Hvorfor gode chatbots trenger kontekst, ikke trebaserte flyter

Tidsstempel: 1. november 2021, kl
Kilde node: 1352945

I eksemplet er du interessert i å besøke en attraksjonsside og ønsker å finne ut hvor mye inngangsbillettene koster, så du spør,

Overraskende nok visste ikke chatboten svaret, til tross for at de hadde de relevante API-integrasjonene.

Med litt veiledning omdirigerer chatboten deg til en guidet (regelbasert) samtaleflyt. Det foreslår at du bør si "Kjøpe billetter" først, etterfulgt av "Billettpriser", og endelig "Sky skog" for å komme til svaret.

Ikke helt i nærheten enda.

De aller fleste virtuelle agenter bruker en modell for naturlig språkforståelse (NLU), men brukerne er fortsatt forkrøplet med de unaturlige dialogene.

Man kan ikke bare forklare intelligensen til en chatbot ved å si at den ene NLP-plattformen er bedre eller dårligere enn den andre. Det er en praktisk grunn, men det er det ikke i dette tilfellet. Hvorfor? Hensikten med en godt trent NLU-modell er å hjelpe til med å kartlegge et input (brukerytring) til en utgang (brukerintensjon). For eksempel begge deler “Send curry chicken pizza til 20 Sunshine Avenue” og “Jeg vil ha fisk og chips” referer til den samme "Matbestilling"-hensikten.

Det er imidlertid der hensiktsdeteksjonen slutter. Som samtaledesigner eller utvikler må du vurdere hva som skjer etter intensjonsdeteksjon. Det heter kontekst å gi et direkte svar så mye som mulig.

I det virkelige liv, hvis du og vennen din endelig møtes etter måneder med lockdown, former alle øyeblikkene på den siste turen som dere begge husker kontekst. Den har spesifikke parametere som bynavnene og menneskene du møter på veien. Kontekst er også forgjengelig, noe som betyr at ferieøyeblikkene før COVID ikke er det første du tenker på hvis du og vennen din har møttes flere ganger og snakket om andre ting.

Når du programmerer chatbots, kan det være lurt å gjøre noe med den spesifikke informasjonen som er uttalt av brukeren. En god idé for den virtuelle agenten din er for eksempel å proaktivt trekke ut matnavnet og leveringsadressen under samtaleøkten og forplikte seg til en minnetilstand (konteksten). Boten bør ikke be om den samme informasjonen når brukeren allerede har sagt dem nedover banen.

Dessverre kan noen chatboter i dag ikke huske viktige parametere for å holde en nyttig dialog med brukeren, som til slutt må gjenta kritiske detaljer til chatboten for å hjelpe den videre.

Dette er noen muligheter:

  1. Utforme glade stier kun under trelignende samtaledesignverktøy i noen lavkodeprogramvare
  2. Behandle intensjoner som svinger eller sjekkpunkter i flyten, snarere enn mål kunden har i tankene
  3. Presentere tankekart eller flytskjemaer for samtaler for programvareingeniører uten spesifikasjoner om brukerfeilrettinger og chat-omveier
  4. Har problemer med å gjøre rede for store permutasjoner i en ikke-lineær applikasjon, i motsetning til en nett- eller mobilapp med begrensede strømmer til suksess-/mislykkestilstander

Denne gangen trekker chatboten ut enhetene den ser etter i en hensikt med billettprisforespørsel. Det er deltakerne og attraksjonsstedet. Siden det er tilstrekkelig med data til å slå opp billettpriser, presenterer chatboten et par relevante rike kort.

Du har visstnok gjort en feil. Du retter feilen ved å si

I stedet for en fallback ("Beklager, jeg forsto ikke"), fører meldingen til en parameterbasert hensikt. Chatboten har allerede husket din foretrukne attraksjonsside og står nå kun for den nye deltakerinformasjonen. Den vet også at du er i tilstanden for forespørsel om billettpris, så uten at du trenger å gjenta den, forteller den deg den nye totalprisen.

Du fortsetter å nevne at du er en lokal statsborger.

Igjen, uten at du må gjenta attraksjonssiden og antall personer og endre gjeldende samtaleemne, ser chatboten opp billettpriser basert på all oppdatert informasjon som er samlet inn. Suksess!

Source: https://chatbotslife.com/why-good-chatbots-need-context-not-tree-based-flows-f083db0ed635?source=rss—-a49517e4c30b—4

Tidstempel:

Mer fra Chatbots liv