Alexa的愿景不仅是提供实用功能，更要显著改善全球数百万人的生活。Alexa信任团队和AI团队正为此不懈努力。值此1月28日数据隐私日之际，我们与Anne Toth、Manoj Sindhwani和Prem Natarajan深入交流，探讨亚马逊如何在保护客户隐私的同时，负责任地使用数据以优化Alexa体验。
为什么需要收集Alexa客户数据？这些数据是如何使用的？
Toth：首先，Alexa要回答问题就必须处理语音交互数据。但真正让其准确理解并回应的是背后复杂的机器学习与持续优化过程，这离不开数据支持。以语音识别为例，人类语音因地区、方言、语境及个体差异而复杂多变。使用多样化、广泛的真实世界客户数据训练模型至关重要，只有这样才能确保Alexa在各种声学条件下为所有用户提供良好体验。
多语言模式就是一个很好的例子，展示了数据如何让Alexa在多元家庭中既包容又精准。美国有数十万用户使用该模式无缝切换英语和其他语言（如西班牙语），帮助全家顺畅使用Alexa。
Sindhwani：没错。数据是让Alexa变得智能的关键。利用最新数据模式训练语音识别模型，使团队能够提供有用、准确甚至有趣的体验。
正是通过语音录音训练，Alexa才能区分“奥斯汀”与“波士顿”的天气，或分辨“U2”乐队和“YouTube”。此外，尽管2014年推出Alexa时客户并未要求播放Lil Nas X的歌曲，但通过训练，Alexa迅速学会了其名字的各种发音及音乐请求方式。
随着时间推移，数据训练也有助于Alexa准确回答关于奥运会或世界杯等低频事件的问题。例如冬奥会期间客户频繁询问“冰壶”，基于历史数据训练能让这些问题更易被理解。同样，快速训练也能确保在新冠疫情、英国脱欧或NBA冠军扬尼斯·阿德托昆博等缺乏历史知识的热议话题上的准确性。
持续使用客户数据训练机器学习模型，是过去三年间Alexa在所有语言中对客户请求理解能力平均提升37%的原因。
你们的团队如何在持续创新的同时保护客户隐私？
Toth：隐私是Alexa的DNA。“麦克风关闭”按钮、物理摄像头快门以及声光指示灯，都是客户可见可触的控制选项。虽然这些很重要，但我们认为客户无需采取额外步骤就能享有隐私保护。
我在职业生涯中大部分时间从事隐私相关工作。隐私虽是一种约束，但也激发了创造力并成为创新的契机。我们的科学和语音团队投入资源开展项目，旨在保护隐私并负责任地使用数据，且无需客户采取任何行动。
Natarajan：语音助手带来独特的隐私挑战，因为体验中有部分是客户无法感知到的。我们在收集和使用数据时确保安全并负责任。例如，在自然语言理解建模环境中采用隐私保护方法限制数据量和类型。可解释AI和即时自学习等进步让用户能定制体验并获得持续改进，无需重新训练模型。
我们还继续投资匿名化和合成数据生成技术，进一步保护客户隐私。
我们还继续投资匿名化和合成数据生成技术，进一步保护客户隐私。
Sindhwani：科学家和工程师致力于研究隐私增强技术以提升语音识别能力。我们开发新技术利用合成数据（由模拟现实世界的算法生成）改进自动语音识别模型。此外，通过迁移学习、主动学习、联邦学习及无监督/自学习等技术，我们减少了对需人工审核录音的监督学习的依赖。自学习技术完全通过客户的隐式和显式反馈从交互中学习，无需人工标注。
您将隐私视为一种创新机遇，能否具体阐述这一理念如何在客户体验中实现？
Toth：隐私领域正在涌现大量创新。核心原则是：在减少数据使用的同时为客户提供更多价值，即“以更少实现更多”。在隐私领域称为“数据最小化”，具体实践包括将数据处理移至设备端、尽早去标识化数据，以及构建优化隐私保护的机器学习模型。团队正通过投资降低对监督学习依赖等技术推进相关工作。
Natarajan：我们一直在探索未来实施的技术并在研究方面投资，特别是在可泛化性AI方法论方面的进展。例如，积极利用基于开源数据构建的大型预训练模型进行少样本和零样本学习，减少对深度学习模型的客户数据依赖。我们还开发数据去标识化算法并使模型抵御隐私攻击。任何进展都可能为客户带来巨大益处并进一步保护日常使用的数据。
您有哪些令人兴奋的隐私保护技术进展想要带给客户？
Sindhwani：我们持续提升Alexa的设备端语音处理能力。美国兼容Echo智能音箱用户即将能够启用新设置，使语音请求音频在设备本地处理而无需上传云端，处理完成后录音将被删除。为此，我们将原本体积达数十GB、需在云端运行的自动语音识别（ASR）模型优化得足够高效以在单设备上运行。这类创新通过降低延迟和减少带宽消耗带来切实益处，同时让用户对数据去向拥有更多选择权。