大规模对话式AI系统中技能路由的神经模型鲁棒性：一种设计选择探索
计算与语言
2021-03-08 v1 人工智能
机器学习
摘要
当前工业界最先进的的大规模对话式AI或智能数字助理系统由一组组件构成，例如自动语音识别（ASR）和自然语言理解（NLU）。对于某些利用共享NLU本体（例如集中式意图/槽位模式）的系统，存在一个独立的技能路由组件，用于将请求正确路由到合适的技能，该技能是实际执行用户请求的第一方或第三方应用。之所以需要技能路由组件，是因为有数千个技能可以订阅同一意图和/或在特定上下文条件（例如设备带有屏幕）下订阅某个意图。确保技能路由组件的模型鲁棒性或韧性是一个重要问题，因为在技能路由模型部署到生产环境后，技能可能会动态地改变其在本体中的订阅。我们展示了不同的建模设计选择如何影响最先进的商业对话式AI系统中技能路由的模型鲁棒性，具体涉及数据增强、模型架构和优化方法方面的选择。我们表明，应用数据增强可以是一种非常有效且实用的方式，能大幅提升模型鲁棒性。
引用
@article{arxiv.2103.03373,
title = {Neural model robustness for skill routing in large-scale conversational AI systems: A design choice exploration},
author = {Han Li and Sunghyun Park and Aswarth Dara and Jinseok Nam and Sungjin Lee and Young-Bum Kim and Spyros Matsoukas and Ruhi Sarikaya},
journal= {arXiv preprint arXiv:2103.03373},
year = {2021}
}