Στο παράδειγμα, σας ενδιαφέρει να επισκεφτείτε ένα αξιοθέατο και θέλετε να μάθετε πόσα είναι τα εισιτήρια εισόδου, γι' αυτό ρωτάτε:
Χρήστης: "Πόσο κοστίζουν τα εισιτήρια για 2 ενήλικες και 1 παιδί στο σύννεφο δάσος;"
Παραδόξως, το chatbot δεν ήξερε την απάντηση, παρά το γεγονός ότι είχε τις σχετικές ενσωματώσεις API.
Bot: "Συγγνώμη, ακόμα μαθαίνω."
Με λίγη καθοδήγηση, το chatbot σάς ανακατευθύνει σε μια καθοδηγούμενη (βασισμένη σε κανόνες) ροή συνομιλίας. Προτείνει ότι πρέπει να πείτε "Αγορά εισιτηρίων"πρώτα, ακολουθούμενη από "Τιμές εισιτηρίων", και τελικά "Cloud Forest” για να φτάσω στην απάντηση.
Bot: "Τα εισιτήρια είναι διαθέσιμα στον ιστότοπο."
Όχι πολύ κοντά ακόμα.
Η συντριπτική πλειονότητα των εικονικών πρακτόρων χρησιμοποιεί ένα μοντέλο κατανόησης φυσικής γλώσσας (NLU), αλλά οι χρήστες εξακολουθούν να είναι κολλητοί με τους αφύσικούς διαλόγους.
Δεν μπορεί κανείς απλώς να εξηγήσει την ευφυΐα ενός chatbot λέγοντας ότι μια πλατφόρμα NLP είναι καλύτερη ή χειρότερη από την άλλη. Είναι ένας βολικός λόγος, αλλά δεν είναι σε αυτή την περίπτωση. Γιατί; Ο σκοπός ενός καλά εκπαιδευμένου μοντέλου NLU είναι να βοηθήσει στη χαρτογράφηση μιας εισόδου (προφορά χρήστη) σε μια έξοδο (πρόθεση χρήστη). Για παράδειγμα και τα δύο “Στείλτε πίτσα κοτόπουλου με κάρυ στο 20 Sunshine Avenue” και “Θέλω ψάρι και πατατάκια” ανατρέξτε στην ίδια πρόθεση «Παραγγελία φαγητού».
Ωστόσο, εκεί τελειώνει η ανίχνευση πρόθεσης. Ως σχεδιαστής συνομιλίας ή προγραμματιστής, πρέπει να εξετάσετε τι συμβαίνει μετά τον εντοπισμό πρόθεσης. Λέγεται συμφραζόμενα να δώσει μια άμεση απάντηση όσο το δυνατόν περισσότερο.
1. Πώς η συνομιλία AI μπορεί να αυτοματοποιήσει την εξυπηρέτηση πελατών
2. Αυτοματοποιημένες vs Ζωντανές συνομιλίες: Πώς θα μοιάζει το μέλλον της εξυπηρέτησης πελατών;
3. Chatbots ως ιατρικοί βοηθοί στην πανδημία COVID-19
4. Chatbot εναντίον Ευφυής εικονικός βοηθός - Ποια είναι η διαφορά και γιατί φροντίζετε;
Στην πραγματική ζωή, εάν εσείς και ο φίλος σας συναντηθείτε τελικά μετά από μήνες καραντίνας, όλες οι στιγμές στο τελευταίο ταξίδι που θυμάστε και οι δύο σας διαμορφώνουν συμφραζόμενα. Έχει συγκεκριμένες παραμέτρους όπως τα ονόματα των πόλεων και τα άτομα που συναντάς στη διαδρομή. Το πλαίσιο είναι επίσης ευπαθές, πράγμα που σημαίνει ότι οι στιγμές των διακοπών πριν από τον COVID δεν είναι το πρώτο πράγμα στο μυαλό, εάν εσείς και ο φίλος σας έχετε συναντηθεί πολλές φορές μιλώντας για άλλα πράγματα.
Όταν προγραμματίζετε chatbots, μπορεί να θέλετε να κάνετε κάτι με τις συγκεκριμένες πληροφορίες που εκφράζει ο χρήστης. Για παράδειγμα, μια καλή ιδέα για τον εικονικό σας πράκτορα είναι να εξαγάγετε προληπτικά το όνομα του φαγητού και τη διεύθυνση παράδοσης κατά τη διάρκεια της συνομιλίας και να δεσμευτείτε σε μια κατάσταση μνήμης (το πλαίσιο). Το bot δεν πρέπει να ζητά τις ίδιες πληροφορίες όταν ο χρήστης τις έχει ήδη πει στη διαδρομή.
Δυστυχώς, ορισμένα chatbot σήμερα δεν μπορούν να θυμηθούν βασικές παραμέτρους για να κάνουν έναν χρήσιμο διάλογο με τον χρήστη, ο οποίος τελικά θα πρέπει να επαναλάβει σημαντικές λεπτομέρειες στο chatbot για να το βοηθήσει.
Αυτές είναι μερικές πιθανότητες:
- Σχεδιάζοντας χαρούμενα μονοπάτια μόνο κάτω από εργαλεία σχεδίασης συνομιλιών που μοιάζουν με δέντρο σε κάποιο λογισμικό χαμηλού κώδικα
- Αντιμετώπιση των προθέσεων ως στροφών ή σημείων ελέγχου στη ροή, αντί για στόχους που έχει κατά νου ο πελάτης
- Παρουσίαση χαρτών μυαλού συνομιλίας ή διαγραμμάτων ροής σε μηχανικούς λογισμικού χωρίς προδιαγραφές σχετικά με διορθώσεις σφαλμάτων χρήστη και παρακάμψεις συνομιλίας
- Δυσκολία στον υπολογισμό μεγάλων μεταθέσεων σε μια μη γραμμική εφαρμογή, σε αντίθεση με μια εφαρμογή ιστού ή για κινητά με πεπερασμένες ροές σε καταστάσεις επιτυχίας/αποτυχίας
Χρήστης: «ποιες είναι οι τιμές των εισιτηρίων για 2 ενήλικες και 1 παιδί στο σύννεφο δάσος πάλι?"
Αυτή τη φορά, το chatbot εξάγει τις οντότητες που αναζητά σε μια πρόθεση έρευνας τιμής εισιτηρίου. Αυτοί είναι οι συμμετέχοντες και το αξιοθέατο. Καθώς υπάρχουν επαρκή δεδομένα για την αναζήτηση των τιμών των εισιτηρίων, το chatbot παρουσιάζει μερικές σχετικές πλούσιες κάρτες.
Υποτίθεται ότι έκανες λάθος. Διορθώνεις το λάθος λέγοντας
Χρήστης: "τι γίνεται με 1 ενήλικα, 1 παιδί και 1 ηλικιωμένο;"
Αντί για επιστροφή («Συγγνώμη, δεν κατάλαβα»), το μήνυμα οδηγεί σε μια πρόθεση που βασίζεται σε παραμέτρους. Το chatbot έχει ήδη θυμηθεί την προτιμώμενη τοποθεσία έλξης σας και πλέον λογαριάζεται μόνο τα νέα στοιχεία των συμμετεχόντων. Γνωρίζει επίσης ότι βρίσκεστε σε κατάσταση έρευνας για την τιμή του εισιτηρίου, επομένως, χωρίς να σας απαιτεί να επαναλάβετε, σας λέει τη νέα συνολική τιμή.
Bot: «Οι τυπικές τιμές είναι 20 $ ανά ενήλικα, 12 $ ανά παιδί και 10 $ ανά ηλικιωμένο. Το σύνολο είναι $42.
Συνεχίζετε να αναφέρετε ότι είστε ντόπιος πολίτης.
Χρήστης: "Είμαι ντόπιος"
Και πάλι, χωρίς να επαναλάβετε τον ιστότοπο έλξης και τον αριθμό των ατόμων και να αλλάξετε το τρέχον θέμα συνομιλίας, το chatbot αναζητά τις τιμές των εισιτηρίων με βάση όλες τις ενημερωμένες πληροφορίες που συλλέγονται. Επιτυχία!
Bot: «Οι τοπικές τιμές είναι 12 $ ανά ενήλικα, 8 $ ανά παιδί και 8 $ ανά ηλικιωμένο. Το σύνολο είναι 28 $.”
- &
- 7
- Λογιστήριο
- παράγοντες
- AI
- Όλα
- api
- app
- Εφαρμογή
- Βοηθός
- Αυτοματοποιημένη
- Κομμάτι
- Bot
- ο οποίος
- chatbot
- chatbots
- παιδί
- Πόλη
- Backup
- ΣΥΝΕΧΕΙΑ
- Συνομιλία
- Διορθώσεις
- Ζευγάρι
- Covid-19
- Ρεύμα
- Εξυπηρέτηση πελατών
- ημερομηνία
- διανομή
- Υπηρεσίες
- σχεδιαστής
- Ανίχνευση
- Εργολάβος
- τελειώνει
- Μηχανικοί
- Εκχυλίσματα
- Τελικά
- Όνομα
- ροή
- τροφή
- μελλοντικός
- gif
- Στόχοι
- καλός
- κρατήστε
- Πως
- HP
- hr
- HTTPS
- ia
- ιδέα
- πληροφορίες
- ολοκληρώσεις
- Νοημοσύνη
- πρόθεση
- IT
- Γλώσσα
- large
- μάθηση
- LG
- τοπικός
- κλείδωμα
- Η πλειοψηφία
- χάρτη
- χάρτες
- ιατρικών
- medium
- Κινητό
- εφαρμογή για κινητά
- μοντέλο
- μήνες
- ονόματα
- Φυσική γλώσσα
- Φυσική κατανόηση της γλώσσας
- nlp
- ουδ
- ΑΛΛΑ
- People
- πίτσα
- πλατφόρμες
- τιμή
- Προγραμματισμός
- Τιμές
- απάντησης
- So
- λογισμικό
- Κατάσταση
- λιακάδα
- ομιλία
- λέει
- Το μέλλον
- ώρα
- Χρήστες
- Πραγματικός
- εικονικός βοηθός
- ιστός
- Ιστοσελίδα : www.example.gr
- Ο ΟΠΟΊΟΣ