Kavatsuse tuvastamine
Kiire määratlus
Kavatsuse tuvastamine on ülesanne tuvastada, mida inimene soovib saavutada sellest, mida nad kirjutavad või ütlevad, et süsteem saaks vastata või suunata taotluse. Tüüpilised kavatsused on tellimuse jälgimine, tagasimakse taotlemine või toote kohta küsimine.
Sellel lehel
Kuidas kavatsuse tuvastamine töötab
Klassikalised vestlusrobotid tuginesid kavatsuse klassifikaatorile, mis oli koolitatud iga kavatsuse näidislauseid põhjal: "kus on minu pakk", "minu tellimus ei ole veel saabunud" ja "jälgimisnumber?" kõik märgistatud track_order. Seejärel valis sloti ekstraktor välja üksikasjad, nagu tellimuse number. Uuringu andmestikud, nagu BANKING77 (Casanueva ja kolleegid, 2020), 77 peene panganduse kavatsusega, näitavad, kui rasked on peened eristused isegi heade mudelite jaoks.
Suure keelemudelitega on kavatsuse tuvastamine sageli kaudne. Mudel loeb sõnumit, otsustab, mida inimene soovib ja valib, millist tööriista kasutada. Mõned meeskonnad hoiavad endiselt selget klassifitseerimise sammu vestluste suunamiseks, nende märgistamiseks aruandluseks või konkreetsete töövoogude käivitamiseks.
Miks see on klienditeeninduses oluline
Kavatsuse teadmine otsustab, mis juhtub järgmisena: vastus KKK-st, tellimuse otsimine, tagastuse avamine, vestluse suunamine arvelduse osakonda või inimesele kaebuse korral kohe helistamine. Tuhandete vestluste kogumina ütlevad kavatsused ka ettevõttele, millest kliendid tegelikult ühendust võtavad — sisend lehtede, poliitikate ja toodete parandamiseks.
E-kaubanduses on kõige sagedasemad kavatsused tavaliselt tellimuse olek, kohaletoimetamise ajad, tagastused ja vahetused, toote küsimused ja makseprobleemid.
Tavalised lõksud
Reaalsed sõnumid sisaldavad sageli mitmeid kavatsusi ("kus on minu tellimus, ja kas ma saan suurust muuta?"). Fikseeritud kavatsuste loendid vananevad kiiresti, kuna tooted ja poliitikad muutuvad, ja haruldaste taotluste pikk saba ei sobi kunagi ühegi sildiga. Liiga madalad usaldusväärsuse künnised suunavad kliente valele teele; liiga kõrged künnised eskaleerivad kõike. Süsteemid peaksid lubama tagasipöördumise — küsima selgitavat küsimust või üle andma — pigem kui sundima oletama.
Ahnestamine AI SmartTalkis
AI SmartTalk ei palu sul määratleda kavatsuste loetelu. Assistendi keelemudel tõlgendab iga sõnumit ja valib oma tööriistade vahel — teadmiste otsing, toote otsing, tellimuse jälgimine, kohtumise broneerimine, edastamine. Suunamiseks ja aruandluseks saab vestlusi märgistada ning SmartFlow töövood võivad haruneda AI tingimuse põhjal, mida klient ütles. Küsimused, millele assistent ei suutnud vastata, on loetletud, et meeskond saaks puudujäägid täita.
Korduma kippuvad küsimused
Mis vahe on kavatsusel ja entiteedil?
Kavatsus on see, mida inimene soovib (tellimuse jälgimine); entiteedid on detailid, mis on vajalikud selle tegemiseks (tellimuse number, e-posti aadress).
Kas LLM-põhised assistendid vajavad endiselt kavatsuste klassifitseerimist?
Ei, et vastata, kuna mudel tõlgendab taotlust otse. Selge klassifitseerimine jääb siiski kasulikuks suunamiseks, analüütikaks ja fikseeritud protsesside käivitamiseks.
Kui palju kavatsusi peaks tugibotil olema?
Klassikalise klassifikaatori puhul alusta tosinast kavatsusest, mis katab enamikku mahtudest, ja lisa rohkem, kui andmed neid näitavad. LLM-agendi puhul keskendu hoopis tööriistadele ja teadmistele, mida iga sagedane kavatsus vajab.