Der ultimative Rasa-Spickzettel

Beginnen wir mit den Grundlagen:

Rasa Open Source ist ein Framework für Natural Language Understanding (NLU), Dialogmanagement und Integrationen. Rasa bietet auch RasaX an, ein Toolset (GUI) zur Verbesserung eines mit Rasa erstellten Bots.

Dies ist ein ständig wachsender Rahmen für die Entwicklung von Dialogsystemen und es ist kein Wunder, dass Sie Hilfe benötigen, wenn Sie mit Rasa arbeiten. Aber ich stehe hinter dir! Hier finden Sie ein umfassendes Cheatsheet für alle wichtigen Befehle und Funktionen, die Sie benötigen!

Mappen

domain.yml → das „Universum“ des Bots, d. h. es enthält eine Liste aller Absichten, Antworten, benutzerdefinierten Aktionen, Slots und Formulare. Vergessen Sie nicht, dass Sie jedes Mal, wenn Sie eine neue Absicht oder Entität hinzufügen, diese auch zu Ihrer Domain hinzufügen müssen

data/nlu.yml → die Trainingsdaten für die Komponente zum Verstehen natürlicher Sprache. Sie fügen Ihre Absichten ggf. mit annotierten Entitäten sowie Synonymen hinzu.

data/stories.yml → die Trainingsdaten für die Core-Dialog-Management-Komponente. Sie fügen Beispieldialogabläufe hinzu, damit Ihr Bot lernt, wie er mit Benutzern interagiert, nachdem er die Absicht erkannt hat

data/rules.yml → Teil der Trainingsdaten für die Komponente Kerndialogmanagement. Sie fügen Gesprächsausschnitte hinzu, die immer dem gleichen Ablauf folgen sollten

config.yml → Die Konfiguration enthält die Pipeline des Bots, alle Trainingsinformationen und die Richtlinien, die befolgt werden sollten

endpoints.yml → Details zum Verbinden mit Kanälen

Anmeldedaten.yml → Details zur Verbindung mit anderen Diensten. Rasa verfügt bereits über schriftliche Dienste, z. B. Facebook, Slack. Wenn Sie diese also nutzen möchten, kommentieren Sie einfach die Zeilen aus

Aktionen/Aktionen.py → Die benutzerdefinierten Aktionen sind Ihr Code, mit dem Sie APIs aufrufen, eine Verbindung zur Datenbank herstellen, Slots validieren usw. können.

Tests / → die End-to-End-Tests von Rasa. Alle Dateien in diesem Ordner müssen mit test_conversation beginnen, um für den Test berücksichtigt zu werden

Modelle / → wo Ihre Modelle gespeichert sind. Sobald Sie ein Modell trainieren, wird dieser Ordner automatisch erstellt

Ergebnisse/ → wo die Ergebnisse Ihrer Tests gespeichert werden. Sobald Sie ein Modell testen, wird dieser Ordner automatisch erstellt und die Dateien werden nach jedem Test automatisch aktualisiert

1. Wie Conversational AI den Kundenservice automatisieren kann

2. Automatisierte vs. Live-Chats: Wie wird die Zukunft des Kundenservice aussehen?

3. Chatbots als medizinische Assistenten in der COVID-19-Pandemie

4. Chatbot vs. Intelligenter virtueller Assistent — Was ist der Unterschied und warum kümmern?

Konversationsgetriebene Entwicklung (CDD)

Rasa fördert Konversationsgesteuerte Entwicklung. Mit anderen Worten: Rasa-Entwickler glauben, dass reale Daten und Gespräche Dialogsysteme verbessern. Die Schritte sind einfach:

1. Test & Track Melden Sie Ihren Assistenten so schnell wie möglich bei den Benutzern

2. Überprüfung regelmäßige Gespräche

3. Kommentieren Nachrichten und verwenden Sie sie als NLU-Trainingsdaten

4. Test dass sich Ihr Assistent immer so verhält, wie Sie es erwarten

5. Verfolgen wenn Ihr Assistent ausfällt, und messen Sie seine Leistung im Laufe der Zeit

6. Beheben wie Ihr Assistent mit erfolglosen Gesprächen umgeht

CDD ist Teil der Philosophie von Rasa, daher gibt es viele Funktionalitäten (insbesondere durch RasaX), die es uns ermöglichen, die Daten der Nutzer (natürlich DSGVO-konform) als Schulungsmaterial zu übernehmen.

Wichtige Befehle

rasa init

Initialisiert ein neues Rasa-Projekt

Rasa Zug

Trainiert ein Modell der von Ihnen bereitgestellten Daten entsprechend den Parametern, Richtlinien und benutzerdefinierten Komponenten, die Sie bei der Konfiguration ausgewählt haben.

rasa train nlu

Trainiert nur das NLU-Modell

Rasa Shell 

erstellt eine „Shell“, in der Sie mit Ihrem Bot sprechen können

Rasa-Shell --debug 

erstellt eine „Shell“, in der Sie mit Ihrem Bot sprechen UND debuggen können (das heißt, Sie sehen, was hinter dem Bot passiert, und erkennen, wo Fehler auftreten).

Rasa Shell nlu 

erstellt eine „Shell“ nur für die NLU-Daten (die Absichts- und Entitätserkennung)

Rasa laufen 

führt einen neuen Server mit dem trainierten Modell aus. Um mit dem Bot zu kommunizieren, wenn Rasa Run verwendet wird, ist ein benutzerdefinierter Client erforderlich.

rasa Aktionen ausführen

führt den Aktionsserver aus. Es wird jedes Mal verwendet, wenn Sie mit dem Bot sprechen möchten (z. B. Rasa Shell, Rasa Interactive).

Rasa-Test

testet automatisch alles im Ordner „tests“, beginnend mit test_conversations

rasa test -s 

testet automatisch die von Ihnen identifizierte spezifische Datei, die mit „tests/test_converstations“ beginnen muss

Rasa-Testkern 

testet automatisch die Kerndaten, also die Storys

Rasa-Test nlu 

testet automatisch die NLU-Daten

Rasa-Test – Kreuzvalidierung

Kreuzvalidierung, die automatisch mehrere Trainings-/Testaufteilungen der Daten erstellt und so die Tests effektiver macht

rasa Interactive -m models/{name_of_model.tar.gz}

öffnet eine interaktive Shell, in der Sie im Gespräch mit dem Bot Trainingsdaten zum System hinzufügen können. Insbesondere überprüfen Sie über diese interaktive Shell, ob die Absichts-/Entitätsklassifizierung und die Antworten Ihres Bots korrekt sind, und wenn nicht, können Sie sie korrigieren. Sie fügen das Flag -m hinzu, um zu definieren, welches Modell Sie für diese interaktive Shell verwenden möchten

rasa Daten validieren 

stellt sicher, dass in Ihrer Domain, Ihren NLU-Daten oder Story-Daten keine Fehler oder größere Inkonsistenzen auftreten

rasa --version

zeigt an, welche Version von Rasa (und Rasa-SDK) Sie verwenden

rasa visualisieren

visualisiert die Geschichten

rasa -h

zeigt alle verfügbaren Befehle an

Source: https://chatbotslife.com/the-ultimate-rasa-cheatsheet-925f8980d51b?source=rss—-a49517e4c30b—4