据最新统计，亚马逊的人工智能助手Alexa具备了超过5万项技能，这使得不知从何开始的用户难以发掘其新功能，幸运的是，西雅图办公室的科学家们正使用人工智能来解决这一问题。
亚马逊Alexa人工智能部门的数据研究员Young-Bum Kim今早在博客中详细地描述了机器学习系统如何自动选择最好的技能来处理用户具体的要求。通过最近的技术修改，其错误率得以明显下降，这一成果会在本周举办于布鲁塞尔的2018自然语言处理实验方法大会上亮相。
正如Kim解释的，该模型由两个神经网络或两层可以模仿大脑神经运作的数学函数组成。前者被称作“候选人”，在参考用户Alexa已关联技能的情况下提供可以满足用户需求的备选新技能名单。同时，一个“注意机制”会动态地为已关联技能分配相应的权值，并调整它们进入名单的可能性。
后者则依靠包括开发者是否在元数据中指出该技能会表现出什么样的行为在内的详细数据来在技能中做出选择。
亚马逊echo
最近Alexa研究者在端到端层面训练“候选人”网络，并以对最终输出结果准确度的贡献程度为标准评估网络中的每一个组成部分。但是最新改进过的人工智能模型在判断可能性时也会考虑预期技能，例如在用户发出请求时链接所需要的技能。结果是当用户需要关联技能时该网络能更加可靠地选出它们，Kim写道。
为了检验改进后的人工智能系统稳定性，Alexa团队测试了三种不同的模型，每种用两套不同的数学函数来为关联技能分配权值: 柔性最大传递函数(Softmax)使用0至1的数值来表示产生的权值并且最终结果之和必须为1; S函数(Sigmoid)同样用0至1的数值来表示产生的权值但数值之和没有限制 (先前的“候选人”神经网络模型只使用柔性最大传递函数)。在生成候选名单时，接受测试的三个模型中表现最好的将错误率降低了12%。
亚马逊对人工智能的应用远不止于技能选择。它的背景结转模型让Alexa理解多转式语境，也就是在后续请求中理解所提及的代词。独立的人工智能系统可以让亚马逊Echo识别最多10位不同用户的语音。除此之外，去年十一月，Alexa团队声称已经开始研究通过分析用户语音来判断其心情和情感状态的功能。
