵活高效地配置对话模板。我们建议的使用方式是，首先基于对话样本训练模型解决泛化问题，然后基于模板，补充基于业务先验的规则，以及修复模型的错误。

当然，只使用模板配置对话理解，也是可行的，而且对小规模的简单业务特别有效。模板的弊端是数量增长到一定程度后，维护会变得困难，这个问题需要开发者进行权衡。

7

表格问答是不是和KBQA类似？查库不同？

表格问答所基于的数据源，是二维的数据表，可以认为是知识库的一种较简单的形态。表格问答底层使用的是NL2SQL技术，SQL和图谱常用的SPARQL/GREMLIN等语言有一定的相互转化性，但功能强项各有侧重。

8

微观对话流程如何做好通用和定制的平衡？

是的，即使是在微观对话流程内部，也需要做定制和预置的平衡。预置对话范式，在产品上体现的一个重要形态是Taskflow的预置节点，包括肯否、填槽、选择等。我们的设计理念，是在把核心NLP难点包装起来的同时，提供一定的可干预能力，允许开发者对预置能力进行微调。例如可以补充定义表达肯、否定态度的关键词，等等。

9

UNIT什么时候能在对话过程中从开发者自己的接口获取语义解析的词槽值呢？

现在已经可以这么做了，可以通过请求体当中的updates字段，传入经外部算法识别出的词槽信息。

10

对话流程有应用到对话策略算法吗？

我们的预置对话范式中使用了预置的策略算法，对对话状态进行研判，并对用户的回应进行分析和理解。

11

客服场景下智能对话支持复杂问题吗？

复杂问题可分为若干类型：如在核心问题前后存在无关的噪声，又如一个问题所含的信息要素繁多，又如在一个问题中表达多个不同诉求等等。其中前两个问题，已经很大程度上得到了解决。第三个问题，也就是多意图的问题，是一个公认的难题，我们已经在计划做针对性的攻关。

12

能应用到无法用规则匹配实现的复杂场景吗？

机器学习+规则匹配的方式可以解决绝大多数的对话理解问题。对于极端复杂的场景，可能效果上会存在瓶颈，但我们欢迎围绕这样的场景进行探讨，以便更好地发展底层技术。

13

多轮对话是如何保持前面对话记忆的？

多轮对话，通过传递会话session来保证记忆。具体可以参考UNIT平台的API文档。

百度自然语言处理（Natural Language Processing，NLP）以『理解语言，拥有智能，改变世界』为使命，研发自然语言处理核心技术，打造领先的技术平台和创新产品，服务全球用户，让复杂的世界更简单。