 Selamat datang kembali. Sekarang kita mempunyai KataScience Training Firm di Singapura. Kami akan membuat perjalanan apa yang terjadi untuk menggunakan perjalanan perempuan. Terima kasih kerana menolakkan dan terima kasih kerana memberi saya peluang untuk bercakap tentang ini. Mungkin anda boleh mengajar volume sedikit dan dapatkan banyak feedback. Jadi mari kita mulakan. Saya akan bercakap tentang bagaimana untuk menggunakan perjalanan perempuan di Singapura. Dan di tempat pertama, apa yang salah tentang perjalanan perempuan di Singapura dan sebagainya. Jadi tentu-tentu apabila anda bercakap tentang perjalanan perempuan, perjalanan perempuan yang penting sebenarnya datang kepada saya. Dan ia selalu tentang perjalanan perempuan yang penting. Tetapi saya rasa pada saat ini, kita tidak berjumpa mengenai perjalanan perempuan. Dan saya tidak fikir ini adalah perjalanan perempuan pada saat ini. Dan itu yang saya katakan. Kerana jika anda melihat perjalanan perempuan ini, adakah mereka benar-benar intelligent? Dan apabila kita katakan intelligent, apa yang kita maksudkan dengan intelligent? Kerana apabila perjalanan perempuan sebenarnya rasa itu adalah intelligent, tidak betul-betul bermakna itu adalah intelligent. Saya rasa ada banyak cara yang perjalanan perempuan, perjalanan perjalanan perempuan di belakang, dapat sebenarnya membuatkan perjalanan perempuan, sehingga ia melihat intelligent tapi sebenarnya tidak. Jadi ada banyak cara bahawa perjalanan perempuan dapat benar-benar membuatnya kelihatan intelligent. Kerana salah satu perkara yang penting adalah perjalanan perempuan ini sebenarnya tidak benar-benar memperkenalkan perjalanan perempuan sebenarnya, jika anda melihatnya. Jadi, mari saya menggunakan sistem ini. Terlalu banyak perjalanan saya. Baiklah. Jadi bahkan jika kita rasa perjalanan perempuan itu adalah intelligent, setelah perjalanan ini mungkin adalah perjalanan perempuan. Jadi ini adalah apa yang kita buat pada saat ini. Bahkan jika perjalanan perempuan, jika anda tahu yang terkenal, mungkin jika anda bukan orang-orang, mungkin anda tidak tahu. Untuk orang-orang, anda mungkin tahu perjalanan perempuan dan perjalanan perjalanan perempuan. Ia mempunyai intelligent dan sangat kelihatan, sangat kelihatan dan sangat kelihatan. Tapi ianya benar-benar intelligent atau kelihatan perempuan? Ini adalah sesuatu yang kita perlu sebenarnya memperkenalkan. Jadi, perjalanan perempuan itu mungkin berasa dan nampak intelligent, tetapi setelah perjalanan itu tidak benar-benar perjalanan perempuan yang kita mencari. Yang lain adalah, bagaimana kita menghormati perjalanan? Sebab banyak orang di dunia perjalanan perempuan akan mengatakan perjalanan perempuan. Perjalanan perempuan adalah perjalanan yang terkenal apakah seorang perempuan boleh beritahu seorang perempuan yang berbicara ialah seorang perempuan atau seorang perempuan yang berkata-kata. Jika perempuan dapat membuat perempuan perempuan rasa perempuan sebenarnya seorang, perempuan memiliki perjalanan perempuan. Tetapi perempuan itu adalah perempuan yang kuat. Anda tidak dapat membuat perempuan perempuan menjadi perempuan yang kuat. Ia hanya, ialah seorang atau tidak seorang? Jadi, ia terlalu kuat. Jadi, itu adalah masalah lain tentang perjalanan perempuan. Kita tidak dapat menyebabkan keberadaan perempuan yang perempuan ada. Yang lain adalah apa yang memaksa perempuan itu? Maksudnya, ia dapat memberikan jawapan keberadaan perempuan. Ia adalah perempuan perempuan yang memiliki perempuan. Untuk informasi, perempuan itu dapat memasakkan keberadaan perempuan. Anda dapat memasakkan keberadaan perempuan sebelumnya. Tetapi, pada penggunaan perempuan, oh, wow, ini sangat murah dan itu sebabnya ia memiliki perempuan. Tapi itu tidak benar. Jadi, kenapa kita sangat berminat dalam ini? Kerana, perempuan perempuan itu hanya memiliki perempuan yang memiliki perempuan. Perempuan ini memiliki perempuan yang memiliki perempuan yang memiliki perempuan. Seperti yang dikatakan di sini, perempuan perempuan yang memiliki perempuan. Ini adalah sesuatu yang kita masih belum memiliki perempuan. Pertama, ini mengingat kepercayaan, tapi kita akan melihat apa yang dikatakan di sana. Pertama, mari saya tunjukkan keberadaan perempuan ini. Perempuan perempuan itu sebenarnya mempunyai kecuali kecuali atau beberapa cara. Pertama, perempuan ini adalah perempuan yang memiliki perempuan. Pertama, itu perempuan yang paling kecil. Perempuan itu sangat memiliki perempuan. Semuanya memiliki perempuan. Perempuan itu memiliki kecuali atau beberapa cara. Pertama, ada kecuali dan perempuan. Pertama, ada kecuali ini adalah kecuali. Dia adalah pohon samaid dan perempuan ini adalah pohon samaid yang mengikuti tepung. Pada pohon samaid, itu adalah pohon samaid atau mengikuti kecuali kecuali, tapi kita akan melihat In this talk. But let's talk about the rule-based boards first and what's the problem with rule-based boards, right? For those of you who have not written anything for chat boards or has not created a chat board in your life, this is what you do in a rule-based chat board. Obviously, this is a diagrammatic illustration of what a chat board looks like, a rule-based chat board looks like in behind scenes. So it's so small that you can't even see what's happening. For your information, this whole tree-like structure is actually the rules that are encoded in a rule-based chat board. So you can see just like a decision tree, right? So if the human user say something, it goes to this branch. If the human user say something else, it goes to another branch. And you do see that actually all the responses including what images are shown, what sentences are displayed to the user as a response and which branch it goes to are totally rule-based. And you do see the amount of effort required just to draw up this tree, right? Because without this tree, your rule-based chat board cannot exist. So what do you do before you create a rule-based chat board? You actually have to sit down and draw this entire tree from the beginning to the end up to the exact precise node. Every single node must be pre-planned before you even start coding. Otherwise, it will be a big mess, right? And it's even worse if you don't pre-plan this before you code, right? Can you imagine you code halfway and then all of a sudden there's a new branch and then this new branch can expand into a big monster. But actually in reality sometimes it happens because your client suddenly wants to include some features that takes the entire new branch and that's where everything gets a little bit messy. You do see, okay, because just now the diagram is so small, I will give you a screenshot of how it actually looks like zoomed in. So let's say this is a board that recommends some chases. So the human response actually gave a certain brand or a certain model for that product. So the board will say if there is a known brand, it will say it's perfect. These are the available models for that brand, blah, blah, blah. Option 1, 2, 3, 4, 5. And then there are 5 more options. All these are hard coded because this is under a rule-based chat board. And then the other thing is if the human response by saying that I actually have a brand, I'm interested in a brand but you do realize that actually this company actually doesn't carry it. It says that I don't have that model. Check out this one, blah, blah, blah, blah. So it's all hard coded before Heron. There is absolutely no intelligence whatsoever. Tiada apa-apa. Tiada apa-apa yang berlaku di luar. Ia sudah dikenal. Ia mengingatkan segala-galanya. Okey, jadi ini adalah masalah dengan perangkatan perangkatan perangkatan atau perangkatan perangkatan perangkatan. Okey. Pertama-tama, ialah perangkatan biasa. Ia hanya dapat menjawab perangkatan perangkatan. Pertama-tama perangkatan biasa adalah perangkatan perangkatan perangkatan perangkatan untuk meminta pertanyaan dalam perangkatan perangkatan dengan perangkatan perangkatan. Jika perangkatan berlaku atau tidak menggunakan perangkatan, atau menggabungkannya atau menggunakan synoniasis, perangkatan perangkatan perangkatan adalah benar dan hanya akan menerimu dan memberikan salah. Okey, atau sesuatu seperti, saya tidak faham, biarkan saya menghantar kepada perangkatan. Sesuatu seperti itu. Okey. Dan dalam kes itu, ia gagal. Dalam perangkatan perangkatan, ia tidak gagal. Ia hanya berkata, saya tidak faham. Dan itu saja. Okey, dan perkara lain seperti yang saya sudah beritahu, ia tidak dapat menghantar perangkatan dengan baik. Dan anda tidak memahami bahawa orang-orang ingin mencoba perangkatan. Mereka selalu melakukannya. Bagaimana anda? Kenapa mereka menggunakan perangkatan? Bagaimana anda? Anda membuat perempuan? Bagaimana anda dilakukannya? Bagaimana nama anda? Bagaimana perangkatan anda? Bagaimana perangkatan anda? Jadi, apabila perangkatan perangkatan yang berlaku menemui orang-orang seperti itu, yang sebenarnya sangat berkeluar. Ia hanya berlaku. Ia hanya berlaku. Ia tidak memahami apa yang berlaku. Kemudian perkara lain adalah, walaupun perangkatan manusia sebenarnya tanya pertanyaan yang benar-benar dalam cara yang benar-benar menggunakan perkara yang benar-benar. Perangkatan, perangkatan perangkatan perangkatan hanya dapat memberikan perangkatan yang sukar. Pada hari ini, ia sedikit lebih baik kerana dalam proses perangkatan yang sukar, mereka sebenarnya memberikan 5-10 perangkatan yang berlaku. Jika anda mencoba 10 kali atau 20 kali, anda mungkin mula melihat perangkatan yang berlaku. Jadi, ini adalah teknik lain untuk membuatnya nampak intelligent dengan menerima perangkatan yang lebih banyak daripada perkara yang benar-benar. Apabila ada satu kali, anda hanya berlaku memilih salah satu perangkatan yang berlaku, fikir bahawa manusia akan percaya bahawa ini menerima perangkatan yang berlaku. Tapi jika anda tanya pertanyaan yang sama dan lagi dan lagi, anda akan mula melihat jawatan yang berlaku. Itu juga menunjukkan bahawa perangkatan ini sebenarnya adalah perangkatan yang berlaku. Saya sudah beritahu tadi bahawa anda tahu perangkatan itu yang anda lihat tadi adalah perangkatan yang berlaku. Ia boleh menjadi lebih besar. Ia sebenarnya sangat berlaku. Mereka banyak masa manusia dan perangkatan perlu menerima dan menerima perangkatan yang berlaku dari perangkatan. Ia banyak. Dan perkara lain adalah apa jika, apa jika, apabila anda membutuhkan perangkatan yang berlaku ia perlu menerima perangkatan dan mengeriakan perangkatan lain. Kemudian perangkatan ini terlalu berlaku. Mereka ada banyak informasi yang berlaku di dalam perangkatan. Kerana ada banyak informasi berlaku di dalam perangkatan, jika anda perlu berlaku, ia sangat berlaku dan sebab ia sangat berlaku, podej anda, perangkatan yang berlaku mungkin akan menjadi terdapat dengan cepat dalam bot chat-bosan yang berbentuk. Okey, mari kita berjumpa. Sekarang kita sedang mencari bot chat-bosan yang lebih berlainan dalam mesin belajar. Lain-side bot, bot chat-bosan yang berbentuk. Okey, jadi apa itu? Okey, jadi bot chat-bosan yang berbentuk adalah bot semi-bentuk. Okey, ini sebenarnya keadaan di luar. Sudah tentu ada beberapa orang mencari bot-bosan yang berlainan. Tetapi banyak bot chat-bosan yang besar adalah bot retrieve. Jadi apa yang bermakna adalah, sebenarnya seperti bot chat-bosan yang berbentuk, ada respon yang pre-define. Jadi jika user berkata sesuatu seperti ini, dia akan berkata sesuatu seperti itu. Jika dia berkata sesuatu seperti itu, dia akan berkata sesuatu yang berbeda dengan respon yang berbeda. Jadi di sana, dia masih berkata sesuatu seperti itu, tetapi dia tidak terlalu fasil tentang bagaimana user tanya pertanyaan. Seperti jika user berkata sesuatu yang berlainan, berkata sesuatu yang berlainan, menggunakan synonyms, bot retrieve mungkin dapat berbentuk tetapi masih berkata sesuatu yang benar-benar. Jadi ada beberapa fuzziness yang boleh dipercayai dan ada beberapa leeway yang boleh dipercayai compared dengan bot chat-bosan yang berbentuk. Jadi ini bot retrieve kerana mempercayai respon yang benar-benar. Jadi ini semua berkata sesuatu yang berbeda dengan input dan konteks. Dan bagaimana ini telah dibuat sebegini, ada beberapa pelajar pelajar yang berlainan, yang dipercayai apabila input dipercayai. Jadi semua ini sebenarnya dipercayai juga. Jadi banyak aplikasi yang dapat dipercayai menggunakan aplikasi ini, WIT.AI, saya rasa dibuat oleh Facebook, Louis.AI, dibuat oleh Microsoft, Dialogflow, sebelumnya api.AI, dibuat oleh Google. Jadi semua yang mereka lakukan adalah menghasilkan semua responan manusia atau apa yang mereka panggil utteranses ke kelas ini, ke kelas itu, dan kemudian, anda akan melakukan responan yang berlainan. Biar saya tunjukkan lebih specific example. Jadi, mari kita katakan utteranses adalah apa yang manusia cakap. Okay, kelas kedua ini, apa yang berlainan apa-apa pun, apa yang berlainan berlainan, beritahu saya tentang pelajaran, apa yang berlainan berlainan, berlainan, berlainan, berlainan. Jadi, ini adalah utteranses manusia. Jadi di sini, percayai status utteranses, jadi anda boleh katakan dua cara. Boleh saya katakan 10,000 cara. Jadi apa yang anda lakukan adalah anda memanggil semua ini 10,000 cara untuk tanya tentang status utteranses dan kemudian, okey, ini 10,000 cara adalah sebenarnya semua bercakap tentang status utteranses. Dan kemudian, pelajaran masin yang berlainan belajar bahawa kelas ini 10,000 cara berlainan adalah status utteranses. Dan kemudian dalam itu, algoritma juga dapat mengambil antiti dan ini adalah nombor pesanan. Dan apabila anda dapat melalui utteranses menjadi kelas yang berlainan, jika ia berlainan dengan kelas yang berlainan, anda dapat melakukan kelas ini. Jika ia berlainan dengan kelas yang berlainan, anda dapat melakukan kelas kedua ini. Jadi sebenarnya, ia bukan yang berlainan, tetapi lebih baik daripada bahagian. Kerana anda tidak perlu menyiapkan semua pertanyaan. Ada beberapa cara secara membuat pengalaman perbaiki berdasarkan kelas manusia. Jadi, kelas yang berlainan adalah lebih baik daripada kelas yang berlainan. Tetapi masih banyak kelas yang berlainan kerana anda perlu juga menyiapkan kelas itu. So, Retrieval Base, ini adalah perjalanan bagaimana Retrieval Base chatbots berhasil. Jadi, ini adalah layanan keperluan. Ini adalah betul-betul apa yang manusia nampak apabila mereka berjumpa chatbot. Untuk Facebook Messenger, Slack, alongside Echo, Cortana, Home Assistant, Google Home Assistant, dan sebagainya. Jadi, ini adalah keadaan depan. Kemudian, ada keadaan depan yang berlainan kepada parti yang berlainan dengan kawasan kawasan kawasan. Dan ini, layanan keperluan ini biasanya mengambil bahan natural yang menghargai bersama dengan bahan natural yang mengawasih. Jadi, apabila ia dapat menggabungkan keadaan, ia akan mempunyai kategori mana atau mana yang penting ia mengalami. Jika penting ia membuat sesuatu yang pasti, ia akan menghasilkan atau mengambil sesuatu yang pasti. Jika ia seharusnya menjawab dengan cara yang pasti, ia akan menghormati persatu yang merupakan energi eliminated yang adalah generasi bahan natural yang bermaksud ia mempunyai bahan manusia. Bahan manusia di cerita yang dikatakan, di mana ia mem imply keadaan. Selepas itu, langsung memelakkan bahan manusia dan memlepaskannya ke peperangan. Di dasar belakang , memiliki keadaan semacam data. Keadaan sebut data ini semalunya sebuah bahan atau sebuah pula. yang anda dapat periksa untuk mencari perkaraan, perkaraan penghidupan, perkaraan perkembangan dan sebagainya. Jadi ini adalah tempatnya menggunakan peralatan peralatan yang menggunakan Retrieval. Ini adalah cara kemahiran untuk peralatan peralatan peralatan peralatan. Sekarang, peralatan peralatan peralatan ini bukan hanya menggunakan pelajar masin. Ada actually a very interesting board called LSA Board, and this was published quite some time ago. But what it does is basically it uses a latent semantic analysis, LSA. Latent semantic analysis is basically this. It's trying to capture the meaning and the concepts embedded in the words rather than for the keywords. So it's actually much better if you can understand the semantics of the human sentence rather than the exact keywords. If you are able to capture the semantics, you don't really care about what words the human use. So what it is is that it will convert the human user's input into a vector, and behind the scenes it has a knowledge base of vectors pre-computed. So you have a knowledge base of vectors and you have a human input vector. So what you do is basically take your human response vector, compare it with your knowledge base of vectors, and then find the angle between these two vectors. And from there, we can calculate the cosine similarity between these two vectors. Okay, once you get the cosine similarity score, that is basically the score of the approximation of this sentence to your known knowledge base. For example, if the human says, how are you? So basically if your knowledge base has something similar, these two vectors will have a very high similarity score and based on that it's going to match to how are you equivalent in your knowledge base. In your knowledge base, you already coded the logic will be something like if you say how are you, the board will say I'm fine. So it's basically another way of doing matching rather than just multi-class classification as I mentioned before. So latent sematic analysis is another way apart from multi-class classification. So this goes beyond keyword matching. If you're interested, you can visit the Github. They have implementation there. And this is the published paper. So this is how I was describing it. So a large corpus, you convert the large corpus into a co-occurrence matrix. You transform it to get frequency counts. You decompose it into k dimensions. You take the cosine similarity and then you get a similarity score. So it seems that actually retriever base boards are actually quite good. It has the best of both worlds. It's not totally dumb. And you still can have some control over it and it doesn't really look for keywords. Actually it's not without its problems. So you can see that you need to hard-code predetermined intents and entities. If you remember just now you have to key in all the different ways of saying one intents. So this is one problem. The other one is it's not able to handle unknown intents. So things that is not inside the intents it's not able to handle. And then it's dependent on the training dataset. It's extremely laborious. And for some services like those.ai, they actually set a number of intents that you can put in. So it's not unlimited. So once you reach, let's say 10,000, you're gone. So generative boards. Generative boards are different. They actually generate the responses on the fly. It is not hard-coded. And this is actually I think the future but this is a difficult problem. And usually it's using a RNN-based method and deep learning. So usually we will use this architecture many to many. So in summary this is how it works. What the board, the human ask what is intelligence. There's some neural network magic and then out comes the answer. Obviously it's a lot more complicated than that. But you do realize that this is supposedly generated. It's not hard-coded, it's generated on the fly. And there are actually two main ways. Sick to sick and GANs. Sick to sick is like this. You put the human user input encode it you put a transfer it to a state and then you decode it and then it will put an output. Now are you free tomorrow is the input, this is the encoding part and after converting it to a talk vector the hidden layer is actually passed to the decoder and from the start it will predict as yes as the first word and this yes is put to the next one to the next node and the next word is predicted as what and so on and so forth. So yes, what's up is generated on the fly. This is usually via LSTMs and RNNs. Now the latest one just this paper was just published November last year is actually using generative adversarial networks was just invented by Yang Goodfellow in 2014 so 3 years after invention someone used it for boards. So what it does is basically there is a generator that tries to generate responses and then just discriminator that tries to decide whether this is generated by a human or this is generated by the generator. So they will fight the generator and the discriminator will fight against each other to increasingly like a tug of war to improve each other so they will get better and better between the both of them so you start to see that this kind of architecture is also trying to come into the chatboard space. So I think machine learning people will know Andrew Ng just going to quote this last sentence here it says that actually deep learning is not a cure or one example of something deep learning full conversation and what is the problem with generative boards it's basically this it's dependent on corpus it needs to be very large corpus and it's very prone to errors it's a closed domain because it depends on what corpus you put in say training about logistics it only knows about logistics and it's very difficult to do an open domain case so a summary so my title is going beyond root-based chatbots so I suggested to you apart from root-based chatbots there's retrieval-based models generative models and at the moment the large majority of production systems are actually retrieval-based models or a hybrid of root-based and retrieval-based models 2 in 1 but the future will obviously be but we are not quite there yet so if you really really need to get a chatbot out today or your boss ask you to do one my recommendation is you will use a retrieval-based model so that's all I have thank you so the clever board that you do want to try is actually Mizuku if I can get out of this yes so Mizuku is actually a nice a intelligent board yes, Mizuku.com okay so no, I'm not trying to use flash so the thing is this board it's not engineered to be a closed domain board, it's actually engineered to be an open domain small chat cheat chat board it cheat chats with you you can check anything no, it's a different technology ya, so you can chat with her or eat for a very very long time I think at least half an hour you will not be bored you sell them see repeat and it's very good for cheat chat so at the moment, I think this is it has won several aturian test contests 3 times in a row so you can imagine how good it is to be able to win 3 times in a row so if there's any other question I will handle it offline the technology behind it is actually a mix of several technologies so it's able to query some back end databases it's also I think it's not totally generative it's definitely not generative looking at the technology there's some XML technology involved so basically what they did was they answered and questions and then they just hard coded a lot a lot of it but you do not really feel that it is hard coded because there's such a huge corpus behind it you can try it you can try chatting with it ya ya, okay thank you