Автор оригинала: Pankaj Kumar.
Многие компании сегодня утверждают, что у них есть Chatbots, работающие на NLP и что они создают ответы на лету. Но как работает ЧАПБО?
Chatbots стремятся сделать естественные взаимодействия неотличимы от человеческих разговоров, но насколько это правда? Что идет в такую бэкэн?
Давайте обсудим.
Как работают Chatbots?
Chatbots работают с использованием нескольких методологий. Несколько из этих методов простые, на основе ключевых слов ключевых слов. Некоторые из техник реагируют с разделами FAQ.
Пока некоторые более продвинутыми, такие как Хаптик которые работают на NLP и реагируют гораздо более человеческим образом. Давайте узнаем различные способы работы Chatbots. В предстоящих статьях мы поговорим о создании вашего первого чата.
1. Коллекция метода ответов
Многие четберы на рынке сегодня используют репозиторий предопределенных ответов и алгоритма для выбора приемлемого ответа на основе обратной связи и контекста.
Критерий может быть таким же базовым, как речевой матч на основе правил или, как специфично, как серия классификаторов обучения машин.
Эти системы не дают ни одного нового текста, а выбирают только ответ из данного набора.
Это может звучать как NLP или глубокую учебную машину, Но это не Отказ
Поскольку ответы предварительно написаны, они не делают грамматические ошибки.
Они также не могут управлять невидимыми случаями, для которых нет подходящего предопределенного ответа. По тем же причинам эти модели, такие как имена, перечисленные ранее в обсуждении, не могут ссылаться на знания контекстных организаций.
2. Методы Neuro Lingistical программирования (NLP)
Они намного сложнее создавать и понятно так. У них есть несколько или несколько выделенных серверов, использующих модель NLP на текстовых ответах в режиме реального времени.
Неснесенные модели не основаны на заранее определенных ответах.
С нуля они производят новые ответы.
Обычно эти модели основаны на способах перевода языка, но мы «переводим» от ввода на вывод (ответ) вместо перевода с одного языка на другое.
По сути, они «умнее». Они могут обратиться к объектам на входе и создавать впечатление, что вы разговариваете с человеком.
Тем не менее, эти модели трудно тренироваться и вполне вероятно, сделают грамматические ошибки (особенно на более длительные предложения). Они также обычно требуют огромных объемов учебных данных. Кроме того, они могут быть намного медленнее.
Архитектура в глубоком обучении, таких как SEQ2Seq, идеально подходит для поколения текста и исследователей, надеяться на быстрое прогресс в этой области. Мы сейчас, однако, на ранних этапах развития немецких моделей, которые функционируют довольно хорошо.
3. Использование трансформаторов
Модели, такие как GPT-2 и BERT, огромно привели к стандартам для человеческих разговоров. Вы можете проверить это самостоятельно, используя:
https://transformer.huggingface.co/doc/distil-gpt2
Например, это автоматически написано из модели.
Хотя эти модели находятся в фазах тестирования и не готовы к вам, существует огромный потенциал в этих моделях, используемых для будущего поколения языка.
Кто знает, вы можете даже поговорить с ботом по телефону, не замечая ничего странного в ответах в будущем?
Chatbots работает лучше с короткими текстовыми связью
Чем дольше диалог более сложнее, чтобы автоматизировать его.
Коротко-текстовые сообщения находятся на одной стороне континуума, где цель состоит в том, чтобы установить один ответ на один вход.
Вы можете получить определенный вопрос от клиента, например, и ответить приемлемым ответом.
Тогда существуют длительные дискуссии, где вам нужно отслеживать, что было сказано и проходит через несколько поворотов.
Например, собеседование обслуживания клиентов – длинные разговорные потоки, содержащие много вопросов.
Хотя Google создал значительный прогресс в использовании непрерывного разговора, и помощник Google теперь может отслеживать то, что вы сказали ранее, есть долгий путь для этого.
Chatbots могут иметь смысл вопроса, когда он короткий и до такой степени. Но когда мы играем по теме и обсудим много вещей, чтобы прийти к точке, модель AI смущена и не может ответить на правильные ответы здесь.
Chatbots могут учиться и отвечать на вопросы о вашем продукте/услуге
Это также важная часть разговоров NLP – препятствие для преодоления. Есть два типа доменов – открываются и закрыты.
Открытый домен : Где тема разговора может быть что угодно – спортивные, новости, здравоохранения, знаменитости и т. Д. И целью модели состоит в том, чтобы вести разговор с актуальностью и смыслом.
Закрытый домен: На конкретных предметах мы можем задать только небольшой диапазон вопросов. Модель ответит на основе предопределенных путей в чате.
Открытый домен Chatbots по-прежнему в будущем, потому что в моде возникает избыточный объем данных.
Но большинство чатей обучаются на закрытом домене, где есть только одна тема, набор функций или ниша. Чистота тренируется на словах и учится коррелировать разные сроки использования.
После того, как модель обучается для использования в прямом эфире, люди могут разговаривать с чатбом и получать соответствующие ответы на основе учебного материала. Хотя это не самый эффективный чатбот, он помогает автоматизировать множество основных запросов, в то время как человек может провести время, отвечая на более сложные.
Давайте теперь будем двигаться вперед для понимания намерения и как Chatbots может классифицировать намерение.
Классификация намерений на основе извлечения в Чатботах 2/4
Завершение примечания
Если вам понравилось, читая эту статью, следуйте за мной как автором. До тех пор, продолжай кодировать!