Por qué los buenos chatbots necesitan contexto, no flujos basados en árboles

Reeditado por Platón

seguidores: 0

En el ejemplo, está interesado en visitar un sitio de atracción y quiere saber cuánto cuestan las entradas, por lo que pregunta:

Usuario: “¿Cuánto cuestan las entradas para 2 adultos y 1 niño al bosque nuboso?”

Sorprendentemente, el chatbot no sabía la respuesta, a pesar de tener las integraciones de API relevantes.

Bot: "Lo siento, todavía estoy aprendiendo".

Con un poco de orientación, el chatbot lo redirige a un flujo de conversación guiado (basado en reglas). Sugiere que deberías decir “Comprar entradas” primero, seguido de “Precios de billetes", y finalmente "Bosque nuboso” para llegar a la respuesta.

Bot: "Los boletos están disponibles en el sitio web".

No muy cerca todavía.

La gran mayoría de los agentes virtuales utilizan un modelo de comprensión del lenguaje natural (NLU), pero los usuarios todavía se atrofian con los diálogos poco naturales.

Uno no puede simplemente explicar la inteligencia de un chatbot diciendo que una plataforma de PNL es mejor o peor que la otra. Es una razón conveniente, pero no lo es en este caso. ¿Por qué? El propósito de un modelo NLU bien entrenado es ayudar a mapear una entrada (expresión del usuario) a una salida (intención del usuario). Por ejemplo, ambos “Envía pizza de pollo al curry a 20 Sunshine Avenue” y “Quiero pescado y papas fritas” referirse a la misma intención de "Pedido de alimentos".

Sin embargo, ahí es donde termina la detección de intenciones. Como diseñador o desarrollador de conversaciones, debe considerar qué sucede después de la detección de intenciones. Se llama contexto para dar una respuesta directa tanto como sea posible.

1. Cómo la IA conversacional puede automatizar el servicio al cliente

2. Chats automatizados frente a chats en vivo: ¿Cómo será el futuro del servicio al cliente?

3. Chatbots como asistentes médicos en la pandemia de COVID-19

4. Chatbot vs. Asistente virtual inteligente: ¿cuál es la diferencia y por qué preocuparse?

En la vida real, si tú y tu amigo finalmente se encuentran después de meses de encierro, todos los momentos del último viaje que ambos recuerdan dan forma al contexto. Tiene parámetros específicos, como los nombres de las ciudades y las personas que conoces en el camino. El contexto también es perecedero, lo que significa que los momentos festivos previos a la COVID no son lo primero que se tiene en mente si usted y su amigo se han reunido varias veces para hablar de otras cosas.

Cuando esté programando chatbots, es posible que desee hacer algo con la información específica pronunciada por el usuario. Por ejemplo, una buena idea para su agente virtual es extraer proactivamente el nombre del alimento y la dirección de entrega durante la sesión de conversación y comprometerse con un estado de memoria (el contexto). El bot no debe pedir la misma información cuando el usuario ya la ha dicho en el camino.

Desafortunadamente, algunos chatbots hoy en día no pueden recordar los parámetros esenciales para mantener un diálogo útil con el usuario, quien eventualmente tendrá que repetir detalles críticos al chatbot para ayudarlo.

Estas son algunas posibilidades:

Diseñar caminos felices solo bajo herramientas de diseño de conversación en forma de árbol en algún software de código bajo
Tratar las intenciones como giros o puntos de control en el flujo, en lugar de objetivos que el cliente tiene en mente
Presentar mapas mentales de conversación o diagramas de flujo a ingenieros de software sin especificaciones sobre las correcciones de errores del usuario y los desvíos del chat.
Tener dificultad para dar cuenta de grandes permutaciones en una aplicación no lineal, a diferencia de una aplicación web o móvil con flujos finitos a estados de éxito/fracaso

Usuario: “¿cuáles son los precios de las entradas para 2 adultos y 1 niño al bosque nuboso ¿de nuevo?"

Esta vez, el chatbot extrae las entidades que busca en un intento de consulta de precio de boleto. Esos son los participantes y el sitio de atracción. Como hay suficientes datos para buscar precios de boletos, el chatbot presenta un par de tarjetas enriquecidas relevantes.

Supuestamente cometiste un error. Corriges el error diciendo

Usuario: “¿Qué pasa con 1 adulto, 1 niño y 1 mayor en su lugar?"

En lugar de una reserva (“Perdón, no entendí”), el mensaje conduce a una intención basada en parámetros. El chatbot ya ha recordado su sitio de atracción preferido y ahora solo tiene en cuenta la información del nuevo participante. También sabe que estás en el estado de consulta del precio del billete, por lo que sin pedirte que lo repitas, te indica el nuevo precio total.

Bot: “Las tarifas estándar son de $20 por adulto, $12 por niño y $10 por adulto mayor. El total es de $42”.

Sigues mencionando que eres un ciudadano local.

Usuario: “soy local”

Nuevamente, sin tener que repetir el sitio de la atracción y la cantidad de personas y cambiar el tema de conversación actual, el chatbot busca los precios de los boletos en función de toda la información actualizada recopilada. ¡Éxito!