Dans l’exemple, vous souhaitez visiter un site d’attraction et souhaitez connaître le prix des billets d’entrée, alors vous demandez :
Utilisateur : « Combien coûtent les billets pour 2 adultes et 1 enfant pour la forêt de nuages ? »
Étonnamment, le chatbot ne connaissait pas la réponse, malgré les intégrations API pertinentes.
Bot : "Désolé, j'apprends encore."
Avec quelques conseils, le chatbot vous redirige vers un flux de conversation guidé (basé sur des règles). Cela suggère que vous devriez dire «Acheter des billets" d'abord, suivi de "Prix des billets", et enfin "cloud Forest» pour arriver à la réponse.
Bot : « Les billets sont disponibles sur le site Internet. »
Pas encore tout à fait proche.
La grande majorité des agents virtuels utilisent un modèle de compréhension du langage naturel (NLU), mais les utilisateurs sont toujours retardés par les dialogues non naturels.
On ne peut pas simplement expliquer l’intelligence d’un chatbot en disant qu’une plateforme de PNL est meilleure ou pire qu’une autre. C’est une raison commode, mais ce n’est pas le cas dans ce cas. Pourquoi? Le but d'un modèle NLU bien entraîné est d'aider à mapper une entrée (énoncé de l'utilisateur) à une sortie (intention de l'utilisateur). Par exemple, les deux «Envoyez une pizza au poulet au curry au 20 Sunshine Avenue» ainsi que «Je veux du fish and chips» faites référence à la même intention « Commande de nourriture ».
Cependant, c’est là que s’arrête la détection d’intention. En tant que concepteur ou développeur de conversations, vous devez tenir compte de ce qui se passe après la détection d'intention. C'est appelé contexte pour donner une réponse directe autant que possible.
1. Comment l'IA conversationnelle peut automatiser le service client
2. Chats automatisés ou en direct : à quoi ressemblera l'avenir du service client ?
3. Les chatbots en tant qu'assistants médicaux dans la pandémie de COVID-19
Dans la vraie vie, si vous et votre ami vous retrouvez enfin après des mois de confinement, tous les moments du dernier voyage dont vous vous souvenez tous les deux façonnent le contexte. Il comporte des paramètres spécifiques tels que les noms des villes et les personnes que vous rencontrez en cours de route. Le contexte est également périssable, ce qui signifie que les moments de vacances pré-COVID ne sont pas la première chose à l'esprit si vous et votre ami vous êtes rencontrés plusieurs fois pour parler d'autres choses.
Lorsque vous programmez des chatbots, vous souhaiterez peut-être faire quelque chose avec les informations spécifiques prononcées par l'utilisateur. Par exemple, une bonne idée pour votre agent virtuel est d'extraire de manière proactive le nom du plat et l'adresse de livraison pendant la session de conversation et de s'engager dans un état de mémoire (le contexte). Le bot ne doit pas demander les mêmes informations lorsque l’utilisateur les a déjà fournies en cours de route.
Malheureusement, certains chatbots d’aujourd’hui ne peuvent pas mémoriser les paramètres essentiels pour entretenir un dialogue utile avec l’utilisateur, qui devra éventuellement répéter des détails critiques au chatbot pour l’aider.
Voici quelques possibilités :
- Concevoir des chemins heureux uniquement sous des outils de conception de conversation arborescents dans certains logiciels low-code
- Traiter les intentions comme des tournants ou des points de contrôle dans le flux, plutôt que comme des objectifs que le client a en tête
- Présentation de cartes mentales ou d'organigrammes de conversation aux ingénieurs logiciels sans spécifications sur les corrections d'erreurs des utilisateurs et les détours de chat
- Avoir des difficultés à prendre en compte les grandes permutations dans une application non linéaire, contrairement à une application Web ou mobile avec des flux finis vers des états de réussite/échec
Utilisateur : « quels sont les prix des billets pour 2 adultes et 1 enfant pour la forêt nuageuse ? encore?"
Cette fois, le chatbot extrait les entités qu’il recherche dans une intention de demande de prix de billet. Ce sont les participants et le site d’attraction. Comme il existe suffisamment de données pour rechercher les prix des billets, le chatbot présente quelques cartes riches pertinentes.
Apparemment, vous avez fait une erreur. Vous corrigez l'erreur en disant
Utilisateur: "que diriez-vous plutôt de 1 adulte, 1 enfant et 1 personne âgée ? »
Au lieu d'une solution de secours ("Désolé, je n'ai pas compris"), le message mène à une intention basée sur des paramètres. Le chatbot a déjà mémorisé votre site d'attraction préféré et ne prend désormais en compte que les informations des nouveaux participants. Il sait également que vous êtes en train de demander le prix du billet, donc sans que vous ayez à répéter, il vous indique le nouveau prix total.
Bot : « Les tarifs standard sont de 20 $ par adulte, 12 $ par enfant et 10 $ par personne âgée. Le total est de 42 $.
Vous continuez à mentionner que vous êtes un citoyen local.
Utilisateur : « Je suis un local »
Encore une fois, sans que vous ayez à répéter le site de l'attraction et le nombre de personnes ni à changer le sujet de la conversation en cours, le chatbot recherche les prix des billets en fonction de toutes les informations mises à jour recueillies. Succès!
Bot : « Les tarifs locaux sont de 12 $ par adulte, 8 $ par enfant et 8 $ par personne âgée. Le total est de 28 $.
- &
- 7
- Comptabilité
- agents
- AI
- Tous
- api
- appli
- Candidature
- Assistante gérante
- Automatisation
- Bit
- Bot
- les soins
- Chatbot
- Chatbots
- enfant
- Ville
- le cloud
- continuer
- Conversation
- Corrections
- Couples
- COVID-19
- Courant
- Service à la clientèle
- données
- page de livraison.
- Conception
- Création de Design
- Détection
- Développeur
- se termine
- Les ingénieurs
- Extraits
- finalement
- Prénom
- flux
- nourriture
- avenir
- gif
- Objectifs
- Bien
- appuyez en continu
- Comment
- HP
- hr
- HTTPS
- ia
- idée
- d'information
- intégrations
- Intelligence
- intention
- IT
- langue
- gros
- apprentissage
- LG
- locales
- confinement
- Majorité
- Localisation
- Map
- médical
- moyenne
- Breeze Mobile
- Application Mobile
- modèle
- mois
- noms
- Langage naturel
- Compréhension du langage naturel
- nlp
- nlu
- Autre
- Personnes
- Pizza
- plateforme
- prix
- Programmation
- Tarifs
- réponse
- So
- Logiciels
- Région
- ensoleillement
- parlant
- raconte
- El futuro
- fiable
- utilisateurs
- Salle de conférence virtuelle
- assistant virtuel
- web
- Site Web
- WHO