В IBM Watson Assistant были внесены два значительных улучшения
Один - выявлять неактуальность в разговоре и управлять им
Введение
Коммерческие облачные среды NLU или Chatbot обычно ориентированы на помощь пользователю в создании NLU API. Затем этот NLU API можно использовать для подключения вашего чат-бота, чтобы обеспечить интеллектуальное, предсказуемое понимание естественного человеческого языка и т. Д.
Идея состоит в том, что у вас есть модель, созданная с вашими данными, которая будет предсказывать намерения пользователя и на основе намерения извлекать и идентифицировать сущности. Когда дело доходит до управления сеансом, управления состоянием и общего управления диалогами, вы в значительной степени предоставлены вашим собственным устройствам.
Что делает среду IBM Watson Assistant интересной, так это их в значительной степени успешная попытка представить целостную экосистему. Где вы можете не только определять намерения и сущности, но также сценарий, диалог и контекстные переменные.
Даже такие типы ответов, как кнопки, изображения и т. Д., Могут быть определены в диалоговом окне в том формате, в котором он должен быть представлен пользователю.
Первый: новые системные объекты
Системные сущности были значительно улучшены.
Вам необходимо вручную включить новые системные объекты, чтобы воспользоваться преимуществами улучшений, внесенных в числовые системные объекты, предоставленные IBM.
Список поддерживаемых языков можно найти здесь.
Новые системные объекты могут распознавать более подробные упоминания в пользовательском вводе. Например, системная дата может вычислять дату национального праздника, когда она упоминается по имени. Это, очевидно, очень сильно зависит от страны.
Системная дата также может распознать, когда год указан как часть даты, указанной во вводе пользователя. Улучшения также позволяют вашему помощнику легче различать множество сущностей системы, основанной на числах.
Например, упоминание даты, такое как 15 апреля, которое распознается как системная дата, также не идентифицируется как упоминание системного номера.
В этом примере показано, как Рождество переводится или нормализуется к году, месяцу и дню.
Это значительно упростит процесс нормализации даты из различных форматов естественного языка.
Два: автоматическое определение нерелевантности
Разговорные интерфейсы, также известные как чат-боты, обычно используются для работы с очень узкой областью. Но тогда нужно потратить много времени на обработку разговоров, которые не имеют отношения к области реализации.
Обнаружение нерелевантности помогает чат-боту распознать, когда пользователь касается тем, для ответа на которые он не предназначен, и с уверенностью на более ранней стадии процесса разработки.
Эта функция помогает вашему чат-боту распознавать темы, для которых вы не создавались и не разрабатывались, даже если вы явно не учили его, что следует игнорировать, отмечая определенные высказывания пользователей как нерелевантные.
Алгоритмические модели, которые помогают вашему чат-боту понять, что говорят пользователи, построены на двух ключевых элементах информации:
- Домены, на которые должен обращаться ваш чат-бот. Например, запросы о доставках к чат-боту, предназначенному для приема платежей.
- Вы обучаете своего чат-бота этим предметам, определяя намерения и предоставляя множество примеров пользовательских высказываний, которые формулируют намерения, чтобы ваш чат-бот мог их распознать.
- Затем вам нужно представить контрпримеры, и часто возникают ложные срабатывания, когда высказывание ошибочно приписывается сущности.
Обнаружение несоответствия предназначено для навигации по любой уязвимости, которая может присутствовать в данных контрпримера, когда вы начинаете разработку своего чат-бота.
Когда вы включаете его, в дополнение к стандартному методу запускается альтернативный метод оценки релевантности вновь представленного высказывания.
- На странице навыков откройте свой навык.
- В меню навыков нажмите Параметры.
- На странице Обнаружение нерелевантности выберите Улучшено.
Дополнительный метод исследует структуру нового высказывания и сравнивает ее со структурой пользовательских примеров высказываний в ваших обучающих данных.
Этот альтернативный подход помогает чат-ботам, у которых мало или совсем нет контрпримеров, распознавать неуместные высказывания.
Обратите внимание, что новый метод полагается на структурную информацию, которая основана на данных, не связанных с вашими навыками. Итак, хотя новый метод может быть полезен в начале работы, для создания чат-бота, обеспечивающего более индивидуальный подход, вы хотите, чтобы он использовал информацию из данных, полученных из домена приложения.
Чтобы убедиться, что ваш помощник это делает, можно добавить свои собственные контрпримеры. Если только несколько.
В процессе разработки chatobt вы предоставляете примеры пользовательских высказываний или предложений, которые сгруппированы в отдельные темы, о которых кто-то может спросить помощника - это называется «намерениями».
Плохая новость… пользователи не придерживаются сценария. Чат-бот обычно получает множество неожиданных вопросов, которые человек, создающий помощника, изначально не планировал для него.
В этих случаях запускается обращение к человеку или запускается поиск в базе знаний. Бот не самый эффективный ответ. Как насчет того, чтобы чат-бот сказал: Я не могу вам с этим помочь.
Отказ от назначения ложного намерения
Часто, вместо того, чтобы заявить, что намерение выходит за рамки, в отчаянной попытке внести высказывание в поле, чат-бот назначает пользователю вариант наиболее подходящего; часто ошибаюсь.
Или чат-бот продолжает сообщать пользователю, что не понимает; и постоянное перефразирование ввода пользователем. Вместо того, чтобы чат-бот просто формулировал вопрос, он не является частью его домена.
Традиционные подходы:
- Многие «выходящие за рамки» примеры придумываются и вводятся
- Модель NLU автоматически выбирает набор нерелевантных примеров, отличных от данных обучения.
Мы могли бы легко создать очень точный детектор нерелевантных вопросов, пометив большинство вопросов от пользователей-помощников как нерелевантные ... но это было бы довольно неудачно, потому что у помощника было бы мало охвата внутри домена вопросы.
Поскольку ни один из этих подходов не идеален, особенно когда помощник новичок и у него мало данных для обучения, мы решили придумать подход, более похожий на человека.
Если мы хотим узнать, является ли высказывание пользователя неуместным, IBM Watson Assistant сначала проверяет, похоже ли оно на набор соответствующих примеров, а если нет, оно помечается тегами.
IBM комбинирует это с другим алгоритмом, который оценивает отличие входящего вопроса от понятий, не близких к сфере деятельности ассистента.
В заключение
Очень отрадно видеть, как среда развивается и расширяется в функциональности. Команда IBM Watson Assistant успешно дополнила создание среды Watson Assistant инструментами и функциями, которые имеют огромное значение.
