Kā es izveidoju savu mākslīgā intelekta tērzēšanas robotu: izstrādātāja ceļojums

Tas sākās ar vienkāršu problēmu – es slīku klientu jautājumos. Kā vienīgais savas augošās tehnoloģiju konsultāciju vietnes izstrādātājs, es katru dienu pavadīju stundas, atbildot uz vieniem un tiem pašiem jautājumiem atkal un atkal. Mana produktivitāte kritās, un es zināju, ka kaut kam ir jāatkāpjas. Lēnprātības brīdis pienāca otrdien pulksten 2 naktī, ar miegainām acīm atbildot uz kārtējo e-pastu "Kā atiestatīt paroli?". Kāpēc es nevarēju izveidot kaut ko tādu, kas apstrādātu šīs atkārtotās mijiedarbības?

Es ar interesi sekoju līdzi mākslīgā intelekta un lielo valodu modeļu eksplozijai, bet galvenokārt kā vērotājs. Protams, es biju spēlējies ar ChatGPT un Claude tāpat kā visi pārējie, bet sava mākslīgā intelekta asistenta izveide šķita kaut kas paredzēts komandām ar dziļām kabatām un dziļāku pieredzi. Tomēr es nevarēju atbrīvoties no domas, ka pielāgots tērzēšanas robots – tāds, kas pārzina manu biznesu no galvas līdz kājām – varētu būt risinājums, kas man tik ļoti bija nepieciešams.
Tas, kas sākās kā nedēļas nogales projekts, lai ietaupītu laiku, pārtapa sešu mēnešu apsēstībā, kas fundamentāli mainīja manu pieeju programmatūras izstrādei, lietotāja pieredzei un pašai cilvēka un datora mijiedarbības būtībai. Šis ir stāsts par to, kā es izveidoju savu tērzēšanas robotu, ko es iemācījos procesa gaitā un kāpēc arī jūs varētu vēlēties izveidot savu.

Pirmais lielais šķērslis bija lēmumu pieņemšana par manu tehnoloģiju steku. Mani uzreiz pārņēma iespēju lavīna – vai man vajadzētu balstīties uz esošajiem API, piemēram, OpenAI GPT vai Anthropic Claude? Vai man vajadzētu pilnveidot atvērtā pirmkoda modeli? Vai arī man vajadzētu tiekties uz mazāku mērķi, izveidojot uz noteikumiem balstītu sistēmu, kurai vispār nav nepieciešams vismodernākais mākslīgais intelekts?

Pēc vairāku nedēļu ilgas izpētes un vairākiem koncepcijas pierādījuma testiem es izvēlējos hibrīda pieeju. Es izmantotu precīzi pielāgotu atvērtā pirmkoda valodas modeli kā smadzenes, kas savienota ar izguves paplašinātas ģenerēšanas (RAG) sistēmu, lai nodrošinātu tai piekļuvi manas tīmekļa vietnes dokumentācijai un bieži uzdoto jautājumu saturam. Tas ļautu tērzēšanas robotam iegūt vispārēju intelektu, vienlaikus saglabājot specifiskas zināšanas par manu biznesu.
Pašam modelim es izvēlējos Mistral 7B parametru modeli – pietiekami mazu, lai darbotos uz mana pieticīgā servera iestatījuma, bet pietiekami jaudīgu, lai apstrādātu dabisko valodu ar iespaidīgu plūdumu. RAG komponents izmantotu vektoru datubāzi (Pinecone), lai saglabātu manas dokumentācijas iegultos elementus, ļaujot tērzēšanas robotam ievilkt atbilstošu informāciju, atbildot uz jautājumiem. Priekšējā daļa tika veidota, izmantojot React, un Node.js aizmugursistēma apstrādāja API izsaukumus un apstrādi. Es izvēlējos WebSockets, lai uzturētu saziņu ar lietotājiem, nodrošinot dabiskāku saziņu bez lapu atkārtotas ielādes.
Šis risinājums man sniedza nepieciešamo elastību, vienlaikus saglabājot pārvaldāmas izmaksas. Atvērtā pirmkoda pamats nozīmēja, ka man nebija jāievēro API cenas, kas varētu strauji pieaugt, ja mana vietne pēkšņi kļūtu populāra, savukārt vektoru datubāzes pieeja nodrošināja, ka manam tērzēšanas robotam vienmēr būs piekļuve jaunākajai informācijai par maniem pakalpojumiem.

Tas, kas atšķir vispārīgu tērzēšanas robotu no patiesi noderīga asistenta, ir dati – konkrēti, jūsu dati. Es ātri sapratu, ka mans tērzēšanas robots būs tik labs, cik laba būs informācija, ko es tam ievadīšu. Tas nozīmēja neko vairāk nekā tikai savas vietnes satura apkopošanu; man bija jāaptver mana komunikācijas ar klientiem būtība.

Es sāku, rūpīgi izpētot simtiem e-pasta vēstuļu, atbalsta pieprasījumu un tiešsaistes tērzēšanas žurnālu. Es anonimizēju šos datus, iegūstot cilvēku uzdoto jautājumu modeļus un – pats galvenais – to, kā es uz tiem atbildēju. Tas man deva apmācības piemērus, kas atspoguļoja manu faktisko toni, tehniskās detalizācijas līmeni un problēmu risināšanas pieeju.
Lai iegūtu strukturētas zināšanas, es izveidoju visaptverošu bieži uzdoto jautājumu dokumentu, kas aptver visu, sākot no cenu jautājumiem līdz tehniskajām specifikācijām. Es arī dokumentēju izplatītākās problēmu novēršanas darbplūsmas, apkopojot lēmumu kokus, kuriem es neapzināti sekoju, palīdzot klientiem diagnosticēt problēmas.

Pats apmācības process bija iteratīvs un pazemīgs. Mans pirmais mēģinājums radīja tērzēšanas robotu, kas zināja faktus par manu uzņēmumu, bet reaģēja kā korporatīvā rokasgrāmata. Tam trūka siltuma un reizēm arī humora, kas raksturoja manu mijiedarbību. Atgriežoties pie rasēšanas dēļa, šoreiz koncentrējoties uz piemēru iekļaušanu, kas demonstrēja personību līdzās informācijai.
Viens negaidīts izaicinājums bija iemācīt tērzēšanas robotam, kad teikt "Es nezinu" – būtiska prasme jebkurai mākslīgā intelekta sistēmai. Man tas bija īpaši jāapmāca atpazīt savu zināšanu robežas un nepieciešamības gadījumā nodrošināt skaidrus ceļus uz cilvēka atbalstu. Tas prasīja radīt negatīvus piemērus un robežgadījumus, kuros pareizā atbilde bija eskalēt, nevis improvizēt atbildi.
Pēc trim apmācības iterācijām man beidzot bija modelis, kas varēja izturēt to, ko es nosaucu par "pusnakts testu" – vai tas varēja tikt galā ar tāda veida jautājumiem, uz kuriem es biju nomodā vēlu, lai atbildētu? Kad tas veiksmīgi izvadīja lietotāju cauri mūsu API autentifikācijas procesam ar tādu pašu skaidrību, kādu es izmantotu, es zināju, ka mēs kaut ko sasniedzam.

Atšķirība starp izsmalcinātu bieži uzdoto jautājumu meklēšanu un īstu sarunu palīgu ir konteksta izpratne – spēja atcerēties iepriekš teikto un balstīties uz to. Tas izrādījās viens no tehniski sarežģītākajiem visa projekta aspektiem.

Manā pirmajā ieviešanā tika izmantots vienkāršs konteksta logs, kas katram jaunam vaicājumam pievienoja tikai dažas pēdējās apmaiņas. Tas darbojās pamata papildu jautājumiem, bet sarežģītos scenārijos ātri sabojājās. Ja lietotājs jautāja par A funkciju, tad par B funkciju un pēc tam atkal uzdeva papildu jautājumu par A funkciju, tērzēšanas robots apjuka.

Galu galā es ieviesu sarežģītāku konteksta pārvaldības sistēmu, kas izmantoja vairāku metožu kombināciju:

Bīdāms konteksta logs, kas prioritizēja nesenās apmaiņas, bet arī saglabāja svarīgu agrāku informāciju
Entītiju izsekošana, lai noteiktu, kad lietotāji atsaucās uz iepriekš minētajiem produktiem vai funkcijām
Sesijas stāvokļa pārvaldība, lai sekotu līdzi lietotāju atrašanās vietai vairāku soļu procesos, piemēram, konta iestatīšanā

Izrāviens notika, kad pievienoju atbilstības vērtēšanu, lai noteiktu, kuras sarunas vēstures daļas ir vissvarīgākās pašreizējam vaicājumam. Tā vietā, lai akli iekļautu pēdējās N sarunas, sistēma tagad novērtēja, kuras iepriekšējās sarunas daļas bija semantiski visvairāk saistītas ar jauno jautājumu.

Tas būtiski ietekmēja lietotāju apmierinātību. Tērzēšanas robots tagad varēja apstrādāt dabiskas sarunu plūsmas, piemēram: "Cik maksā pamata plāns?" → "Kādas funkcijas tas ietver?" → "Un premium plāns?" → "Vai tam ir iepriekš minētā failu koplietošanas funkcija?", neatsakoties no konteksta vai neapjukstot.
Bija ārkārtīgi patīkami vērot, kā lietotāji mijiedarbojas ar sistēmu bez vilšanās – viņi nepielāgojās tērzēšanas robota ierobežojumiem; tērzēšanas robots pielāgojās viņu dabiskajam sarunas stilam.

Neatkarīgi no tā, cik labi jūs apmācāt savu modeli, radīsies robežgadījumi – bieži vien tādos veidos, kādus jūs nekad nebūtu paredzējuši. Neilgi pēc tērzēšanas robota palaišanas manā vietnē es sāku redzēt dažus aizraujošus un reizēm smieklīgus kļūmes režīmus, kas mani lika atgriezties pie rasēšanas dēļa.
Viens apmeklētājs 15 minūtes centās pārliecināt manu tērzēšanas robotu uzrakstīt dzejoli par kiberdrošību (kaut ko ārpus tā paredzētā mērķa). Cits mēģināja to izmantot kā vispārēju programmēšanas palīgu, ielīmējot koda fragmentus un lūdzot atkļūdošanas palīdzību tehnoloģijām, kas pilnībā nav saistītas ar manu biznesu. Visvairāk satraucošas bija neregulārās "halucinācijas" – gadījumi, kad tērzēšanas robots pārliecinoši sniedza nepareizu informāciju, nepareizi interpretējot dokumentāciju vai pārāk vispārinot no apmācības piemēriem.
Es risināju šīs problēmas, izmantojot daudzslāņu pieeju:
Pirmkārt, es ieviesu skaidrākas darbības jomas robežas sistēmas uzvednē, skaidri norādot modelim par tā mērķi un ierobežojumiem. Tas samazināja to lietotāju mēģinājumus to izmantot neparedzētiem mērķiem.
Otrkārt, es pievienoju ticamības vērtēšanas mehānismu. Kad modeļa izvadē bija redzamas nenoteiktības pazīmes (valodas marķieru vai zemas prognozēšanas ticamības dēļ), tas atzina šo nenoteiktību lietotājam, nevis pasniedza minējumus kā faktus. Treškārt, es izveidoju eskalācijas ceļu ar skaidriem aktivizēšanas mehānismiem. Noteiktas tēmas vai lietotāja neapmierinātības konstatēšana mudinātu tērzēšanas robotu piedāvāt lietotāja tiešu savienošanu ar mani, radot vienmērīgu informācijas nodošanas procesu.
Visbeidzot, es izveidoju atgriezeniskās saites cilpu, kurā lietotāji varēja atzīmēt problemātiskas atbildes, kas automātiski tika pievienotas pārskatīšanas rindai. Tas man deva sistemātisku veidu, kā identificēt un novērst problēmas, nevis spēlēt "kurmju dauzīšanas" spēli ar robežgadījumiem.
Iespējams, visvērtīgākā mācība tika gūta, analizējot šos robežgadījumus: ideāls tērzēšanas robots nebija tāds, kas nekad nepieļāva kļūdas, bet gan tāds, kas eleganti tika galā ar saviem ierobežojumiem un zināja, kad iesaistīt cilvēku. Šī perspektīvas maiņa mainīja to, kā es novērtēju panākumus, un vadīja manus turpmākos uzlabojumus.

Tehniski izcils tērzēšanas robots ar neveiklu saskarni ir kā Ferrari ar kvadrātveida riteņiem – visa šī jauda tiek izniekota, ja lietotāji nevar ērti ar to mijiedarboties. Šo mācību es apguvu smagi pēc tam, kad mani sākotnējie beta testētāji sūdzējās par visu, sākot no lēna reakcijas laika līdz mulsinošām sarunu plūsmām.

Pirmā saskarne, ko izveidoju, bija tehniski funkcionāla, taču šķita sterila un mehāniska. Lietotāju testēšana atklāja, ka cilvēki vilcinājās ar to mijiedarboties – tā vienkārši nešķita aicinoša. Es atgriezos pie rasēšanas dēļa, paturot prātā šādus principus:

Personība ir svarīga: es pievienoju smalkus dizaina elementus, kas atspoguļoja tērzēšanas robota personību – draudzīgu avatāru, rakstīšanas indikatorus, kas atdarināja cilvēka ritmus, un neregulāras animācijas, kas piešķīra tam dzīvīguma sajūtu, neieejot neparastā ielejā.

Skaidri nosakiet cerības: es izveidoju ievada ziņojumu, kas skaidri paskaidroja, ar ko tērzēšanas robots varētu palīdzēt un kādi ir tā ierobežojumi, jau no paša sākuma nosakot atbilstošas lietotāju cerības.

Pakāpeniska informācijas atklāšana: tā vietā, lai uzreiz pārslogotu lietotājus ar visām iespējām, es ieviesu sistēmu, kurā tērzēšanas robots ieteiktu atbilstošas turpmākās darbības, pamatojoties uz sarunas kontekstu.
Mobilajām ierīcēm paredzēts dizains: Pēc tam, kad redzēju, ka vairāk nekā 60% manu lietotāju vietnei piekļūst mobilajās ierīcēs, es pilnībā pārveidoju tērzēšanas saskarni, lai tā nevainojami darbotos mazākos ekrānos – lielāki skārienelementi, pilnekrāna tērzēšanas režīms un balss ievades iespējas.
Vizuālā atgriezeniskā saite: Es pievienoju smalkus statusa indikatorus, lai lietotāji vienmēr zinātu, kas notiek – vai tērzēšanas robots "domā", vai ir radušās savienojuma problēmas vai sarunā ir iesaistīts cilvēks.
Viens konkrēts lietotāja interfeisa elements radīja pārsteidzošu atšķirību: "precizējuma" poga, kurai lietotāji varēja pieskarties, ja viņiem šķita, ka tērzēšanas robots viņus pārprot. Šī vienkāršā funkcija ievērojami uzlaboja lietotāju apmierinātību, jo tā deva viņiem acīmredzamu ceļu uz priekšu, ja saziņa pārtrūka, nevis piespieda viņus pārformulēt savu jautājumu no nulles.
Rādītāji pirms un pēc bija pārsteidzoši – vidējais sarunas ilgums palielinājās par 340%, un lietotāju skaits, kuri atgriezās, lai vairākas reizes izmantotu tērzēšanas robotu, dubultojās. Mācība bija skaidra: tehniskajām iespējām nav lielas nozīmes, ja cilvēka saskarne rada berzi.

Tērzēšanas robots nepastāv izolēti – lai tas būtu patiesi vērtīgs, tam ir jāintegrējas ar jūsu esošo digitālo ekosistēmu. Manā gadījumā tas nozīmēja tā savienošanu ar manu klientu datubāzi, dokumentācijas sistēmu un atbalsta biļešu platformu.
Sākotnējā integrācija bija vienkārša – tērzēšanas robots varēja meklēt dokumentācijā un tam bija tikai lasīšanas piekļuve bieži uzdotajiem jautājumiem. Taču lietotāji ātri vien vēlējās vairāk: "Vai varat pārbaudīt mana pasūtījuma statusu?" "Vai varat atjaunināt manu e-pasta adresi?" "Vai varat man izveidot atbalsta biļeti?" Šie pieprasījumi bija pilnīgi saprotami no lietotāja viedokļa, taču tiem bija nepieciešama dziļāka sistēmas integrācija.
Es izmantoju mikropakalpojumu pieeju, izveidojot īpašus API galapunktus, uz kuriem tērzēšanas robots varētu izsaukt atbilstošu autentifikāciju. Katrai integrācijai bija savi drošības apsvērumi. Tikai lasīšanas darbībām, piemēram, pasūtījuma statusa pārbaudei, es ieviesu verifikācijas plūsmu, kurā lietotājiem būtu jānorāda pasūtījumu numuri un saistītie e-pasti. Rakstīšanas darbībām, piemēram, konta informācijas atjaunināšanai, es izveidoju stabilāku autentifikācijas soli.
Viena īpaši noderīga integrācija bija ar manu biļešu pārdošanas sistēmu. Kad tērzēšanas robots konstatēja, ka nevar pienācīgi atrisināt problēmu, tas piedāvāja izveidot atbalsta pieprasījumu, kas iepriekš bija aizpildīts ar sarunas vēsturi (ar lietotāja atļauju). Tas nozīmēja, ka, kad es beidzot atbildēju uz pieprasījumu, man bija pilns konteksts, un lietotājam nebija jāatkārtojas.

Integrācijas pārveidoja tērzēšanas robotu no atsevišķas jautājumu un atbilžu sistēmas par īstu biznesa asistentu. Vidējais bieži sastopamu problēmu risināšanas laiks samazinājās no 8 stundām (gaidot, kamēr es atbildēšu uz e-pastiem) līdz mazāk nekā 3 minūtēm. Varbūt vēl svarīgāk ir tas, ka lietotāji ziņoja par lielāku apmierinātību pat tad, ja tērzēšanas robots nevarēja pilnībā atrisināt viņu problēmu, vienkārši tāpēc, ka tas varēja nodrošināt tūlītējus statusa atjauninājumus un radīt atbildību, izmantojot biļešu pārdošanas sistēmu.
Mācība: tērzēšanas robota vērtība daudzkārt palielinās, ja tas var pieslēgties jūsu esošajām sistēmām un faktiski veikt noderīgas darbības lietotāju vārdā, nevis tikai runāt par viņiem.

Kā zināt, vai jūsu tērzēšanas robots patiešām ir veiksmīgs? Šis jautājums izrādījās sarežģītāks, nekā sākotnēji domāju. Neapstrādāti lietošanas skaitļi neatklāja visu stāstu – tērzēšanas robots, kas tiek bieži izmantots, patiesībā var liecināt par sliktu vietnes navigāciju, nevis par noderīgu palīgu.

Es ieviesu daudzpusīgu analītikas pieeju:

Sarunu metrika: Es izsekoju pabeigšanas rādītājus (vai lietotāji saņēma atbildes uz saviem jautājumiem?), sarunas ilgumu, pamešanas punktus un tēmu sadalījumu, lai saprastu, kam cilvēki faktiski izmanto tērzēšanas robotu.

Biznesa ietekmes metrika: Es izmērīju samazinātu e-pasta apjomu bieži uzdotajiem jautājumiem, atbalsta pieprasījumu novirzīšanas rādītāju (problēmas atrisinātas, neveidojot pieprasījumus) un laiku līdz klientu vaicājumu risināšanai.

Lietotāju apmierinātība: Pēc katras sarunas lietotāji varēja novērtēt savu pieredzi, un es analizēju šos vērtējumus, salīdzinot tos ar sarunu transkriptiem, lai noteiktu pozitīvas un negatīvas pieredzes modeļus.

Ietekme uz ieņēmumiem: Es izsekoju konversijas rādītājus lietotājiem, kuri mijiedarbojās ar tērzēšanas robotu, salīdzinot ar tiem, kuri to nedarīja, īpaši sarunās, kurās tērzēšanas robots ieteica konkrētus pakalpojumus.

Dati atklāja pārsteidzošus ieskatus. Piemēram, tērzēšanas robots bija visvērtīgākais nevis vienkāršāko jautājumu (kurus varēja risināt ar labāku dokumentāciju) vai sarežģītāko jautājumu (kuriem galu galā bija nepieciešama cilvēka iejaukšanās) gadījumā, bet gan starpposma problēmu gadījumā, kurām bija nepieciešama zināma savstarpēja precizēšana, bet kuras sekoja iedibinātiem modeļiem.

Es arī atklāju, ka lietotāji, kuri mijiedarbojās ar tērzēšanas robotu, par 37% biežāk reģistrējās premium pakalpojumiem, ne vienmēr tāpēc, ka tērzēšanas robots bija lielisks pārdevējs, bet gan tāpēc, ka tas samazināja berzi klienta ceļojuma informācijas vākšanas fāzē.
Šie rādītāji vadīja manu uzlabošanas plānu. Es prioritāri uzlaboju jomas, kurās tērzēšanas robots jau bija vērtīgs, nevis centos likt tam darīt visu. Ik pēc divām nedēļām es pārskatīju sarunu žurnālus, kuros lietotāji pauda neapmierinātību, identificēju modeļus un ieviesu mērķtiecīgus uzlabojumus – neatkarīgi no tā, vai tas nozīmēja papildu apmācības datus, lietotāja pieredzes uzlabojumus vai jaunas sistēmu integrācijas.
Šī uz datiem balstītā pieeja pārveidoja tērzēšanas robotu no forša tehnoloģiju projekta par īstu biznesa aktīvu ar izmērāmu ieguldījumu atdevi.

Mana mākslīgā intelekta tērzēšanas robota izveide ir bijis nepārtrauktu atklājumu ceļojums. Atskatoties atpakaļ, šeit ir galvenās mācības, kas varētu palīdzēt citiem līdzīgā ceļā:
Sāciet šauri, pēc tam paplašiniet: Mana veiksmīgākā pieeja bija koncentrēt tērzēšanas robotu uz dažu lietu izcilu veikšanu, pirms paplašināt tā iespējas. Sākotnējā versija apstrādāja tikai pamata produkta jautājumus, bet to darīja ar augstu precizitāti.
Cilvēka un mākslīgā intelekta pārslēgšana ir kritiski svarīga: Jau no paša sākuma izstrādājiet dizainu, lai tas būtu eleganti eskalēts. Brīži, kad jūsu tērzēšanas robots atpazīst savus ierobežojumus un vienmērīgi pāriet uz cilvēka atbalstu, ir tikpat svarīgi kā jautājumi, uz kuriem tas var tieši atbildēt.
Investējiet labā sarunu dizainā: Jūsu uzdevumu, apmācības datu un sarunu plūsmu kvalitāte ir svarīgāka par neapstrādāta modeļa iespējām. Labi izstrādāta sistēma, kas izmanto mazāku modeli, bieži vien pārspēj jaudīgu modeli ar sliktu vadību.
Lietotāji piedod ierobežojumus, bet ne apjukumu: Lietotāji saprata, kad tērzēšanas robots nevarēja kaut ko izdarīt, bet kļuva neapmierināti, kad tas šķita apmulsis vai pretrunīgs pats sev. Skaidrība par iespējām izrādījās svarīgāka par funkciju plašumu.
Drošības un privātuma apsvērumi attīstās: Tā kā tērzēšanas robots kļuva arvien integrētāks ar biznesa sistēmām, drošības apsvērumi kļuva arvien svarīgāki. Man bija jāievieš atbilstoša autentifikācija, datu minimizēšanas prakse un skaidri lietotāju piekrišanas mehānismi.
Runājot par nākotni, es pētu vairākus aizraujošus virzienus:
Multimodālas iespējas: pievienot iespēju lietotājiem augšupielādēt ekrānuzņēmumus vai fotoattēlus ar kļūdu ziņojumiem, tērzēšanas robotam sniedzot vizuālus norādījumus.
Proaktīva palīdzība: pāriet no reaktīvas jautājumu un atbilžu sadaļas, lai identificētu brīžus, kad tērzēšanas robots var proaktīvi piedāvāt palīdzību, pamatojoties uz lietotāja uzvedību.
Personalizācija: sarunu vēstures un konta datu izmantošana, lai pielāgotu atbildes atgriezušajiem lietotājiem, atceroties viņu preferences un iepriekšējās problēmas.
Balss saskarne: daudzi lietotāji ir izteikuši interesi runāt ar palīgu, nevis rakstīt, īpaši mobilajās ierīcēs.
Šī tērzēšanas robota izveide ir pārveidojusi ne tikai manu biznesa darbību, bet arī manu izpratni par cilvēka un datora mijiedarbību. Tehnoloģija turpinās strauji attīstīties, taču pamatprincipi paliek nemainīgi: lietotāju vajadzību izpratne, pārdomātu sarunu veidošana un sistēmu izveide, kas zina gan savas iespējas, gan ierobežojumus.
Ja apsverat sava tērzēšanas robota izveidi, es jūs aicinu spert soli. Sāciet ar mazumiņu, koncentrējieties uz patiesām lietotāju vajadzībām un atcerieties, ka mērķis nav nokārtot Tjūringa testu — tas ir atrisināt reālas problēmas reāliem cilvēkiem. Visveiksmīgākie mākslīgā intelekta asistenti nav tie, kas perfekti atdarina cilvēkus, bet gan tie, kas jēgpilni papildina cilvēka spējas.