その「人間らしさ」、本当に必要ですか？ ～タスクにあわせた対話評価指標定義のススメ～ / LLM Meetup 20240807

Transcript

1. その「⼈間らしさ」、本当に必要ですか？ 〜タスクにあわせた対話評価指標定義のススメ〜 べいえりあ @ 株式会社IVRy
2. ⾃⼰紹介 名前：べいえりあ 肩書：Principal AI Engineer @ IVRy 専門：自然言語処理（10年くらいやってます） これまでの経歴： - 理論物理博士@ミシガン大学 - データサイエンス修士 @ニューヨーク大学 - Llama作ったチームでインターンやったり - Gemini作ってるチーム（の中の一チーム）でテックリードをやったり
3. IVRyって何やってるの？ LLMを⽤いた電話の⾃動応答システムなどを作ってます
4. 今回お話ししたいこと
5. UX的に良さげなAI ≠ ユーザーの役に⽴つAI （本番運⽤サービスを作るのはそんなに⽢くはない）
6. ⼈間らしいAI ≠ ユーザーの役に⽴つAI （本番運⽤サービスを作るのはそんなに⽢くはない）
7. 今回お話ししたいこと 今回のLTでは、 - 社内で作った⼈間らしい機能があまり使えなかった失敗談 - その機能が良いか悪いかを判別するためにどうすれば良いか？ についてお話しします。
8. ⼈間っぽいAIの機能：会話割り込み - GPT-4oのvoice modeでも実装される（された）機能 - ちなみに、⾒た⽬とは裏腹に割と簡単に実装できる ライブデモやります （…と思ったのですが、⽤意できなかったのでGPT-4oのデモ流します）
9. 会話割り込み機能の良かった点 - ⼈間のような対話が実現できる - デモ受けはとても良い - AIの発話に被せるように話すユーザーは結 構存在する - 全体的な会話時間が短くなる - 会話時間の短さはUX上重要
10. 会話割り込み機能の悪かった点 - 「呟き」で認識失敗する - 「AIすご！」みたいな呟きをする⼈は 実トラフィックでも結構いる - ノイズが乗った場合にリカバリが困難 - ノイズが永遠にカットインし続ける - 倍くらい⾳声認識API代がかかる 現状だと悪い点が勝ったため結局採⽤せず （ユースケースには依るはず）
11. 実装した機能の良し悪しをどう評価するか →それを測るための評価指標が必要
12. タスクに応じて評価指標を正しく選択する タスク指向型対話 雑談（Cotomoなどはこっち） 電話の⾃動応答はタスク指向型対話 → タスク完了率を⽤いる VS タスクの完了が⽬的 タスクによってドメインが絞られる 短いほど良い タスク完了率がゴールドスタンダード 特に⽬的は無い オープンドメイン ⻑いほど良い ユーザーの印象が重要
13. タスク完了率（Task Success Rate） 予約したい 8⽉8⽇の11時に3⼈で空きがありま す。名前を教えてください 明⽇の11時で3⼈です ⽥中です ありがとうございます。 予約が確定しました ⽇時を教えてください ⭕ 予約したい 8⽉8⽇の11時に3⼈で空きがありま す。名前を教えてください 明⽇の11時で3⼈です ⽥中です ありがとうございます。 予約が確定しました ⽇時を教えてください 予約したい すみません、認識できませんでした えーと何だっけ？ えー… ⽇時を教えてください ❌ 終話 ⭕な対話の割合がタスク完了率
14. タスク完了率以外の評価指標について タスク完了率以外にも⾒る指標はある（Deriu, et al. 2019 が詳しい） タスク完了率に上記を加味して、総合的にリリース判断を⾏うのが重要 電話転送に繋がるか？ 「会話の⻑さ」 サブシステム評価
15. まとめ
16. まとめ - AIと⾔えども「（中途半端な）⼈間らしさ」が正ではない - タスクに合わせて適した評価指標を使うべし - タスク指向型対話についてはタスク完了率が⼀番重要 - 実際にはタスク完了率以外にも様々な指標を組み合わせて⽤いる