Notice: Function _load_textdomain_just_in_time was called incorrectly. Translation loading for the all-in-one-seo-pack domain was triggered too early. This is usually an indicator for some code in the plugin or theme running too early. Translations should be loaded at the init action or later. Please see Debugging in WordPress for more information. (This message was added in version 6.7.0.) in /home/planetac/desa.planetachatbot.com/wp-includes/functions.php on line 6114

Notice: Function _load_textdomain_just_in_time was called incorrectly. Translation loading for the wp-user-avatar domain was triggered too early. This is usually an indicator for some code in the plugin or theme running too early. Translations should be loaded at the init action or later. Please see Debugging in WordPress for more information. (This message was added in version 6.7.0.) in /home/planetac/desa.planetachatbot.com/wp-includes/functions.php on line 6114
Más sobre chatbots, irrelevancia y detección de fuera del dominio - Planeta Chatbot

Tabla de contenidos

Introducción

Para enseñar a tu asistente los temas que debe ignorar, puedes revisar los registros de conversación de los usuarios para marcar como irrelevantes las expresiones que traten temas que están fuera de su alcance.

Las expresiones marcadas como irrelevantes deben guardarse como contraejemplos e incluirse como parte de los datos de entrenamiento. Estos datos enseñan al asistente a no responder explícitamente a este tipo de expresiones.

A menudo hay temas que se espera que los clientes pregunten y que se desea que el asistente aborde en algún momento, pero que aún no se está preparado para poner en práctica por completo.

Si los clientes preguntan sobre uno de estos temas mientras tanto, se activa el nodo de «fuera de alcance» para explicarles que el asistente no puede ayudarles con la petición actual, pero sí con otras cosas.

Los retos de configuración, como la formación de datos y el mantenimiento, se encuentran entre las principales razones para no implantar chatbots en las empresas, según una reciente encuesta de Deloitte.

Lo ideal no sería que el chatbot informara al usuario de que una petición está fuera de dominio? De una manera agradable 🙂

Según Deloitte, el 20% de las patentes de IA conversacional están relacionadas con la mejora del proceso de formación. Las innovaciones se centran en automatizar y acelerar el proceso de formación para comprender mejor las aportaciones de los usuarios y mejorar la calidad de las respuestas.

Este artículo examina cómo HumanFirst aborda este reto.


Construir un ecosistema de IA conversacional sostenible

La maduración inicial del panorama de la IA conversacional también ha dado lugar a la proliferación de diversas herramientas. Estas herramientas podrían dividirse en tres categorías:

  • Preconversación
  • Durante la conversación y
  • Posconversación.

HumanFirst cubre tanto los escenarios de preconversación como de postconversación. De nuevo, tradicionalmente en el desarrollo y mantenimiento de chatbots, el foco siempre estaba en lo que ocurre en la conversación. Sin embargo, existen herramientas verticales específicas para abordar las áreas de pre y post conversación. De las cuales HumanFirst es una.

Como se ha visto anteriormente, HumanFirst tiene una vista de expresiones y también una vista de conversaciones. De este modo, se aborda el escenario previo y posterior a la conversación.

La interfaz de HumanFirst permite ver las cadenas de entrada o las intenciones del usuario por frase. Esto es análogo al funcionamiento de la mayoría de las interfaces NLU. Con la marcada diferencia de que en las interfaces NLU tradicionales el usuario tiene que decidir/adivinar qué intenciones deben ser atendidas. Y, posteriormente, hay que elaborar las expresiones posibles o plausibles del usuario asociadas a esta intención.

Con HumanFirst se pueden añadir expresiones del cliente y con la agrupación se definen automáticamente las intenciones.

La pestaña de conversaciones permite interrogar los diálogos anteriores y etiquetar las expresiones.

El procesamiento manual de las cadenas de entrada de los usuarios o de los diálogos, con los enfoques manuales tradicionales, es propenso a los errores, ineficaz e inviable a largo plazo.


El enfoque de HumanFirst sobre la irrelevancia

HumanFirst dispone de opciones de interfaz en forma de

  • Interfaz de usuario basada en la web
  • Interfaz API
  • CLI
  • Pipelines

Aquí sólo nos centraremos en la interfaz web en general, y en los intentos en particular.

Desarrollar en función de las aportaciones de los usuarios y no de lo que es relevante para los viajes prediseñados

El enfoque de HumanFirst consiste en tomar cualquier expresión o conversación del cliente y generar automáticamente intenciones a partir de esas expresiones. El usuario puede establecer la granularidad y el tamaño del clúster, y HumanFirst detecta automáticamente grupos de expresiones. Todo ello con datos sin procesar, sin anotaciones, sin etiquetas predefinidas, etc. Y sin entidades predefinidas.

La intersección del diagrama de Venn es donde el chatbot es efectivo, esta superposición debe crecer hasta tal punto que los dos círculos se fusionen en gran medida.

El objetivo de HumanFirst es que los creadores no empiecen con recorridos e intenciones predefinidos y los adapten continuamente al comportamiento real del cliente. Sino que se trabaje a partir de las experiencias de los clientes. A continuación se puede ver que una expresión que no está etiquetada, se puede mover a la intención fuera de alcance. Observa que el icono es diferente. La intención fuera de alcance desempeña un papel en el proceso de formación del modelo.

Aquí se ve que una expresión que no está etiquetada, puede ser movida a la intención fuera de alcance. Observe que el icono es diferente. La intención fuera del ámbito desempeña un papel en el proceso de formación del modelo.

Arriba se ve que una expresión que no está etiquetada, puede ser movida a la intención fuera de alcance. Observa que el icono es diferente. La intención fuera de alcance desempeña un papel en el proceso de formación del modelo.

HumanFirst no requiere datos formateados de una solución NLU específica, y no es únicamente una herramienta de análisis y exportación de datos de soluciones NLU. Las expresiones y conversaciones de los usuarios se organizan en segundos y se puede detectar rápidamente la irrelevancia de las expresiones.

Mientras se establece la similitud, se hacen sugerencias a partir de los datos de los enunciados y estas sugerencias, que se puntúan, pueden añadirse a una intención, o moverse a fuera de alcance.

Mientras se establece la similitud, se hacen sugerencias a partir de los datos de los enunciados y estas sugerencias, que se puntúan, pueden añadirse a una intención, o moverse a fuera de alcance.

La herramienta de cobertura es muy útil para visualizar la cobertura en términos de confianza de la intención.

Como se ha visto anteriormente, la herramienta es muy útil para visualizar la cobertura en términos de confianza de la intención. Las expresiones asociadas a una intención pueden organizarse según la fecha, la puntuación del margen, la incertidumbre, la entropía o la similitud.

Las expresiones asociadas a una intención pueden organizarse según la fecha, la puntuación de margen, la incertidumbre, la entropía o la similitud. Las nuevas expresiones asociadas a la intención pueden ser reguladas con el control de confianza.

Por último, el modelo recién entrenado puede compararse con los modelos anteriores en función de cinco parámetros.

El modelo recién entrenado puede compararse con los modelos anteriores basándose en cinco métricas.

Para leer más sobre el significado de las métricas, aquí hay una muy buena explicación.


Conclusión

Democratizar el acceso a la IA conversacional

Como se ve a continuación, HumanFirst permite cargar expresiones o conversaciones completas. Se pueden reutilizar conjuntos de datos existentes o utilizar datos públicos. La opción de utilizar datos públicos es muy divertida para experimentar y crear prototipos.

HumanFirst permite cargar expresiones o conversaciones completas. Se pueden reutilizar conjuntos de datos existentes o utilizar datos públicos. La opción de utilizar datos públicos es bastante divertida para experimentar y crear prototipos.

La idea es que con HumanFirst existe la posibilidad de interrogar fácilmente a los datos, creando una estructura a partir de los datos de los enunciados. Los usuarios pueden incluso retroceder a partir de los datos de las conversaciones.

HumanFirst tiene unos cuantos conjuntos de datos públicos interesantes que pueden utilizarse para la experimentación y la exploración del marco. Trabajar con datos conocidos ayuda a desmitificar.

Más arriba, HumanFirst tiene una serie de datos públicos interesantes que pueden utilizarse para la experimentación y la exploración del marco. Trabajar con datos conocidos ayuda a desmitificar algunos conceptos básicos de la PNL.

Hay un lugar definido para el desarrollo orientado a la intención, y desde el principio se puede definir lo que está fuera del alcance o es irrelevante. Aquí es donde las expresiones y conversaciones de los usuarios dictan los recorridos que están disponibles.

Hay excepciones, por supuesto. Por ejemplo, en el caso de nuevos productos y servicios, el bot podría necesitar sugerir o incitar al usuario de forma proactiva. Evidentemente, se trata de introducir algo nuevo para el usuario que no conocía.

Por Cobus Greyling

Rasa Hero. NLP / NLU, Chatbots, Voz, UI / UX conversacional, Diseñador CX, Desarrollador, Interfaces de usuario ubicuas.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *