Базовые модели классификации намерений и заполнения слотов не справляются со сложностью и нюансами человеческого языка. Ключевая проблема — лингвистическая неоднозначность, которая проявляется на нескольких уровнях. Чтобы создать действительно интеллектуального бизнес-ассистента, необходимо разобраться с каждым из этих уровней.

Для устранения синтаксической неоднозначности используются сложные методы синтаксического анализа, такие как деревья составляющих и зависимостей, которые моделируют грамматическую структуру предложения. Прагматическая неоднозначность требует понимания контекста и обработки косвенных речевых актов, когда пользователь выражает намерение не напрямую, а через утверждение или вопрос. Например, высказывание «Я не могу найти последний отчет о продажах» является косвенным запросом на поиск и предоставление этого отчета.

Решение проблемы неоднозначности в одном высказывании — это только половина дела. В многоходовых диалогах ассистент должен отслеживать контекст, сохранять состояние и понимать связи между сообщениями. Без этого разговор быстро распадается на несвязанные фрагменты.

Ключевой технологией здесь является разрешение кореференции и анафоры. Анафора — это использование языкового выражения (например, местоимения) для отсылки к ранее упомянутой сущности. Кореференция — более общее понятие, когда несколько выражений в тексте относятся к одному и тому же объекту.

• Пользователь: «Покажи мне отчет о доходах за третий квартал для отдела маркетинга.»
• Пользователь: «Теперь сравни его с результатами отдела продаж.»

Ассистент должен безошибочно определить, что местоимение «его» относится к «отчету о доходах за третий квартал для отдела маркетинга». Для этого используются нейросетевые модели, которые оценивают все возможные антецеденты (предшествующие упоминания) для каждого местоимения или существительной фразы и выбирают наиболее вероятный.

Плоские списки намерений не могут охватить всю сложность запросов. Пользователи часто имеют в виду несколько вещей одновременно или формулируют цели, которые являются частью более крупной задачи. Для этого требуются более сложные архитектуры намерений.

Здесь используются две основные концепции: перекрывающиеся и иерархические намерения. Модели, основанные на архитектуре, такой как DIET (Dual Intent and Entity Transformer), могут обрабатывать несколько намерений одновременно. Например, в запросе «Напомни мне позвонить клиенту, когда я вернусь в офис» присутствуют два намерения: create_reminder и track_location. Иерархические намерения позволяют структурировать задачи. Намерение верхнего уровня, такое как plan_business_trip, может включать в себя поднамерения: book_flight, book_hotel и rent_car.

Динамическое извлечение сущностей — еще один важный аспект. Вместо того чтобы полагаться на предопределенные списки, современные системы используют контекст для идентификации и разрешения сущностей «на лету». Если пользователь говорит: «Установи встречу с ним завтра», ассистент, используя историю диалога, должен разрешить «ним» в конкретное имя, например, «Иван Петров», и извлечь его как сущность contact.

Наконец, продвинутые ассистенты используют анализ тональности и эмоций для адаптации своих ответов. Если система обнаруживает в сообщении пользователя признаки разочарования («Почему этот отчет до сих пор не готов?!»), она может переключиться на более эмпатичный тон и, возможно, эскалировать проблему к человеку-оператору. Это создает более естественный и эффективный пользовательский опыт.

Эти методы позволяют бизнес-ассистентам перейти от простых исполнителей команд к настоящим интеллектуальным партнерам, способным понимать нюансы и эффективно работать в сложных диалоговых сценариях.