Varför bra chatbots behöver sammanhang, inte trädbaserade flöden

Återutgiven av Platon

anhängare: 0

I exemplet är du intresserad av att besöka en sevärdhet och vill ta reda på hur mycket entrébiljetterna kostar, så du frågar,

Användare: "Hur mycket kostar biljetter för 2 vuxna och 1 barn till molnskogen?"

Överraskande nog visste chatboten inte svaret, trots att den hade relevanta API-integrationer.

Bot: "Förlåt, jag lär mig fortfarande."

Med lite vägledning omdirigerar chatboten dig till ett guidat (regelbaserat) konversationsflöde. Det föreslår att du ska säga "Köpa biljetter" först, följt av "Biljettpriser", och slutligen "Moln skog” för att komma till svaret.

Bot: "Biljetter finns på hemsidan."

Inte riktigt nära än.

De allra flesta virtuella agenter använder en modell för naturlig språkförståelse (NLU), men användarna är fortfarande förkrossade med de onaturliga dialogerna.

Man kan inte bara förklara intelligensen hos en chatbot genom att säga att en NLP-plattform är bättre eller sämre än den andra. Det är ett bekvämt skäl, men det är det inte i det här fallet. Varför? Syftet med en vältränad NLU-modell är att hjälpa till att kartlägga en input (användaryttrande) till en output (användaravsikt). Till exempel båda “Skicka curry chicken pizza till 20 Sunshine Avenue” och “Jag vill ha fish and chips” hänvisar till samma "Matbeställning" avsikt.

Men det är där avsiktsdetekteringen slutar. Som konversationsdesigner eller utvecklare måste du överväga vad som händer efter avsiktsdetektering. Det heter sammanhang att ge ett direkt svar så mycket som möjligt.

1. Hur konversations AI kan automatisera kundtjänst

2. Automated vs Live Chats: Hur kommer kundtjänstens framtid att se ut?

3. Chatbots som medicinska assistenter i COVID-19-pandemi

4. Chatbot Vs. Intelligent virtuell assistent - Vad är skillnaden och varför bry sig?

I det verkliga livet, om du och din vän äntligen träffas efter månader av lockdown, formar alla ögonblicken under den senaste resan som ni båda minns sammanhang. Den har specifika parametrar som stadens namn och människorna du möter på vägen. Sammanhanget är också förgängligt, vilket innebär att semesterstunderna före COVID inte är det första du tänker på om du och din vän har träffats flera gånger och pratat om andra saker.

När du programmerar chatbots kanske du vill göra något med den specifika information som användaren yttrar. Till exempel är en bra idé för din virtuella agent att proaktivt extrahera matens namn och leveransadress under konversationssessionen och förbinda sig till ett minnestillstånd (sammanhanget). Boten ska inte be om samma information när användaren redan har sagt dem på vägen.

Tyvärr kan vissa chatbotar idag inte komma ihåg viktiga parametrar för att hålla en användbar dialog med användaren, som så småningom kommer att behöva upprepa kritiska detaljer till chatboten för att hjälpa den vidare.

Det här är några möjligheter:

Designa glada vägar endast under trädliknande konversationsdesignverktyg i någon mjukvara med låg kod
Behandla avsikter som svängar eller kontrollpunkter i flödet, snarare än mål som kunden har i åtanke
Presentera tankekartor eller flödesscheman för konversationer för mjukvaruingenjörer utan specifikationer om användarfelkorrigeringar och chattavstickare
Har svårt att ta hänsyn till stora permutationer i en icke-linjär applikation, till skillnad från en webb- eller mobilapp med ändliga flöden till framgångs-/misslyckandetillstånd

Användare: "vilka är biljettpriserna för 2 vuxna och 1 barn till molnskogen igen?"

Den här gången extraherar chatboten de enheter den letar efter i en biljettprisförfrågan. Det är deltagarna och attraktionsplatsen. Eftersom det finns tillräckligt med data för att leta upp biljettpriser, presenterar chatboten ett par relevanta rika kort.

Antagligen har du gjort ett misstag. Du rättar till felet genom att säga

Användare: "vad sägs om 1 vuxen, 1 barn och 1 senior istället?"

Istället för en reserv ("Förlåt, jag förstod inte"), leder meddelandet till en parameterbaserad avsikt. Chatboten har redan kommit ihåg din föredragna attraktionssida och står nu bara för den nya deltagarinformationen. Den vet också att du är i tillståndet för biljettprisförfrågan, så utan att du behöver upprepa det, berättar den det nya totala priset.

Bot: "Standardpriserna är $20 per vuxen, $12 per barn och $10 per senior. Totalt är $42."

Du fortsätter att nämna att du är en lokal medborgare.

Användare: "jag är en lokal"

Återigen, utan att behöva upprepa attraktionssidan och antalet personer och ändra det aktuella samtalsämnet, letar chatboten upp biljettpriser baserat på all uppdaterad information som samlats in. Framgång!