「其實我已經不是最年輕的老師了！」陳縕儂笑著說，臺大資工系已經有比她更年輕的老師了，不到30歲就回臺任教不算少見。至於外界好奇她為何捨棄微軟千萬年薪工作回臺大當教授，她的答案很簡潔就是「喜歡」。
喜歡教書、喜歡台灣自由的研究學風，做自己喜歡的事情比較重要。陳縕儂有著不隨波逐流的精神，十年前她選擇「語音辨識」作為研究領域時，資訊界盛行的研究是網路搜尋系統。
就讀研究所時，她跟著李琳山老師做語音辨識系統，當時在訓練機器做錄音和影片中的自動關鍵字擷取，主要是讓機器單向理解人類語言，後來至卡内基梅隆大學攻讀博士，開始做雙向的對話系統，機器不只要理解你說什麼，還要回應、給予相關的協助。
她的目標是讓機器成為鋼鐵人語音助理「賈維斯」（Jarvis）一樣，不只跟你說話，還會幫完成你交辦的訂機票、分析報表等一切任務。隨著深度學習演算法提出，這件事在將來變得可能。
不過，現階段開發的語音助理Siri或Alexa都離Jarvis還有段距離。陳縕儂表示，訓練語音助理的一切事宜，包括：語言理解、自然語言處理、對話系統和機器智慧，都是她的研究範圍。
訓練一位Jarvis要克服哪些問題呢？現在就讓陳縕儂為我們解答吧～
和機器聊天有何困難？
你有沒有發現使用Siri時，常常話不投機半句多，更別說要幫忙處理訂車票、推薦飯店等雜事了。陳縕儂表示，機器要做到可以對話及像真人般的助理服務，從麥克風收音、語音轉成文字、語意理解，最後到協助擷取有用的資訊，每一步都是難關。
Siri是大家常接觸的語音聊天機器人，但它的功能還不算完備（圖片提供／Wikipedia）。
雖然「神經網絡」架構提升語音辨識之準確度，但比起影像辨識或單純語意理解，對話困難許多，因為每句話都有關聯性，百種人有百種答案，而百種答案可能也有百種的回應方式，因此傳統單純塞資料給機器的學習法是行不通的。
陳縕儂表示，要克服這個難題，通常會設計兩台機器，將所有使用者的問題灌入機器中，一台機器當客服人員、一台機器當顧客開始互動，互動一段時間開放真人互動，想辦法讓互動變得更順暢，這是現行最好的方式了。
假使機器與人類可以對答如流，下一步面臨的問題就是機器能不能幫你辦事，當你跟他說「想去東京玩」時，他不會打哈哈叫你搭飛機去東京，而是能依據你的需求，提供你機票、住宿和旅遊景點的建議。
這下可就複雜了，試想你若是個旅行專員，除了回答自己已知的事項，如：旅遊注意事項、服務內容說明，還需要將各地的旅遊景點、飯店和餐廳資訊倒背如流，這對機器來說就得去找自己資料庫外的內容，可能是看完google的資訊或旅遊雜誌，才能回應客戶的需求。
陳縕儂表示，語音助理若要成為Jarvis必須要擅長處理結構化（structured data）和非結構化（unstructured）兩種類型的數據資料。結構化數據是指已經整理成表格的資料，有欄位和數據，可立即做數據分析，這類似語音助理已經內建、整理好的資料庫，提到相關問題可以立即回覆，不需要額外找資料。
然而，大部分的資料都是非結構化資料，像是文字、圖片、網頁和影片等，因此如何快速將沒結構化的資料結構化就是挑戰，這將大大影響機器人提供服務的速度與品質。陳縕儂坦言，目前這兩部分都做得不夠完善，因此她的研究會朝這部分努力。
遇到口音問題怎麼辦？
讓機器成為個人助理之前，更根本的是解決「聽不懂人話」問題，不同的口音確實常讓機器混肴，若把「台式餐廳」聽成「泰式餐廳」，助理找出來的東西就完全不同了！
因此，語音辨識得考慮聲音的錯誤，人才能順暢地與機器對話。陳縕儂表示，她是以跟BERT類似的GPT-2架構來做預訓練模型。概略來說，就是訓練機器學習語言的架構，然後讓機器會根據語音的內容去推估後面兩個字，這部分從Siri轉成文字很像，能依據你講的內容選字。
此時，再把語音的差異納入考量，並將發音相似的字像是「泰、台」調整為同個向量，使得機器得以辨識類似的發音，當機器判讀可能發生誤聽的狀況時，便能再次向使用者確認。
不過陳縕儂坦言，這並不容易，因為聲音資料取得困難，大部分拿到的都是文字資料，再加上機器會算出最合適的語詞和句子結構，所以不同選字會影響後面的詞彙選取，「如何讓機器辨析口音問題」就是個挑戰。
熱愛教學 實踐夢想
語言理解、對話系統和機器智慧是很廣泛的領域，不缺研究主題，陳縕儂認為自己很幸運搭上這股熱潮，且最終回到研究自由度高的台灣繼續努力，她一點都不覺得捨棄微軟工作很可惜。
「教學是很快樂的事情！」她笑說，把自己會的東西交給學生，看到學生從不懂到成為專家，可以跟妳一起討論研究問題，是一件無比有成就感的事。
今年初，陳縕儂帶領臺大團隊在科技部「科技大擂台：與AI對話」比賽拿下冠軍，成績甚至超越華碩電腦達文西實驗室。她形容這是場艱難的馬拉松，從初賽、複賽至決賽比了快一年，決賽題目比照「華語文能力測驗」，機器在比賽現場得聽完一段文章和選項，並選出正確答案，除了選擇題，還有簡答題。
陳縕儂笑說，學生為了訓練機器、調整類神經網絡，以及整合成一個系統熬了無數個夜，這對學生和她來說是個難得的體驗，目前團隊決賽成績是1000題中拿下約54%的正確率，希望未來能再提高，讓機器的成績有機會超過人類。
很多學生覺得自己不夠聰明，沒辦法學好code，陳縕儂認為，聰明確實可以幫你快速掌握code的規則，但是多練習也可以補足，它不會像物理或數學一樣轉不過來就是沒辦法。
她坦言，自己博班時也很拼，一部分是課業負擔重，一部分則是想縮短臺美遠距離戀愛的時間，所以硬是在四年半拼完博士。每天只睡四、五個小時，一睜開眼就坐在電腦前打code，「不過該玩的還是有玩，我是寧可犧牲睡眠，也要玩到的人！」
陳縕儂表示，她比其他人幸運，能一路延續研究旨趣，選到自己熱愛的研究主題。她建議國高中課程可以提早將寫程式納入課程中，這就像Excel和輸入法一樣是未來必備的技能，從中學生也可以挖掘未來志趣，對資訊科學有興趣的，就一起進來努力吧！
