图灵汇官网

DataFocus为何不采用纯粹的自然语言问答形式？

这是一个很好的问题。不少使用过DataFocus的用户在进行数据分析时，发现输入框的操作更接近于搜索引擎的关键词模式。一些初次使用的用户可能会尝试用类似对话的方式提问，例如：“请告诉我去年小张的销售业绩情况”或者“这个沈阳分公司总共有多少人——我说的是搞销售的人有几个？”这样的提问常常会让DataFocus难以理解。因此，有些用户质疑DataFocus是否真的支持自然语言，甚至认为存在虚假宣传。

别急，让我们回到问题的本质。人工智能和自然语言处理技术的发展历程为我们提供了答案。如今，Siri、小冰和小娜等虚拟助手已经普及，很多人在微信上与小冰有过交流。小冰的表现有时非常出色，能给人带来乐趣，但长时间互动后，人们可能会感到乏味。从闲聊角度来看，尽管她的回答看似自然，却总让人觉得有些不对劲，有时显得过于聪明而不像是真正的对话。

为什么会这样呢？这需要从这类人工智能产品的实现原理入手。许多聊天机器人是通过大规模的对话数据集进行训练的，这包括对大量真实对话的分类和标记，识别不同场景和人物特征，如年龄、性别和性格等。当用户首次与机器人交流时，它会通过几个问题将用户归类，比如无知少女或世故大叔，然后根据这些分类从数据库中找到相应的回答。然而，这类机器人的功能主要局限于闲聊，实际应用价值有限。

DataFocus并不是一款闲聊机器人，它的目标是帮助用户解决具体的数据问题。用户期望获得准确的答案，因此高效且精准的交互才是DataFocus的核心追求。著名的图灵测试表明，如果一个人无法区分交流对象是机器还是真人，那么该人工智能就达到了人类水平。然而，由于自然语言处理的复杂性，大多数工程师尚未实现这一目标。语言的灵活性和多样性使得机器难以完全理解人类的意图。

我们无法像小冰那样收集海量的数据问题语料库，因为这类问题与具体场景紧密相关，需要更多的上下文信息。因此，要训练出像小冰那样的效果几乎是不可能的。

让我们聚焦于核心问题。用户使用DataFocus的目的是为了高效地进行数据查询和分析。因此，DataFocus采用了折中的设计，类似于谷歌的关键词输入方法，但在特定规范的限制下，这些规范实际上增强了搜索框对特定数据问题的理解能力。一旦用户熟悉了这种操作方法，他们会发现虽然牺牲了一定的灵活性，但获得了更高的效率，并且总是能得到正确的答案。这就是一个工业级产品应有的表现。

DataFocus，一起探索大数据的秘密。 关注我们的微信公众号：huishuzt。