Por que bons chatbots precisam de contexto, não de fluxos baseados em árvore

Republicado por Platão

seguidores: 0

No exemplo, você está interessado em visitar um site de atração e quer saber quanto custam os ingressos, então pergunta:

Usuário: “Quanto custam os ingressos para 2 adultos e 1 criança para a floresta nublada?”

Surpreendentemente, o chatbot não sabia a resposta, apesar de ter as integrações de API relevantes.

Bot: “Desculpe, ainda estou aprendendo.”

Com um pouco de orientação, o chatbot redireciona você para um fluxo de conversa guiado (baseado em regras). Ele sugere que você deve dizer “Comprar bilhetes” primeiro, seguido por “Preços dos bilhetes", e finalmente "Floresta nublada” para chegar à resposta.

Bot: “Os ingressos estão disponíveis no site.”

Ainda não está perto.

A grande maioria dos agentes virtuais usa um modelo de compreensão de linguagem natural (NLU), mas os usuários ainda estão atrofiados com os diálogos não naturais.

Não se pode simplesmente explicar a inteligência de um chatbot dizendo que uma plataforma de PNL é melhor ou pior que a outra. É uma razão conveniente, mas não é neste caso. Por quê? O propósito de um modelo NLU bem treinado é ajudar a mapear uma entrada (enunciado do usuário) para uma saída (intenção do usuário). Por exemplo, tanto “Envie pizza de frango com curry para 20 Sunshine Avenue” e “Eu quero peixe e batatas fritas” referem-se à mesma intenção “Pedido de Comida”.

No entanto, é aí que a detecção de intenção termina. Como designer de conversa ou desenvolvedor, você precisa considerar o que acontece após a detecção de intent. É chamado contexto para dar uma resposta direta, tanto quanto possível.

1. Como a IA de conversação pode automatizar o atendimento ao cliente

2. Chats automatizados x ao vivo: como será o futuro do atendimento ao cliente?

3. Chatbots como assistentes médicos na pandemia de COVID-19

4. Chatbot vs. Assistente Virtual Inteligente - Qual é a diferença e por que se importar?

Na vida real, se você e seu amigo finalmente se encontrarem após meses de confinamento, todos os momentos da última viagem que vocês dois se lembram moldam o contexto. Possui parâmetros específicos, como os nomes das cidades e as pessoas que você encontra pelo caminho. O contexto também é perecível, o que significa que os momentos de férias pré-COVID não são a primeira coisa em mente se você e seu amigo se encontraram várias vezes conversando sobre outras coisas.

Quando você está programando chatbots, você pode querer fazer algo com as informações específicas proferidas pelo usuário. Por exemplo, uma boa ideia para o seu agente virtual é extrair proativamente o nome da comida e o endereço de entrega durante a sessão de conversa e se comprometer com um estado de memória (o contexto). O bot não deve pedir as mesmas informações quando o usuário já as disse no caminho.

Infelizmente, alguns chatbots hoje não conseguem se lembrar de parâmetros essenciais para manter um diálogo útil com o usuário, que eventualmente terá que repetir detalhes críticos para o chatbot para ajudá-lo.

Estas são algumas possibilidades:

Projetando caminhos felizes apenas em ferramentas de design de conversa semelhantes a árvores em alguns softwares de baixo código
Tratar as intenções como curvas ou pontos de verificação no fluxo, em vez de metas que o cliente tem em mente
Apresentar mapas mentais de conversas ou fluxogramas para engenheiros de software sem especificações sobre correções de erros do usuário e desvios de bate-papo
Ter dificuldade em contabilizar grandes permutações em um aplicativo não linear, ao contrário de um aplicativo da Web ou móvel com fluxos finitos para estados de sucesso/falha

Usuário: “quais são os preços dos ingressos para 2 adultos e 1 criança para a floresta nublada novamente?"

Desta vez, o chatbot extrai as entidades que procura em uma intenção de consulta de preço de ingresso. Esses são os participantes e o local da atração. Como existem dados suficientes para pesquisar os preços dos ingressos, o chatbot apresenta alguns rich cards relevantes.

Supostamente você cometeu um erro. Você corrige o erro dizendo

Do utilizador: "que tal 1 adulto, 1 criança e 1 idoso?"

Em vez de um fallback (“Desculpe, não entendi”), a mensagem leva a uma intenção baseada em parâmetro. O chatbot já lembrou do seu site de atração preferido e agora contabiliza apenas as informações do novo participante. Ele também sabe que você está no estado de consulta do preço do ingresso, portanto, sem exigir que você repita, informa o novo preço total.

Bot: “As taxas padrão são US$ 20 por adulto, US$ 12 por criança e US$ 10 por idoso. O total é de US$ 42.”

Você continua a mencionar que é um cidadão local.

Usuário: “sou local”

Novamente, sem que você repita o site da atração e o número de pessoas e alterando o tópico da conversa atual, o chatbot pesquisa os preços dos ingressos com base em todas as informações atualizadas coletadas. Sucesso!