Intention-detektion
Hurtig definition
Intention-detektion er opgaven med at identificere, hvad en person ønsker at opnå fra det, de skriver eller siger, så et system kan svare eller videresende anmodningen. Typiske intentioner er at spore en ordre, anmode om en refundering eller spørge om et produkt.
På denne side
Hvordan intention-detektion fungerer
Klassiske chatbots stolede på en intention-klassifikator trænet på eksempel-sætninger for hver intention: “hvor er min pakke”, “min ordre er ikke ankommet” og “sporingsnummer?” alle mærket track_order. En slot-ekstraktor udvalgte derefter detaljer som ordrenummeret. Forskningsdatasæt som BANKING77 (Casanueva og kolleger, 2020), med 77 fint-granulerede bank-intentioner, viser, hvor svært det er med fine skel, selv for gode modeller.
Med store sprogmodeller er intention-detektion ofte implicit. Modellen læser beskeden, beslutter hvad personen ønsker og vælger, hvilket værktøj der skal kaldes. Nogle teams holder stadig et eksplicit klassifikationstrin for at videresende samtaler, mærke dem til rapportering eller udløse specifikke arbejdsgange.
Hvorfor det betyder noget i kundeservice
At kende intentionen bestemmer, hvad der sker næste gang: svare fra FAQ'en, slå en ordre op, åbne en returnering, sende samtalen til fakturering eller straks ringe til en person for en klage. Aggeret over tusindvis af samtaler fortæller intentioner også en virksomhed, hvad kunderne virkelig kontakter den om — input til at forbedre sider, politikker og produkter.
I e-handel er de mest hyppige intentioner normalt ordrestatus, leveringstider, returneringer og ombytninger, produktspørgsmål og betalingsproblemer.
Almindelige faldgruber
Rigtige beskeder indeholder ofte flere intentioner (“hvor er min ordre, og kan jeg ændre størrelsen?”). Faste intention-lister bliver hurtigt forældede, da produkter og politikker ændrer sig, og en lang hale af sjældne anmodninger passer aldrig ind under nogen etikette. Tillidsgrænser, der er for lave, sender kunder ned ad den forkerte vej; grænser, der er for høje, eskalerer alt. Systemer bør tillade en fallback — stille et afklarende spørgsmål eller overføre — i stedet for at tvinge et gæt.
Intent håndtering i AI SmartTalk
AI SmartTalk beder dig ikke om at definere en intent-liste. Assistentens sprogmodel fortolker hver besked og vælger blandt sine værktøjer — viden søgning, produkt søgning, ordreopslag, aftale booking, overdragelse. Til routing og rapportering kan samtaler tagges, og SmartFlow arbejdsprocesser kan forgrene sig med en AI-betingelse baseret på, hvad kunden sagde. Spørgsmål, som assistenten ikke kunne besvare, listes, så teamet kan udfylde hullerne.
Ofte stillede spørgsmål
Hvad er forskellen mellem en intent og en entity?
Intent er hvad personen ønsker (spore en ordre); entities er detaljerne der er nødvendige for at gøre det (ordrenummeret, e-mailadressen).
Har LLM-baserede assistenter stadig brug for intent klassifikation?
Ikke for at svare, fordi modellen fortolker anmodningen direkte. En eksplicit klassifikation forbliver nyttig til routing, analyse og udløsning af faste processer.
Hvor mange intents skal en supportbot have?
Med en klassisk klassifikator, start med de dusin intents, der dækker det meste af volumen, og tilføj flere, som data viser dem. Med en LLM-agent, fokuser i stedet på de værktøjer og den viden, hver hyppig intent kræver.