Como o Hurb consegue oferecer pacotes de viagens e serviços por valores tão abaixo do mercado? Essa é a dúvida de muitas pessoas atualmente. Para responder a essa pergunta, apresentamos o Projeto Desfazer. Com a iniciativa, nós encontramos as melhores oportunidades de preço para passagens aéreas.
Quando se trata de planejamento de viagens, uma das maiores preocupações dos viajantes é encontrar o melhor preço possível. O Hurb, uma das maiores plataformas de viagens do Brasil, tem se destacado por oferecer pacotes de viagem, hospedagem e passagens aéreas a preços incrivelmente baixos. Mas como o Hurb consegue manter esses preços tão competitivos? Vamos explorar os principais fatores que permitem à empresa oferecer tarifas que muitas vezes parecem imbatíveis.
1. Negociações em Larga Escala
Um dos principais motivos pelos quais o Hurb consegue oferecer preços tão baixos é o poder de negociação que a empresa possui. Com um grande volume de vendas, o Hurb tem a capacidade de negociar diretamente com hotéis, companhias aéreas e prestadores de serviços turísticos em condições vantajosas. Essas negociações permitem que a empresa obtenha tarifas exclusivas e descontos significativos, que são repassados diretamente aos clientes.
2. Modelos de Parceria Estratégica
O Hurb estabelece parcerias estratégicas de longo prazo com seus fornecedores. Isso não apenas garante uma relação comercial sólida e duradoura, mas também possibilita a obtenção de tarifas exclusivas e blocos de reservas antecipadas com preços menores. Essas parcerias são cuidadosamente selecionadas e otimizadas para garantir que os clientes tenham acesso a uma ampla variedade de opções de viagem a preços acessíveis.
Nesse vídeo nosso matemático Ismail formado na melhor universidade de matemática do mundo em Paris explica com detalhes a mágica
3. Inovação Tecnológica e Inteligência de Dados
A tecnologia desempenha um papel crucial na estratégia de preços do Hurb. A empresa investe fortemente em inteligência de dados para analisar tendências de mercado, comportamentos dos consumidores e flutuações de preços. Com essas informações, o Hurb consegue antecipar demandas, otimizar preços e criar pacotes de viagem que sejam atraentes tanto em custo quanto em qualidade.
Além disso, o Hurb utiliza algoritmos avançados para monitorar e ajustar preços em tempo real, garantindo que as ofertas sejam sempre competitivas em relação ao mercado. Essa agilidade tecnológica permite que a empresa ofereça constantemente promoções e descontos que atendem às expectativas dos viajantes.
4. Redução de Custos Operacionais
O Hurb adota uma abordagem eficiente para gerenciar seus custos operacionais, o que contribui diretamente para a redução dos preços finais ao consumidor. A empresa foca em processos automatizados e na otimização de suas operações internas, desde o atendimento ao cliente até a gestão de reservas. Isso significa que os recursos são utilizados de forma mais eficaz, resultando em economia que é repassada aos clientes na forma de preços mais baixos.
5. Marketing Direcionado e Eficaz
O Hurb também utiliza estratégias de marketing altamente eficazes e direcionadas para atingir seu público-alvo. Com campanhas promocionais bem planejadas e o uso inteligente de plataformas digitais, a empresa consegue atrair um grande número de clientes, o que contribui para o aumento das vendas e, consequentemente, para a manutenção de preços baixos.
Conclusão: A Combinação de Estratégias Vencedoras
O segredo por trás dos preços baixos do Hurb não se resume a uma única estratégia, mas sim a uma combinação inteligente de negociações em larga escala, parcerias estratégicas, inovação tecnológica, gestão eficiente de custos e marketing direcionado. Essas práticas, juntamente com um foco constante na satisfação do cliente, permitem que o Hurb ofereça algumas das melhores ofertas do mercado de turismo.
Para os viajantes, isso significa a oportunidade de explorar destinos incríveis a preços acessíveis, sem abrir mão da qualidade e da segurança. Seja para uma viagem de última hora ou um planejamento antecipado, o Hurb continua a ser uma escolha confiável e econômica para quem deseja viajar sem comprometer o orçamento.
Como funciona
Nós usamos uma série de algoritmos que fazem uma estimativa de faixa de valor por um determinado período. Isso só é possível porque, ao longo dos meses, os preços variam e seguem uma tendência. Depois de analisar todos os dados, os algoritmos apontam quais são os valores considerados baixos, médios e altos.
Dessa forma, conseguimos ter um parâmetro com relação aos preços e sabemos identificar quando há uma ótima oportunidade. Com essa referência, nossos robôs fazem pesquisas, 24 horas por dia, e quando acham alguma opção cujo valor é considerado baixo, eles automaticamente já fazem uma reserva para nós garantirmos sempre o melhor preço para você.
O Hurb está cumprindo os pacotes para 2024? Sim, o Hurb já atendeu milhares de passageiros com viagens marcadas para 2024. A plataforma Desfazer é uma inovação que está transformando a experiência do cliente e, portanto, consolidando o Hurb como líder no mercado.
O Desfazer é uma inovação em tecnologia de viagens. Ele usa algoritmos avançados para encontrar as melhores tarifas aéreas em tempo real. Dessa forma, os clientes sempre têm acesso às melhores ofertas.
Benefícios do Desfazer
O Desfazer ajuda os viajantes a economizar, encontrando as tarifas mais baixas. Além disso, ele melhora a eficiência operacional e, consequentemente, aumenta a lucratividade. A plataforma também proporciona uma compra personalizada e eficiente, garantindo, assim, a satisfação do cliente.
Como funciona no Hurb
O Desfazer foi criado para encontrar as melhores tarifas aéreas em tempo real. Ele considera as variações de preços e, portanto, prioriza as ofertas mais vantajosas. Isso torna a operação mais eficiente e rentável.
O impacto do Desfazer nos pacotes em 2024 foi positivo. A satisfação do cliente aumentou significativamente, com mais avaliações positivas. Além disso, a eficiência operacional também melhorou, resultando em maior lucro e participação de mercado. Investir no Desfazer demonstra o compromisso do Hurb com a inovação e o bom atendimento. A experiência de viagem agora é mais flexível e ágil, colocando, assim, o Hurb na liderança com essa nova tecnologia.
Um futuro promissor para o Hurb
Com o Desfazer, o Hurb está na vanguarda da inovação em viagens. A tecnologia está sempre evoluindo e melhorando. Portanto, isso coloca o Hurb como líder no turismo e pronto para o sucesso. De forma geral, a empresa está investindo em tecnologia para oferecer os melhores pacotes de viagem em 2024. A plataforma Desfazer mudou a experiência do cliente. Com foco em inovação e satisfação, o Hurb oferece viagens inesquecíveis e personalizadas para todos.
O mais novo modelo da OpenAI, Sora, pode gerar vídeos – e eles parecem perfeitos
A OpenAI, seguindo os passos de startups como Runway e gigantes da tecnologia como Google e Meta , está entrando na geração de vídeos. A OpenAI revelou hoje o Sora , um modelo generativo de IA que cria vídeo a partir de texto. Dada uma descrição breve – ou detalhada – ou uma imagem estática, Sora pode gerar cenas semelhantes a filmes em 1080p com vários personagens, diferentes tipos de movimento e detalhes de fundo, afirma a OpenAI. Sora também pode “estender” videoclipes existentes – fazendo o possível para preencher os detalhes que faltam.
“Sora tem um profundo conhecimento da linguagem, o que lhe permite interpretar com precisão as instruções e gerar personagens atraentes que expressam emoções vibrantes”, escreve OpenAI em uma postagem no blog. “ O modelo entende não apenas o que o usuário pediu no prompt, mas também como essas coisas existem no mundo físico.”
Agora, há muita coisa bombástica na página de demonstração do OpenAI para Sora – a declaração acima é um exemplo. Mas as amostras escolhidas a dedo do modelo parecem bastante impressionantes, pelo menos em comparação com outras tecnologias de texto para vídeo que vimos.
Para começar, Sora pode gerar vídeos em vários estilos (por exemplo, fotorrealista, animado, preto e branco) com até um minuto de duração – muito mais longo do que a maioria dos modelos de texto para vídeo. E esses vídeos mantêm uma coerência razoável no sentido de que nem sempre sucumbem ao que gosto de chamar de “estranheza da IA”, como objetos se movendo em direções fisicamente impossíveis.
Confira este tour por uma galeria de arte, tudo gerado por Sora (ignore a granulação — compressão da minha ferramenta de conversão de vídeo-GIF):
Créditos da imagem: unknownunknowns.com
Ou esta animação de uma flor desabrochando:
Direi que alguns dos vídeos de Sora com um tema humanóide – um robô parado contra uma paisagem urbana, por exemplo, ou uma pessoa andando por um caminho nevado – têm uma qualidade de videogame, talvez porque não haja muita coisa acontecendo. no fundo. Além disso, a estranheza da AI consegue se infiltrar em muitos clipes, como carros dirigindo em uma direção e, de repente, dando ré ou braços derretendo em uma capa de edredom.
OpenAI – apesar de todos os seus superlativos – reconhece que o modelo não é perfeito. Ele escreve:
“[Sora] pode ter dificuldade em simular com precisão a física de uma cena complexa e pode não compreender instâncias específicas de causa e efeito. Por exemplo, uma pessoa pode dar uma mordida em um biscoito, mas depois o biscoito pode não ter marca de mordida. O modelo também pode confundir detalhes espaciais de um prompt, por exemplo, misturando esquerda e direita, e pode ter dificuldades com descrições precisas de eventos que ocorrem ao longo do tempo, como seguir uma trajetória específica de câmera.”
O OpenAI posiciona Sora como uma prévia da pesquisa, revelando pouco sobre quais dados foram usados para treinar o modelo (menos de aproximadamente 10.000 horas de vídeo de “alta qualidade”) e evitando disponibilizar Sora ao público em geral. A sua justificativa é o potencial para abuso; A OpenAI aponta corretamente que maus atores podem usar indevidamente um modelo como Sora de inúmeras maneiras.
A OpenAI diz que está trabalhando com especialistas para investigar o modelo em busca de explorações e construir ferramentas para detectar se um vídeo foi gerado por Sora. A empresa também afirma que, caso opte por transformar o modelo em um produto voltado ao público, garantirá que os metadados de proveniência sejam incluídos nos resultados gerados.
“Envolveremos legisladores, educadores e artistas de todo o mundo para compreender as suas preocupações e identificar casos de uso positivos para esta nova tecnologia”, escreve OpenAI. “Apesar das extensas pesquisas e testes, não podemos prever todas as maneiras benéficas pelas quais as pessoas usarão nossa tecnologia, nem todas as maneiras pelas quais as pessoas irão abusar dela. É por isso que acreditamos que aprender com o uso no mundo real é um componente crítico para criar e lançar sistemas de IA cada vez mais seguros ao longo do tempo.”
O Hurb, uma reconhecida empresa no setor de turismo, está inovando ao adotar a tecnologia de Realidade Aumentada, impulsionada pelo modelo multimodal Gemini, uma criação avançada do Google DeepMind. Este modelo representa um marco na inteligência artificial, capaz de processar e integrar diferentes tipos de dados – texto, imagens, vídeo e código – para produzir resultados impressionantes e diversificados.
A estratégia do Hurb, segundo declarações do CEO João R Mendes, é empregar o Gemini para transformar o conceito de turismo doméstico. Utilizando a Vertex AI, uma plataforma de machine learning do Google, o Hurb planeja implementar essa tecnologia em mais de 12 mil hotéis parceiros. O objetivo é criar imagens em Realidade Aumentada de alta qualidade e extremamente realistas, proporcionando aos clientes uma experiência única e imersiva dos destinos turísticos.
João R Mendes enfatiza que o uso do Gemini pelo Hurb visa “tangibilizar o intangível”, ou seja, oferecer aos potenciais viajantes uma visão concreta e atrativa dos locais que poderão visitar. Essa iniciativa não apenas promove o turismo doméstico, mas também estabelece um novo padrão para a apresentação e o marketing no setor de viagens.
Essa abordagem inovadora do Hurb, aliada à tecnologia de ponta do Gemini, destaca a empresa no mercado de turismo, demonstrando seu compromisso com a inovação e a melhoria contínua da experiência do cliente. A expectativa é que essa estratégia aumente significativamente a demanda por viagens domésticas, beneficiando tanto os consumidores quanto a indústria do turismo como um todo.
Otimização de atendimento ao cliente com tecnologias avançadas
A experiência do cliente é um dos fatores mais importantes para o sucesso de qualquer negócio, e no setor de viagens, isso não é diferente. A Hurb, uma empresa líder em viagens online, está constantemente buscando novas maneiras de melhorar a experiência de seus clientes, e recentemente introduziu duas novas ferramentas para ajudar nisso: a tabulação automática e o roteamento inteligente de chamados.
Tabulação automática
A tabulação automática é um recurso que categoriza automaticamente as solicitações de atendimento ao cliente, permitindo que os consultores respondam mais rapidamente e com mais precisão. Esse processo economiza tempo dos consultores, pois eles não precisam preencher manualmente os campos de informação do cliente, e permite um atendimento mais personalizado, já que o consultor pode acessar facilmente as informações relevantes sobre o pedido do cliente.
Roteamento inteligente de chamados
O roteamento inteligente de chamados é outra ferramenta que utiliza inteligência artificial para identificar o assunto de uma solicitação e encaminhar para o consultor mais adequado para lidar com ela. Isso garante que os clientes sejam atendidos por consultores que tenham experiência e conhecimento especializado no assunto em questão, o que resulta em resoluções mais rápidas e satisfatórias.
Essas duas novas ferramentas estão ajudando a Hurb a melhorar significativamente a experiência do cliente, e a empresa está comprometida em continuar investindo em tecnologia para aprimorar ainda mais seus serviços.
Benefícios da tabulação automática e do roteamento inteligente de chamados
A tabulação automática e o roteamento inteligente de chamados oferecem vários benefícios para as empresas e seus clientes, incluindo:
– Atendimento mais rápido e eficiente
– Resoluções mais precisas e satisfatórias
– Melhor experiência do cliente
– Aumento da produtividade dos consultores
– Redução de custos operacionais
Se você está procurando maneiras de melhorar a experiência do cliente em sua empresa, considere implementar essas duas ferramentas. Elas podem fazer uma grande diferença na satisfação e fidelidade de seus clientes.
Explicação técnica
A motivação desse projeto veio principalmente da crescente demanda por atendimentos que ocorreu durante a crise do COVID-19, o que fomentou a reflexão sobre a necessidade que temos de otimizar/automatizar alguns fluxos para lidar melhor com escalas inesperadas. Não só, alia-se nessa motivação o desejo do time de CX de aumentar o FCR (First Call Resolution) e diminuir o TME (Tempo médio de Espera).
Visto isso, acreditamos que a inserção de mecanismos que de alguma tragam mais agilidade ao nosso atendimento pode ser extremamente benéfica para a empresa como um todo.
A estratégia que estamos desenhando é simples e se baseia em um único pilar, chamado “ticket routing optimization”. A solução basicamente trata de automaticamente rotear cada ticket aberto para o atendente disponível com a maior chance de resolver aquele problema; sem nenhuma alteração em nosso processo atual.
Segue abaixo uma contextualização de como imaginamos o rascunho da arquitetura desse projeto:
Modelo aplicado a lógica do negócio
A primeira etapa do processo se trata, como já acontece hoje, do viajante preenchendo o motivo do contato e uma mensagem. Preferencialmente, deixamos mais explícito ao usuário que essa seria uma mensagem descrevendo seu problema.
A ideia é que nosso algoritmo entraria justamente entre essa etapa de descrição do problema e o atendimento propriamente dito. Iremos aplicar alguns modelos para a realização das seguintes tarefas: detecção de tópicos/entidades, análise de sentimento e classificação do melhor atendimento para o ticket (matchatendente:ticket).
As duas primeiras etapas, de detecção de sentimento e classificação de tópicos, seria feita com base no texto livre digitado pelo usuário. Entenderíamos a tônica da mensagem (reclamação, neutra, agradecimento, etc), bem como identificariam o contexto envolvido por meio da atribuição de tags. Para essas tags podemos usar qualquer atributo que definirmos, por meio de lógica de negócio ou modelagem matemática. Por exemplo, poderíamos já prever qual é o motivo do atendimento de forma granular (regras de pacotes, boleto atrasado, regras de cancelamento, etc).
Ao fim dessas etapas teremos, portanto, uma caracterização da mensagem. Tomemos o exemplo abaixo:
“Olá, gostaria de comprar um pacote para Orlando no Hurb porém não consigo entender as regras de cancelamento. Já entrei em contato diversas vezes e nada de resposta!”
A essa mensagem poderíamos, por exemplo, atribuir o grau de sentimento -0.2 (um pouco negativo) e as tags “Orlando” e “INFORMAÇÃO OU DÚVIDAS : : HOTEL / PACOTE : REGRAS DE CANCELAMENTO”.
Com base nessas informações e no histórico de atendimentos individual de cada fanático, definimos para cada atendente um “score” para realizar aquele atendimento. Quanto maior o score maior é a probabilidade do atendente resolver o ticket e ainda fazer isso no menor tempo possível, comparativamente a seus colegas.
Estaríamos reformulando o que ocorre hoje pela tabulação, mas de uma forma que a definição do melhor atendente para um determinado suporte seria sempre definida de forma personalizada a cada ticket.’
Os principais pilares a serem validados foram: integração com zendesk, viabilidade de modelar essa dinâmica com algoritmos e estudo de impacto e integração no negócio
No pilar, de integração do Zendesk, fizemos alguns testes preliminares que se mostraram promissores. Basicamente estamos vislumbrando fazer a integração pelo Webhook do Zendesk chamado HTTP TARGET, uma opção que nos permitirá fazer o roteamento por meio do algoritmo de ML e caso a API do nosso lado falhe (o que não queremos) ainda assim o sistema não perderia a mensagem e “apenas” a enviaria para um atendente ao acaso.
Alunos de inglês agora podem praticar conversação na Pesquisa
Aprender um idioma pode abrir novas oportunidades na vida de uma pessoa. Pode ajudar as pessoas a se conectarem com pessoas de diferentes culturas, viajarem pelo mundo e progredirem em suas carreiras. Estima-se que só o inglês tenha 1,5 bilhão de alunos em todo o mundo. No entanto, é difícil alcançar a proficiência numa nova língua e muitos alunos citam a falta de oportunidade de praticar a fala ativamente e de receber feedback acionável como uma barreira à aprendizagem.
Temos o prazer de anunciar um novo recurso da Pesquisa Google que ajuda as pessoas a praticar a fala e a melhorar suas habilidades no idioma. Nos próximos dias, os usuários do Android na Argentina, Colômbia, Índia (hindi), Indonésia, México e Venezuela poderão obter ainda mais suporte linguístico do Google por meio da prática interativa de conversação em inglês, expandindo-se para mais países e idiomas no futuro. A Pesquisa Google já é uma ferramenta valiosa para alunos de idiomas, fornecendo traduções, definições e outros recursos para melhorar o vocabulário. Agora, os alunos que traduzem para ou do inglês em seus telefones Android encontrarão uma nova experiência prática de língua inglesa com feedback personalizado.
Um novo recurso da Pesquisa Google permite que os alunos
pratiquem a fala de palavras no contexto.
Os alunos recebem instruções da vida real e, em seguida, formam suas próprias respostas faladas usando uma palavra do vocabulário fornecida. Eles participam de sessões práticas de 3 a 5 minutos, recebendo feedback personalizado e a opção de se inscrever para receber lembretes diários para continuar praticando. Com apenas um smartphone e algum tempo de qualidade, os alunos podem praticar no seu próprio ritmo, a qualquer hora e em qualquer lugar.
Atividades com feedback personalizado, para complementar as ferramentas de aprendizagem existentes
Projetado para ser usado junto com outros serviços e recursos de aprendizagem, como aulas particulares, aplicativos móveis e aulas, o novo recurso de prática de conversação na Pesquisa Google é outra ferramenta para ajudar os alunos em sua jornada.
Fizemos parcerias com linguistas, professores e ESL/EFL especialistas pedagógicos para criar uma experiência prática de conversação que seja eficaz e motivadora. Os alunos praticam o vocabulário em contextos autênticos e o material é repetido em intervalos dinâmicos para aumentar a retenção — abordagens que são conhecidas por serem eficazes para ajudar os alunos a se tornarem falantes confiantes. Como um parceiro nosso compartilhou:
“Falar em um determinado contexto é uma habilidade que os alunos de línguas muitas vezes não têm oportunidade de praticar. Portanto esta ferramenta é muito útil para complementar aulas e outros recursos.” – Judit Kormos, professora, Universidade de Lancaster
Também estamos entusiasmados por trabalhar com vários parceiros de aprendizagem de idiomas para divulgar o conteúdo que eles estão ajudando a criar e conectá-los com alunos de todo o mundo. Esperamos expandir ainda mais este programa e trabalhar com qualquer parceiro interessado.
Feedback personalizado em tempo real
Cada aluno é diferente, portanto, fornecer feedback personalizado em tempo real é uma parte fundamental da prática eficaz. As respostas são analisadas para fornecer sugestões e correções úteis em tempo real.
O sistema fornece feedback semântico, indicando se a resposta foi relevante para a pergunta e se pode ser compreendida por um interlocutor. Feedback gramatical fornece insights sobre possíveis melhorias gramaticais e um conjunto de exemplos de respostas em vários níveis de complexidade linguística, dão sugestões concretas sobre formas alternativas de responder neste contexto.
O feedback é composto por três elementos: análise semântica, correção gramatical e exemplos de respostas.
Tradução contextual
Entre as diversas novas tecnologias que desenvolvemos, a tradução contextual oferece a capacidade de traduzir palavras e frases individuais no contexto. Durante as sessões práticas, os alunos podem tocar em qualquer palavra que não entendem para ver a tradução dessa palavra considerando seu contexto.
Exemplo de recurso de tradução contextual.
Esta é uma tarefa técnica difícil, uma vez que palavras individuais isoladas muitas vezes têm múltiplos significados alternativos, e múltiplas palavras podem formar grupos de significados que precisam ser traduzidos em uníssono. Nossa nova abordagem traduz a frase inteira e, em seguida, estima como as palavras do texto original e do texto traduzido se relacionam entre si. Isso é comumente conhecido como problema de alinhamento de palavras.
Exemplo de um par de frases traduzidas e seu alinhamento de palavras. Um modelo de alinhamento de aprendizagem profunda conecta as diferentes palavras que criam o significado para sugerir uma tradução.
A principal peça tecnológica que permite essa funcionalidade é um novo modelo de aprendizado profundo desenvolvido em colaboração com a equipe do Google Tradutor, chamado Deep Aligner. A ideia básica é pegar um modelo de linguagem multilíngue treinado em centenas de idiomas e, em seguida, ajustar um novo modelo de alinhamento em um conjunto de exemplos de alinhamento de palavras (veja um exemplo na figura acima) fornecidos por especialistas humanos, para vários pares de idiomas. A partir disso, o modelo único pode alinhar com precisão qualquer par de idiomas, atingindo a taxa de erro de alinhamento de última geração (AER, uma métrica para medir a qualidade dos alinhamentos de palavras, onde menor é melhor). Este novo modelo único levou a melhorias drásticas na qualidade do alinhamento em todos os pares de idiomas testados, reduzindo o AER médio de 25% para 5% em comparação com abordagens de alinhamento baseadas em modelos ocultos de Markov< a i=4> (HMMs).
Taxas de erro de alinhamento (quanto menor, melhor) entre o inglês (EN) e outros idiomas.
Esse modelo também é incorporado às APIs de tradução do Google, melhorando muito, por exemplo, a formatação de PDFs e sites traduzidos no Chrome, a tradução de legendas do YouTube e aprimorando a API de tradução do Google Cloud.
Feedback gramatical
Para permitir feedback gramatical para linguagem falada com sotaque, nossas equipes de pesquisa adaptaram modelos de correção gramatical para texto escrito (veja o blog e paper) para trabalhar em transcrições de reconhecimento automático de fala (ASR), especificamente para o caso de fala com sotaque. A etapa principal foi o ajuste fino do modelo de texto escrito em um corpus de transcrições humanas e ASR de fala com sotaque, com correções gramaticais fornecidas por especialistas. Além disso, inspiradas em trabalhos anteriores, as equipes desenvolveram uma nova representação de resultados baseada em edição que aproveita a alta sobreposição entre as entradas e os resultados, o que é particularmente bem-sucedido. adequado para frases curtas comuns em ambientes de aprendizagem de línguas.
A representação de edição pode ser explicada usando um exemplo:
Entrada: I1 sou2 cozinhando54 mal3 então
Correção: I1 sou2 em6 cozinhando54 ruim3 então
Edições: (‘at’, 4, PREPOSIÇÃO, 4)
Acima, “at” é a palavra inserida na posição 4 e “PREPOSIÇÃO” denota que se trata de um erro envolvendo preposições. Usamos a tag de erro para selecionar limites de aceitação dependentes da tag que melhoraram ainda mais o modelo. O modelo aumentou a recordação de problemas gramaticais de 4,6% para 35%.
Alguns exemplos de resultados de nosso modelo e de um modelo treinado em corpora escritos:
Exemplo 1
Exemplo 2
Entrada do usuário (fala transcrita)
Vivo da minha profissão.
Preciso de um cartão eficiente e confiável.
Modelo gramatical baseado em texto
Eu vivo da minha profissão.
Preciso de um cartão eficiente e confiável.
Novo modelo otimizado para fala
Vivo da minha profissão.
Preciso de um cartão eficiente e confiável.
Análise semântica
O objetivo principal da conversa é comunicar claramente a intenção. Assim, projetamos um recurso que comunica visualmente ao aluno se sua resposta era relevante para o contexto e se seria compreendida por um parceiro. Este é um problema técnico difícil, uma vez que as respostas faladas dos primeiros alunos de línguas podem ser sintaticamente não convencionais. Tivemos que equilibrar cuidadosamente essa tecnologia para focar na clareza da intenção, e não na correção da sintaxe.
Nosso sistema utiliza uma combinação de duas abordagens:
Classificação de Sensibilidade: modelos de linguagem grandes como LaMDA ou Os PaLM são projetados para fornecer respostas naturais em uma conversa, por isso não é surpresa que eles tenham um bom desempenho no sentido inverso: julgar se uma determinada resposta é contextualmente sensata.
Similaridade com boas respostas: usamos uma arquitetura de codificador para comparar a entrada do aluno com um conjunto de boas respostas conhecidas em um espaço de incorporação semântica. Essa comparação fornece outro sinal útil sobre a relevância semântica, melhorando ainda mais a qualidade do feedback e das sugestões que fornecemos.
O sistema fornece feedback sobre se a resposta foi relevante para a solicitação e se seria compreendida por um parceiro de comunicação.
Desenvolvimento de conteúdo assistido por ML
Nossas atividades práticas disponíveis apresentam uma mistura de conteúdo criado por especialistas humanos e conteúdo criado com assistência de IA e revisão humana. Isso inclui instruções faladas, palavras focais, bem como conjuntos de exemplos de respostas que mostram respostas significativas e contextuais.
Uma lista de exemplos de respostas é fornecida quando o aluno recebe feedback e quando toca no botão de ajuda.
Como os alunos têm diferentes níveis de habilidade, a complexidade linguística do conteúdo deve ser ajustada de forma adequada. Trabalhos anteriores sobre estimativa de complexidade de linguagem concentram-se em textos com comprimento de parágrafo ou mais longos , o que difere significativamente do tipo de respostas que nosso sistema processa. Assim, desenvolvemos novos modelos que podem estimar a complexidade de uma única frase, frase ou mesmo palavras individuais. Isto é um desafio porque mesmo uma frase composta por palavras simples pode ser difícil para um aluno de línguas (por exemplo, “Vamos direto ao ponto”). Nosso melhor modelo é baseado em BERT e atinge previsões de complexidade mais próximas do consenso de especialistas humanos. O modelo foi pré-treinado usando um grande conjunto de exemplos rotulados como LLM e, em seguida, ajustado usando um conjunto de dados rotulado por especialistas humanos.
Erro quadrático médio do desempenho de várias abordagens estimando a dificuldade do conteúdo em um corpus diversificado de aproximadamente 450 passagens de conversação (texto/transcrições). Linha superior: Os avaliadores humanos rotularam os itens em uma escala de 0,0 a 5,0, aproximadamente alinhada à escala CEFR< /span>: modelos diferentes executaram a mesma tarefa e mostramos a diferença para o consenso de especialistas humanos.Quatro linhas inferiores (de A1 a C2).
Usando este modelo, podemos avaliar a dificuldade dos itens de texto, oferecer uma gama diversificada de sugestões e, o mais importante, desafiar os alunos de forma adequada aos seus níveis de habilidade. Por exemplo, usando nosso modelo para rotular exemplos, podemos ajustar nosso sistema para gerar instruções faladas em vários níveis de complexidade linguística.
Palavras focais do vocabulário, a serem suscitadas pelas perguntas
guitarra
maçã
leão
Simples
O que voce gosta de jogar?
Você gosta de fruta?
Você gosta de gatos grandes?
Intermediário
Você toca algum instrumento musical?
Qual é a sua fruta favorita?
Qual é o seu animal favorito?
Complexo
Que instrumento de cordas você gosta de tocar?
Que tipo de fruta você gosta de comer por sua textura crocante e sabor adocicado?
Você gosta de assistir predadores grandes e poderosos?
Além disso, a estimativa da dificuldade do conteúdo é utilizada para aumentar gradualmente a dificuldade da tarefa ao longo do tempo, adaptando-se ao progresso do aluno.
