Why Good Chatbots Need Context, Not Tree-based Flows

Diterbitkan Ulang Oleh Plato

Followers: 0

Misalnya, Anda tertarik mengunjungi suatu tempat atraksi dan ingin mengetahui berapa harga tiket masuknya, maka Anda bertanya,

Pengguna: “Berapa harga tiket untuk 2 orang dewasa dan 1 anak ke cloud forest?”

Anehnya, chatbot tidak mengetahui jawabannya, meskipun memiliki integrasi API yang relevan.

Bot: “Maaf, saya masih belajar.”

Dengan sedikit panduan, chatbot mengarahkan Anda ke alur percakapan yang dipandu (berbasis aturan). Ini menyarankan agar Anda mengatakan “Beli tiket” terlebih dahulu, diikuti dengan “Harga tiket", dan akhirnya "Hutan Awan” untuk mendapatkan jawabannya.

Bot: “Tiket tersedia di situs web.”

Belum cukup dekat.

Sebagian besar agen virtual menggunakan model pemahaman bahasa alami (NLU), namun pengguna masih terhambat dengan dialog yang tidak wajar.

Seseorang tidak bisa begitu saja menjelaskan kecerdasan chatbot dengan mengatakan bahwa satu platform NLP lebih baik atau lebih buruk daripada yang lain. Ini adalah alasan yang tepat, namun tidak dalam kasus ini. Mengapa? Tujuan model NLU yang terlatih adalah untuk membantu memetakan masukan (ucapan pengguna) ke keluaran (maksud pengguna). Misalnya keduanya “Kirim pizza ayam kari ke 20 Sunshine Avenue” dan “Saya ingin ikan dan keripik” mengacu pada maksud “Pesanan Makanan” yang sama.

Namun, di situlah deteksi niat berakhir. Sebagai perancang atau pengembang percakapan, Anda perlu mempertimbangkan apa yang terjadi setelah deteksi niat. Ini disebut konteks untuk memberikan respon langsung sebanyak mungkin.

1. Bagaimana AI Percakapan dapat Mengotomatiskan Layanan Pelanggan

2. Obrolan Otomatis vs Langsung: Seperti Apa Masa Depan Layanan Pelanggan?

3. Chatbots Sebagai Asisten Medis Dalam Pandemi COVID-19

4. Chatbot Vs. Asisten Virtual Cerdas — Apa bedanya & Mengapa Peduli?

Dalam kehidupan nyata, jika Anda dan teman Anda akhirnya bertemu setelah berbulan-bulan lockdown, semua momen dalam perjalanan terakhir yang Anda berdua ingat akan membentuk konteks. Ini memiliki parameter khusus seperti nama kota dan orang yang Anda temui di sepanjang jalan. Konteksnya juga mudah rusak, artinya momen liburan sebelum COVID-19 bukanlah hal pertama yang Anda pikirkan jika Anda dan teman Anda sering bertemu dan membicarakan hal lain.

Saat Anda memprogram chatbot, Anda mungkin ingin melakukan sesuatu dengan informasi spesifik yang diucapkan oleh pengguna. Misalnya, ide bagus untuk agen virtual Anda adalah secara proaktif mengekstrak nama makanan dan alamat pengiriman selama sesi percakapan dan berkomitmen pada status memori (konteks). Bot tidak boleh meminta informasi yang sama ketika pengguna sudah mengatakannya.

Sayangnya, beberapa chatbot saat ini tidak dapat mengingat parameter penting untuk mengadakan dialog yang bermanfaat dengan pengguna, yang pada akhirnya harus mengulangi detail penting ke chatbot untuk membantu proses tersebut.

Berikut beberapa kemungkinannya:

Merancang jalur bahagia hanya di bawah alat desain percakapan seperti pohon di beberapa perangkat lunak berkode rendah
Memperlakukan niat sebagai titik balik atau titik pemeriksaan dalam alur, bukan tujuan yang ada dalam pikiran pelanggan
Menyajikan peta pikiran atau diagram alur percakapan kepada insinyur perangkat lunak tanpa spesifikasi tentang koreksi kesalahan pengguna dan jalan memutar obrolan
Mengalami kesulitan dalam memperhitungkan permutasi besar dalam aplikasi non-linier, tidak seperti aplikasi web atau seluler dengan aliran terbatas menuju status sukses/gagal

Pengguna: “berapa harga tiket untuk 2 orang dewasa dan 1 anak ke cloud forest lagi?"

Kali ini, chatbot mengekstrak entitas yang dicarinya dalam maksud penyelidikan harga tiket. Itulah peserta dan lokasi atraksi. Karena terdapat cukup data untuk mencari harga tiket, chatbot menyajikan beberapa kartu informasi yang relevan.

Seharusnya Anda melakukan kesalahan. Anda memperbaiki kesalahan dengan mengatakan

Pengguna: "bagaimana dengan 1 orang dewasa, 1 anak-anak, dan 1 lansia?"

Alih-alih mundur (“Maaf, aku tidak mengerti”), pesan mengarah ke maksud berbasis parameter. Chatbot telah mengingat situs atraksi pilihan Anda dan sekarang hanya memperhitungkan informasi peserta baru. Ia juga mengetahui bahwa Anda sedang dalam tahap penyelidikan harga tiket, jadi tanpa mengharuskan Anda mengulanginya, ia memberi tahu Anda total harga yang baru.

Bot: “Tarif standarnya adalah $20 per orang dewasa, $12 per anak, dan $10 per manula. Totalnya adalah $42.”

Anda terus menyebutkan bahwa Anda adalah warga negara setempat.

Pengguna: “Saya orang lokal”

Sekali lagi, tanpa harus mengulangi situs atraksi dan jumlah orang serta mengubah topik percakapan saat ini, chatbot akan mencari harga tiket berdasarkan semua informasi terkini yang dikumpulkan. Kesuksesan!