Финал сезона: подводим итоги и строим планы на 2021

Финальный выпуск первого сезона подкаста мы записывали в декабре, на конференции Conversations. Мы поговорили со спикерами конференции — экспертами рынка разговорного AI — о главных событиях индустрии, трендах и прогнозах на будущее.

Екатерина Мошкина, Just AI: В середине 2020 года было ощущение, что все происходящее — все, что связано с пандемией — негативно скажется на индустрии, например, повлияет на уровень продаж умных колонок в России и мире. Как ты считаешь, это был удачный год для рынка умных устройств и голосовых ассистентов или все надежды на 2021-й?

Павел Капля, руководитель сервиса Яндекс.Диалоги: Это был очень крутой год для рынка голосовых ассистентов. Действительно, все немного пострадали с точки зрения производств, продаж, потому что люди были заточены дома. Но при этом в разных голосовых ассистентах наблюдается полуторакратный рост числа запросов — через умные колонки. И эти цифры приводятся публично. Мы теперь сидим дома, нам нужно чем-то заниматься — люди начинают глубже изучать возможности ассистентов, задавать им вопросы.

В этом смысле для голосовых ассистентов это было суперинтересное время, потому что менялся профиль вопросов, то, о чем спрашивает пользователь. Он уже наигрался в стандартные сценарии вроде погоды, будильников и всего вот этого, он ожидает от ассистента большего. И за этот год мы получили главный инсайт — узнали, что на самом деле было бы круто получить пользователю от ассистента, чего он от него хочет в такой достаточно сложной для всех людей ситуации.

Е.М. На твой взгляд, что было главным в 2020 году в технологическом смысле, что тебя зацепило из трендов?

Марат Мавлютов, руководитель направления Smart Home, Яндекс.Диалоги: Во-первых, это, конечно же, генеративные модели GPT-3. Это такой хайп! В генеративных моделях такая крутая болталка, что ее не отличить от настоящего человека, настолько правдоподобные ответы получаешь. Более того, иногда это заводит в прикольные тупики — она может подсказать маршрут куда-то, например, или придумать рецепт на ходу, и ты не сразу осознаешь, что на самом деле разговариваешь с нейросеткой.

И вторая вещь более продуктовая: я считаю, что это тренд на «детскость». Мы на конференции показали игрушки с Алисой — Смешариков и «Холодное сердце». Вы бы видели глаза детей, которые участвовали в бета-тесте! Они просто не могут отлипнуть от игрушек. Это, наверное, как мы с тобой в детстве увлеченно в Dendy играли, а бабушка говорила: «Посадишь экран, посадишь кинескоп». Дети сейчас просто в восторге от говорящих игрушек. Сказки в Алисе, какие-то обучающие штуки типа «Слово дня» или «Новое слово на английском»… Офлайновые игрушки сейчас переходят в онлайновый мир, и это просто супер!

Алексей Кривенков, руководитель умных устройств и Маруси, Mail.Ru: В 2020 году мы все расселись по домам, и, может, благодаря этому случилось ровно то, что мы от него ожидали. Количество устройств и голосовых ассистентов в домах растет. Люди покупают умные девайсы и пробуют такой способ общения с компьютером. Мы в Mail.Ru запустили, несмотря на все помехи, нашу «Капсулу», и сейчас она уже любима пользователями и радует нас своими продажами. Пользователи её любят, не выключают — мы для себя называли это «битвой за розетку» и считаем, что вполне хорошо в этой битве держимся. Нас не выключают, достаточно регулярно и много люди обращаются к Марусе, решают при помощи голоса свои важные и неважные, но приятные задачи.

Владимир Китляр, Digital CPO, Альфа-Банк: Банкиры — очень скептически настроенные люди, очень прагматичные и не ведомые на хайповые явления. Мы увидели стабильный и убедительный тренд на voice UX в мире и в России, увидели, как он меняет паттерны использования цифровых продуктов. Мы не можем не замечать этот тренд и не можем на него не реагировать — это вопрос уже даже не веры, а просто получения правильной статистики. Если ты не хочешь замечать эту статистику, то останешься скептически настроен, но если попытаешься на нее взглянуть и спрогнозировать рост (а тренды здесь строго вертикальные), то, конечно же, не сможешь не отреагировать.

Почему важно начать здесь и сейчас? Дело в том, что технологии voice UX и conversational UX — очень тяжелые, трудоемкие, ресурсо- и наукоемкие. Если не начать прямо сейчас интенсивную разработку голосового помощника, то через три года по щелчку ты его не получишь ни за какие деньги. Поэтому мы очень рационально к этому отнеслись: увидели, что тренд на голосовой UX стабилен и объективен, и стали делать голосового помощника ровно в тот момент, когда еще не поздно.

Е.М.: Яндекс — первопроходцы на российском рынке голосовых ассистентов. Вы обладаете огромной экспертизой. Как ты – как специалист и как пользователь – оцениваешь ассистентов Сбера? Насколько интересным тебе кажется проект семейства «Салют»? Все конкуренты, это понятно, но рынок общий, и вы вместе его развиваете.

Павел Капля: Слово «вместе» для наших двух команд, кажется, не простой звук. Привет, ребят! Я рад, что они нащупали идею, вокруг которой пытаются построить всё свое решение. Это идея большого touch-экрана и пульт как, в некотором смысле, его продолжение. Причем о безэкранной технологии они сейчас, кажется, нигде не рассказывают, везде фокусируются именно на этом. Это очень содержательная гипотеза, что голосового ассистента не может быть без экрана: давайте все делать вокруг экрана, голос является к нему дополнением. Будет очень интересно смотреть, как это действительно приживется, как пользователи это примут, как они будут с этим жить и так далее.

Экран в отличие от колонок обладает одним негативным свойством — умная колонка слышит тебя везде, а экран притаскивает тебя в точку. Если ты хочешь в него смотреть, значит тебе нужно быть к нему близко. Телевизор или SberPortal – ты должен смотреть в экран.

Безусловно, ассистент сможет отвечать и на расстоянии, но когда вся экосистема строится на дополнении аудиосоставляющей визуальной — и этот якорь нужен пользователю для принятия решения об использовании сценариев — это фундаментальное отличие. Если Алиса слышит тебя везде (ты просто ходишь по квартире и не думаешь, где она, она везде с тобой общается, как из воздуха), то здесь мы получаем точку, через которую говорим с ассистентом. Интересно посмотреть, как будут развиваться эти два, как мне кажется, довольно разных подхода.

Е.М.: Аудитория пользователей ассистентов в России покрывает далеко не всю страну, людей нужно мотивировать к использованию новых ассистентов и устройств. Что поможет устройствам и ассистентам Сбера найти контакт с аудиторией, что станет этой «проходкой» в сердца и дома пользователей?

Иван Смирнов, лидер NLP platform и SmartMarket, SberDevices: Мы верим в поверхности с экранами и в мультимодальное взаимодействие пользователей с сервисами — когда управлять контентом или сервисом можно голосом, жестами, тачем или текстом, в зависимости от того, как удобно пользователю в конкретный момент времени. И я думаю, появление устройств с экраном даст этот толчок, пробудит интерес пользователя. Диалоговый форм-фактор ограничивает использование ассистентов, поэтому пока нет такого широкого распространения устройств и ассистентов по стране.

Мы верим в экраны и в бизнес-кейсы, которые придут вместе с экранами. Например, выбор товара в пару кликов, как в нашей интеграции с доставкой «Самокат» – ты смотришь телевизор, а мы тебе предлагаем заказать попкорн, и через 15 минут он уже у тебя в руке, а фильм – на экране. Или еще один интересный кейс – видеошопинг. Ты смотришь фильм, и там, где у нас размечены видео, можно обратить внимание, во что одет актер в конкретном кадре, и узнать, какие аналоги нарядов есть на рынке, и через QR-код их купить.

Я думаю, что нужно идти в сторону useful-сценариев, повседневных удобных сценариев для пользователя. И мне кажется, что если просмотр видео и прослушивание музыки — это уже в целом стандарт для ассистентов, это «сценарии гигиены», то главная возможность, позволяющая ассистентам «зайти» в каждый дом, связана с e-commerce. Герман Греф и Лев Хасис недавно отмечали как раз, что стратегия Сбера на 2023 год — это максимально развиваться в сторону e-commerce. И я думаю, что это именно то, что позволит и девайсам, и ассистентам Сбера проникать внутрь каждого дома. Потому что это удобно. Мне кажется, тренд на e-commerce, доставку — все то, что добавит ассистентам реальной полезности, а не просто даст поиграть – и станет тем, что приведет ассистентов и устройства в каждый дом.

Е.М.: Кстати, про шопинг через фильмы. Получается, нужно размечать огромное количество контента и готовить его для сценариев шопинга?

Иван Смирнов: Естественно, у нас есть технологии machine learning внутри SberDevices, которые позволяют делать захват видео, распознавать изображение, но без ручного труда никуда. И, кстати говоря, тут интересен тренд, назревший внутри большого Сбера. У нас организация на 300 тысяч сотрудников, понятно, что время от времени старые форм-факторы начинают меняться: например, есть отделения или контактный центр, где становится все больше и больше автоматизации, роботов. И мы часть ребят из контактного центра переквалифицировали в разметчиков. И сейчас они помогают нам размечать фразы для голосового ассистента, размечать данные для других инновационных сервисов таких, как видеошопинг.

Е.М.: Как считаешь, где еще, помимо дома, можно комфортно и с пользой для себя взаимодействовать с ассистентами? Кроме машины, конечно.

Павел Капля: Вот сегодня я рассказывал про кейс с отелями. Если честно, это история, которой мы занимаемся довольно давно, точно больше года. Мне кажется, это очень правильное направление. Его идея совсем некоммерческого характера — она заключается в том, что для того, чтобы пользователь купил себе домой ассистента, чтобы он появился у него дома, ему нужно принять для себя решение: зачем он это делает, почему этот ассистент будет ему полезен.

Голос — очень тонкая материя, с которой мы ассоциируем определенный уровень доверия. Когда мы говорим друг с другом, у нас всегда есть эта точечная связь: мы говорим именно с этим человеком, у нас есть какая-то эмоция к нему. Мы понимаем, что звук исходит вот от этого человека. С голосовым сервисом такая же история. Его очень сложно продать баннером. Само это ощущение, которое у пользователя появляется при взаимодействии с голосовым ассистентом, баннером не продать. Сложно текстом объяснить, как люди говорят. Есть видео, когда людям, которые всю жизнь были слабослышащими, первый раз ставят импланты, и они первый раз слышат звук. И это в некотором смысле схожая история. Сложно объяснить, что такое «слышать», если ты никогда этого не делал. Сложно объяснить, что такое голосовой ассистент, если ты никогда с ним действительно не разговаривал, если в жизни он тебе ни разу не пригодился.

Поэтому все решают задачу продажи умных колонок и устройств с голосовым ассистентом в основном через офлайн: когда ты приходишь в магазин, тебе рассказывают, как бы ты говорил с этим голосовым ассистентом. Отели в этом смысле — следующий шаг. Мы тебе не будем рассказывать, ты просто окажешься в ситуации, частью которой является голосовой ассистент – он уже здесь есть, тебе не нужно принимать какое-то решение, просто попробуй с этим пожить. И результат такого бесплатного и в некотором смысле принудительного демо — он очень интересный. Люди тут же разбираются, как и что делать, начинают задавать разные вопросы, соответствующие ситуации.

Кстати, профиль сценариев, которыми пользуются люди в отеле, один в один совпадает с тем, как пользователь поступает с ассистентом дома. Вот то же самое — пытается поиграть, попробовать разные сценарии, тестирует, что Алиса будет отвечать, и так далее. Отель в этом смысле — кладезь пользовательского опыта для того, кто, как мы рассчитываем, в конечном счете возьмет ассистента и колонку домой.

Е.М.: Какие голосовые кейсы преобладают в опыте пользователей Маруси? Что делают чаще всего?

Алексей Кривенков: Все как обычно: люди любят музыку, люди любят спрашивать про погоду, играют в игры. Из новых навыков – люди полюбили переводить слова. Мы сделали переводчик на 50 с лишним языков, и им очень радостно и часто пользуются. Учат таблицу умножения, узнают про животных, с большой любовью запускают наши сказки с дополненной реальностью. Ты говоришь: «Маруся, давай почитаем сказки вместе». Капсула переходит в специальный режим — взрослый читает ребенку сказку, а колонка делает из этого аудиоспектакль: издает в соответствии с контекстом шумы, звуки – получается такая иммерсивная сказка. Дети очень любят такое, и это приятный способ провести время с семьей. Наверное, нам даже следует больше об этом рассказывать, потому что те, кто пробуют, остаются в дичайшем восторге.

Е.М.: Многие наши спикеры рассказывают о том, какие технологии будут драйвить voice-индустрию, рынок голосовых ассистентов. И, безусловно, голосовая биометрия – одна из таких технологий. Как вы считаете, какие кейсы применения голосовой биометрии будут все более популярными – с чем мы будем сталкиваться повсеместно как пользователи?

Олег Ковпак, директор по продуктам ID R&D: На самом деле, довольно много кейсов по голосовой биометрии уже используются, и многие из них популярны. Но из того, что мы сейчас видим среди технологических трендов, которые в основном задают такие крупные компании как Google, как Samsung, можно выделить два. Первый — это подтверждение платежей с использованием голоса, второй — разблокировка устройств с использованием голоса. Эти направления позволяют создать полностью, что называется, touchless experience – нет необходимости подходить к устройству, что-то нажимать, что-то показывать, ты просто общаешься с ним голосом, и он делает все, что ты хочешь.

Использование биометрии позволяет идентифицировать, аутентифицировать пользователя без необходимости совершения каких-то дополнительных действий. Вот нам кажется, что в следующем году это станет одним из главных технологических трендов, и голосовая биометрия будет использоваться все чаще и больше. Когда мы увидели статью про флагманский девайс от Samsung, стало понятно, что Samsung таким образом фактически объявил начало гонки.

Ни у кого сейчас нет голосовой разблокировки девайса, но Samsung дал сигнал, и теперь технологические лидеры побегут в этом направлении. Мы как производитель технологии знаем немного больше инсайтов, потому что со многими производителями общаемся, знаем, что они планируют в ближайшее время внедрять. Интерес к таким кейсам есть, и вот это, скорее всего, и будет основным стримом в 2021 году.

Е.М.: Что принесет 2021 год в технологическом плане? Что будет драйвить voice tech рынок в России, а, может быть, и в мире?

Павел Капля: В технологическом плане мы находимся на пороге какого-то качественного изменения. В мире нейросетей сейчас эпоха больших трансформеров, идея которых заключается в том, что у нас есть огромное количество данных, на этих данных можно обучить что-то очень большое, что будет знать примерно про всё. И похоже — научные исследования про это говорят — если потом дообучить то, что обладает огромным знанием, до какой-то специфической области, можно получить качественный рывок.

Сейчас делаются первые шаги, появляются первые внедрения такого рода нейросетевых решений, по крайней мере на нашем прикладном рынке. И, мне кажется, здесь для голосовых ассистентов может случиться качественный переход. Будет очень круто, если те обнадеживающие результаты, которые сейчас показывают исследования, случатся. Мы, кстати, на YAC рассказывали про такой трансформер Яндекса, он называется YATI, это тоже движение ровно в этом направлении. Здесь может произойти что-то великое.

Е.М.: 2021 год впереди. Что, как ты думаешь, будет прорывом в целом на рынке или в контексте того, что делает Сбер?

Иван Смирнов: Есть возможность сделать так, чтобы в ассистенты по-настоящему пришел бизнес (этого пока не произошло). Чтобы он смог в ассистентах зарабатывать, чтобы для бизнеса ассистенты стали настоящим каналом дистрибуции товаров и услуг. Мне кажется, это сейчас задачка, которую все пробуют решать, и я очень надеюсь, что нам в Сбере и в SberDevices удастся ее решить. У Сбера огромная аудитория, платежеспособная аудитория с картами, которыми можно в одно действие оплатить любой товар. Мы запустили в наших девайсах приложения со встроенными платежами, платежи идут, люди покупают попкорн, заказывают одежду, естественно, фильмы, музыку, цифровой контент, подписки. Это удобно. Я надеюсь, с помощью ассистентов семейства Салют мы реализуем возможность монетизации и сделаем ее удобной для всего бизнеса.

Е.М.: Как ты думаешь, какая технология будет определять развитие голосовых сервисов в дальнейшем?

Владимир Китляр: Если речь про финансовых помощников, думаю, мы, конечно же, не остановимся на том формате, на котором сейчас сфокусировались. Сейчас мы занимаемся интеграцией голосового помощника внутри Альфа-Мобайл, это приложение и телефон как форм-фактор. Но я уверен, что со временем форм-фактор станет намного шире, и благодаря тому, что та же биометрия станет доступной, рутинной технологией, голосовой помощник, и банковский в том числе, будет доступен клиенту на любой поверхности.

Самое симпатичное, что мне нравится и что хочется реализовать, это ассистент внутри операционок в автомобилях. Это очень элегантный кейс и понятный по использованию. Если честно, мы не идем в строительство своих умных колонок не потому, что не хотим их строить – у нас есть гипотеза, что сейчас произойдет баттл разных девайсов и победит какой-то набор устройств.

Во всех бизнесах есть большая тройка, скорее всего, так же будет и в колонках. В какой-то момент эти колонки или смарт-экраны и прочие устройства для голосового ассистента позволят инсталлировать и других помощников. То есть это будет не монобренд, а возможность поставить свою операционку. Я думаю, мы дождемся результатов этой битвы и сможем поменять форм-фактор на смарт-дисплей или на Smart TV, на что угодно, не вкладываясь огромными ресурсами в эксперимент по собственной разработке устройства.

Алексей Кривенков: Чем больше будет игроков, чем больше будет конкуренция, чем лучше будут предложения и цены на устройства, и чем больше их будет, тем обыденнее и нормальнее для людей будет разговаривать с компьютером. А это то, что является нашей целью.

Е.М.: Но все-таки нам всем придется разделиться между существующими ассистентами или могут быть и несколько любимчиков?

Алексей Кривенков: До какой-то степени да. Но, например, если говорить про музыку, то значительный процент людей (я могу путать, но, кажется, порядка 20%) используют несколько платформ и платят больше, чем за один музыкальный сервис. Возможно, тоже самое будет с ассистентами, возможно, люди будут выбирать. Я думаю, что какая-то полиассистентность будет присутствовать, и это тоже хорошо. Они называются по-разному, и можно, даже поставив у себя дома несколько устройств или имея в телефоне несколько приложений, разговаривать со всеми ними.

Е.М.: А что из технологий, на твой взгляд, — и я, безусловно, говорю не конкретно об Алисе, а в целом о рынке — пока еще нуждается в каком-то дополнительном импульсе? Что пока недостаточно хорошо развито, но хотелось бы – в контексте голосовых ассистентов?

Марат Мавлютов: Я считаю, что мы пока не можем нащупать, как реализовать сценарий, когда человек что-то выбирает. Есть какая-то большая коллекция, и человек делает выбор, например, заказ пиццы или какой-то одежды. Открываешь десктоп или мобильное приложение, прощелкиваешь красные платья или синие джинсы, выбираешь по цене, фасону, размеру и так далее. И с голосом это пока сложно сделать. Все смотрят в устройства с экранами, которые решают эту проблему, но будет аудиовизуальный ответ.

Сейчас практически все ассистенты умеют болтать с человеком на отвлеченные темы, но нам кажется, было бы круто персонализировать это болтание, разузнавать, что он действительно хочет, и что-то советовать. Может, какой-то контент или какую-то сказку, или: «если тебе скучно, могу что-то включить», «у меня сейчас нет такого ответа, но вот есть навык, который подскажет тебе», «ты раньше интересовался какими-то дешевыми билетами в Таиланд, я тебе буду апдейты про это давать». Мне кажется, как раз персонализация плюс предугадывание того, что человек действительно хочет, – это очень крутая вещь.

Е.М.: А затык здесь пока в чем?

Марат Мавлютов: Затык, на самом деле, в том, что рук не хватает. Потому что идея лежит на поверхности, понятно, как ее реализовать, но не очень понятно, как вывести качество на должный уровень. И, конечно, не хватает рук. Здесь нам нужно только выкатывать, смотреть, как работает, проводить A/B—тесты и только потом можно показывать людям.

Е.М.: Что на данный момент является препятствием для внедрения биометрии? Получается, что пока в тех же голосовых ассистентах мы с этим не сталкиваемся, значит, есть какой-то барьер. Это связано со зрелостью технологий или со стоимостью, со сложностью проектов, может быть?

Олег Ковпак: Это зависит, прежде всего, от того, насколько рынок готов, от зрелости рынка и зрелости сопутствующих технологий. Пока не было продвинутых голосовых технологий, чтобы можно было общаться с ассистентом и слышать не синтезированный металлический голос, возможности по использованию биометрии были ограничены.

Сейчас обратная ситуация: рынок голосовых ассистентов настолько созрел, настолько сформировался, у всех есть понимание, как это работает, для чего это нужно, какой это несет профит, как это улучшает жизнь конечных пользователей, что начинают возникать новые вопросы. А как сделать так, чтобы мы понимали, с кем мы говорим? Как сделать так, чтобы совершение каких-то финансовых транзакций стало безопасным? И тогда уже приходит ответ: «А, можно использовать биометрию».

То есть потребность в одной технологии, ее maturity подтягивает потребность в использовании дополнительных технологий, которые раньше не применялись. Когда какую-то прогрессивную технологию начинает использовать небольшая компания, это проходит незаметно для всех. А когда ее используют такие гиганты, как Google, Samsung – и я уверен, за ними сейчас подтянется много других – то к ним и у пользователей больше доверия.

Точно так же, как с голосовыми ассистентами — если лет 5-7 назад их боялись и сразу пытались переключиться на оператора, то сейчас мы видим, что многие пользователи вообще не хотят с живыми людьми общаться. Они вполне себя комфортно чувствуют с голосовыми помощниками. И вот мы сейчас видим, что технологии биометрии как раз позволяют добиться и уровня персонализации, и возможности аутентифицировать пользователя. Таким образом, виртуальный ассистент становится более полноценным помощником для пользователя. Скорее всего, именно это и будет определяющим трендом в будущем году и, может быть, в ближайшие годы.

Е.М.: А как ты считаешь, сам пользователь изменился за 2020 год?

Марат Мавлютов: Ассистент уже не диковинка, и это очень хорошо. Люди, которые выбирают новый девайс, чтобы подарить себе на день рождения или другу, или просто готовы потратить небольшие деньги на то, чтобы получить новиночку, они уже без опасений смотрят на колонки, на устройства с экранами, на носимую электронику. Это здорово! Мы видим, как рынок растет, пользователь растет, пользователей становится больше — это супер!

Еще мы заметили такой тренд: пользователи колонок конвертируются из тех, кто использует ассистентов в телефонах. Им очень нравится голосовой ассистент, они привыкли к нему, они понимают, что это удобно, покупают устройства и продолжают общаться с ним дома. Да, в телефонах ассистент бесплатный, просто скачал приложение и балуешься, но люди стали понимать, что ассистент дома, в колонке, это действительно удобно.

Е.М.: Можешь ли ты сделать ставку на какую-то конкретную технологию, которая в ближайшее время изменит пользовательский опыт?

Алексей Кривенков: Ну, я бы не сказал, что эта технология есть, и на нее можно делать ставку – но, думаю, это менее структурированный протокол взаимодействия. Сейчас ты называешь имя ассистента, формулируешь свою мысль, заканчиваешь формулировать мысль, ассистент это обрабатывает, выдает тебе ответ — это, конечно, далеко от нашего человеческого общения. Я думаю, что в ближайшее время у кого-то первого и потом у всех появятся более неформатные, менее четкие протоколы общения, когда можно будет перебивать, дополнять, выражать мысли свободно, в том числе паузами. И, наверное, это приблизит нас к счастливому взаимопониманию между ассистентом и человеком.