Hvorfor gode chatbots har brug for kontekst, ikke træbaserede flows

Genudgivet af Platon

Abonnenter: 0

I eksemplet er du interesseret i at besøge et seværdighedssted og ønsker at finde ud af, hvor meget entrébilletterne koster, så du spørger,

Bruger: "Hvor meget koster billetter for 2 voksne og 1 barn til skyskoven?"

Overraskende nok kendte chatbotten ikke svaret på trods af de relevante API-integrationer.

Bot: "Undskyld, jeg lærer stadig."

Med lidt vejledning omdirigerer chatbotten dig til et guidet (regelbaseret) samtaleflow. Det foreslår, at du skal sige "Køb billetter" først efterfulgt af "Billetpriser", og endelig "Skyskov” for at komme til svaret.

Bot: "Billetter er tilgængelige på hjemmesiden."

Ikke helt tæt på endnu.

Langt de fleste virtuelle agenter bruger en naturlig sprogforståelsesmodel (NLU), men brugerne er stadig forkrøblede med de unaturlige dialoger.

Man kan ikke blot forklare en chatbots intelligens ved at sige, at den ene NLP-platform er bedre eller værre end den anden. Det er en bekvem grund, men det er det ikke i dette tilfælde. Hvorfor? Formålet med en veltrænet NLU-model er at hjælpe med at kortlægge et input (brugerudtalelse) til et output (brugerhensigt). For eksempel begge dele “Send curry chicken pizza til 20 Sunshine Avenue” , “Jeg vil have fish and chips” henvise til den samme hensigt med "fødevarebestilling".

Men det er her, hensigtsdetektionen slutter. Som samtaledesigner eller -udvikler skal du overveje, hvad der sker efter hensigtsdetektion. Det hedder sammenhæng at give et direkte svar så meget som muligt.

1. Hvordan Conversational AI kan automatisere kundeservice

2. Automatiserede vs Live Chats: Hvordan vil fremtiden for kundeservice se ud?

3. Chatbots som medicinske assistenter i COVID-19-pandemien

4. Chatbot vs. Intelligent virtuel assistent — Hvad er forskellen og hvorfor bekymre sig?

I det virkelige liv, hvis du og din ven endelig mødes efter måneders lockdown, former alle de øjeblikke på den sidste tur, som I begge husker sammenhæng. Det har specifikke parametre såsom bynavnene og de mennesker, du møder undervejs. Konteksten er også letfordærvelig, hvilket betyder, at ferieøjeblikkene før COVID ikke er det første du tænker på, hvis du og din ven har mødtes flere gange for at snakke om andre ting.

Når du programmerer chatbots, vil du måske gøre noget med de specifikke oplysninger, som brugeren har udtalt. For eksempel er en god idé for din virtuelle agent at proaktivt udtrække fødevarenavnet og leveringsadressen under samtalesessionen og forpligte sig til en hukommelsestilstand (konteksten). Botten bør ikke bede om de samme oplysninger, når brugeren allerede har sagt dem ned ad stien.

Desværre kan nogle chatbots i dag ikke huske væsentlige parametre for at holde en nyttig dialog med brugeren, som i sidste ende bliver nødt til at gentage kritiske detaljer til chatbotten for at hjælpe den videre.

Disse er nogle muligheder:

Design af glade stier kun under trælignende samtaledesignværktøjer i noget lavkodesoftware
Behandling af hensigter som vendinger eller kontrolpunkter i flowet, snarere end mål, kunden har i tankerne
Præsentation af samtale-mindmaps eller flowcharts for softwareingeniører uden specifikationer om brugerfejlrettelser og chat-omveje
Har svært ved at tage højde for store permutationer i en ikke-lineær applikation, i modsætning til en web- eller mobilapp med begrænsede flows til succes-/fejltilstande

Bruger: “hvad er billetpriserne for 2 voksne og 1 barn til skyskoven igen?"

Denne gang udtrækker chatbotten de enheder, den leder efter i en hensigt med en billetprisforespørgsel. Det er deltagerne og attraktionsstedet. Da der er tilstrækkelige data til at slå billetpriser op, præsenterer chatbotten et par relevante rige kort.

Du har angiveligt lavet en fejl. Du retter fejlen ved at sige

Bruger: "hvad med 1 voksen, 1 barn og 1 senior i stedet for?"

I stedet for et tilbagefald ("Undskyld, jeg forstod det ikke"), fører meddelelsen til en parameterbaseret hensigt. Chatbotten har allerede husket dit foretrukne attraktionssted og står nu kun for de nye deltageroplysninger. Den ved også, at du er i tilstanden af billetprisforespørgsel, så uden at du behøver at gentage den, fortæller den dig den nye samlede pris.

Bot: "Standardpriserne er $20 per voksen, $12 per barn og $10 per senior. Det samlede beløb er $42."

Du fortsætter med at nævne, at du er en lokal borger.

Bruger: "jeg er lokal"

Igen, uden at du skal gentage attraktionssiden og antallet af personer og ændre det aktuelle samtaleemne, slår chatbotten billetpriserne op baseret på alle de opdaterede oplysninger, der er indsamlet. Succes!