认为对话式综合智能并不像sysiphean，因为它看起来很像。类似于Google的Dialogflow的工具，微软的Bot Framework和亚马逊的Lex使这项职责比以前更简单，Uber的员工希望通过自己的成长平台消除所有剩余的障碍。它被称为柏拉图分析对话系统，并在GitHub上立即公开发布。

根据Uber AI(Uber分析部)合作者的定义，Plato旨在创建，练习和部署对话型AI经纪人，以使科学家和业余爱好者可以收集有关原型和演示技术的信息。它提出了“清晰”和“易于理解”的设计，并将其集成到当前的深入研究和人体模型设置优化框架中，从而减少了代码编写的必要性。

柏拉图的主要迭代(模型0.1)通过语音，文本内容或结构化信息(例如，对话)帮助进行交互，每个对话代理都可以与人类客户(类似于客户和不同客户)一起工作。不同的经纪人或信息。(Plato可以生成许多中间件，并确保将输入和输出信息准确地传输给每个代理，并保留对对话框的观察。)此外，Plato可以为产品的每个部分合并预配置的模板。对话主体和每个部分都可以在整个交互或对话中形成。从信息。

柏拉图通过模块化设计将信息处理分为七个步骤来实现：语音识别，语言理解，状态监视(将已提及和完成的更新分组详细信息)。现在)，API调用(例如，在数据库中搜索)，对话保险单(产生代理响应的摘要感)，语言时代(将摘要感转换为文本内容)和语音合成。柏拉图有助于各种对话式综合智能架构，并且可以在类似于Ludwig Uber，Google的TensorFlow和Fb的PyTorch的机器学习库的帮助下对各个方面进行教育。

为了展示其可扩展性，Plato客户可以通过提供Python类标识和该模块的捆绑路径以及人体模型的初始化参数，来概述自己的体系结构或插入自己的部件。只要按执行顺序列出模块，柏拉图便会管理其余模块，并封装输入和输出，链接和工作模块(串行或并行)，并促进对话。

关于知识的记录，柏拉图数据会在称为“对话情节记录器”的构造中出现，该构造包含有关早期对话状态，所采取的操作，当前对话状态等的详细信息。甚至还可以使用定制的学科来跟踪未归入概述类的内容。

“我们认为柏拉图有能力在深度学习环境中(从路德维希和TensorFlow到PyTorch，Keras以及其他开放式供应任务)额外无缝地练习聊天中介，这可以增强在教育和工业用途中的对话式AI应用科学。” Uber AI研究人员Wang Yi-Chia Wang，Mahdi Namazifar和Chandra Khatri “ [我们]曾用[d]柏拉图来简单地让聊天代理请求餐厅的详细信息，而另一个代理则提供此类信息;随着时间的流逝，他们的对话变得越来越纯正。”

柏拉图(Plato)的发布是在路德维希(Ludwig)的首次亮相之后开始的，路德维希(Ludwig)是从Google的TensorFlow框架构建的开放式“工具箱”，该工具箱使客户可以指导和研究AI时尚，而无需编写代码。去年12月，Uber开发了Horovod，这是一种多机分布式教练框架，其建造者在内部以开放供应模式为LF深度学习基础在内部用于帮助自动驾驶汽车，欺诈检测和路线预测。