基於NLP的情境智能交互式助理是AI/ML的下一個重大挑戰之一。相關技術與推薦引擎技術有幾分相似，我們現在要做的是提高其效率並讓其在我們的決策中能起到輔助作用，其中，從情境中獲得上下文意圖是技術實現最難的一步。
我一直認爲：從技術角度來看，“具有高度包容性並對上下文敏感”的人工智能技術將是人工智能領域的兩件“未來大事”之一。
現在回想起來，我希望有一個更簡潔的約定命名規則來描述這種技術能力。“包容性”和“語境敏感性”屬於馬文•明斯基（Marvin Minsky）所說的“手提箱詞彙”範疇，因爲它們過於依賴用戶的體驗，所以很難就意義達成一致。
我們並不是在討論NLP進行上下文相關對話的能力，比如根據當前的話題做出合理的迴應或對內容進行澄清。在很大程度上，除了進行心理分析，聊天機器人還可以很好地處理人類的臨時對話。
此外，我們也不是在討論監督和消除文化包容性相關的偏見。雖然這也很重要，但目前不是我們想要的。
我們所描述的是NLP功能的下一個大的演進，在這個演進中，NLP可以將我們所有的信息進行融合加工，然後給我們主動提出建議或行動，進而使我們的生活更便捷。
我們曾經給出的一個例子是讓NLP助理在我沒有明確創建提醒的情況下，提前一週左右提醒我，母親的生日即將到來。更重要的是，我的NLP助理還可以推薦一份禮物。我過去在與NLP助理的交流中，無論是在實際信息中還是在語氣上，都包含了一些關於我母親的人物特徵、甚至她的興趣愛好等信息，通過這些信息，NLP助理爲什麼不能給我推薦一份合適的禮物清單呢？這是非常有價值的。
因此，也許用“情境智能”來描述這種技術應用更合適。
輔助決策
這種演進的基礎技術存在於已經發展成熟的推薦引擎領域。迄今爲止，這些一直是電子商務的主要內容，無論是推薦書籍、飛機航班，還是愛情。未來，這項技術的發展將從預測你可能喜歡的事情，到你可能採取的行動，直至最後幫助你做出決定。
要實現這個目標的一個前提是，我們需要添加一些數據以便它能給我們提供更復雜的決策建議。數據的來源是我們的日曆、電子郵件或其它文本，並隨着系統的升級添加其他數據來源。事實上，日曆和電子郵件智能助手正處於早期研發階段，這是我們下一個突破的主要應用領域。
除了添加信息源之外，如何將其集成到一個有用的工具中也是一項挑戰，這需要對人們如何決策有更深入的理解。例如，你的智能助手可能能夠預測你的下一步行動，這時候假如它告訴你“現在做這個”，你會感到多麼舒服呀。
我們的決策通常是建立在對可能事件的過濾之上的。也就是說，我們查看選項（如不同的航空公司航班），並理解這些選項，然後做出決定。對可能性的過濾是一個主要的挑戰。提供太多供用戶選擇的信息，可能讓用戶面臨選擇困難症的煩擾，提供很少或根本沒有潛在的決策數據，用戶的舒適度和接受行動的意願就會直線下降。
定義情境
這種幫助人類做決定的能力在擴展之前顯然會從小處開始，就電子郵件和日曆而言，可以提取的上下文信息最有可能是關於將會發生什麼，什麼時候發生，以及哪些人將會參與其中。
瞭解這三件事的第一步，可能是在活動之前弄清楚你需要什麼來幫助你準備和參與。這看起來就像是一個非常棒的私人助理在幫你做準備時所表現出來的行爲，而不需要你明確地告訴他們你需要什麼。
我們都參加過很多會議，每個日程安排的內容和目標並不是我們最關心的。如果你的智能助手可以收集你需要的文件和信息，預測如何管理你的時間，甚至在會議期間即時提供你可能需要的信息列表，這不是很好嗎？它甚至可以爲你提供本次會議之前的會議概要。
更高級的場景可能是你正在管理多個並行項目。這些項目計劃很可能在將來的某個時候相互鏈接，從而產生關鍵路徑，導致出現某個項目阻礙其他項目進度的情況，只有等關鍵路徑上的項目所有任務都執行完畢之後，後面的項目才能繼續進行。一個基於上下文的智能助手可以被訓練來提前幾個月預測這些調度衝突併發出預警。
效率優先，決策增強次之
在情境智能助理的開始階段，最有可能完成的目標是更有效地利用我們的時間，讓我們能夠專注於重要的事情，並讓智能助手協調細節。
但神奇之處在於智能助手可以呈現信息的方式。一旦智能助手對你的目標和行動有了上下文理解，接下來你需要的就是信息。最終，智能助手應該能夠掌握你已經在各種設備中捕獲的信息，並通過通信推薦其他來源。
一個年輕的程序員，他擁有一定的技能和知識，但這些只是可能依賴於某些網站、特定的圖書館或筆記本。未來的智能助手可能會從不同的來源提出解決方案，加速初學者的學習曲線並提高成功概率。
幫你記事
除了你可能創建的簡單日曆提醒之外，你的高級智能助手還可能檢測到我們忘記了什麼。例如，你的妻子給你發郵件說你應該預訂餐廳，併爲你下週五晚上的外出安排一個保姆。你預定了餐廳，卻被手頭的下一個任務分散了注意力，忘記了保姆的事。你的智能助手可以輕鬆地檢測到事情的遺漏並提醒你。可能產生的不愉快也就可以避免了。
關於隱私
這將是下一代智能助手的一個重要關注點。數據收集很可能遠遠超出你的日曆和電子郵件範圍，其範圍將會擴展到你的眼球運動、光標運動等，尤其是外部數據源。
例如，在調優模型以發現對你很重要的單詞時，模型需要對你的數據進行培訓，但是需要加以約束，以便在生成通信時不會泄露任何信息。如果你的郵件中突然出現了談論你在競爭對手公司的新工作的主題，那你可不想讓別人看到這些信息。與人工智能的許多事情一樣，隱私將是一個持續存在的挑戰。
這種情況下，情境智能的NLP交互助手可以成爲AI/ML的“下一個大事件”。技術已經實現，開發應用也只是時間問題。不久之後，我們或許都能擁有自己的超級先見之明的雷達奧賴利(Radar O’reilly)，或者託尼 斯塔克(Tony Stark)的數字助理賈維斯(Jarvis)，任我們差遣。
原文鏈接：
Contextually Intelligent NLP Assistants – AI’s Next Big Technical Challenge