Otkrivanje namjere
Brza definicija
Otkrivanje namjere je zadatak identificiranja što osoba želi postići iz onoga što piše ili govori, tako da sustav može odgovoriti ili usmjeriti zahtjev. Tipične namjere su praćenje narudžbe, traženje povrata ili pitati o proizvodu.
Na ovoj stranici
Kako otkrivanje namjere funkcionira
Klasični chatbotovi oslanjali su se na klasifikator namjere obučen na primjer frazama za svaku namjeru: "gdje je moj paket", "moja narudžba nije stigla" i "broj za praćenje?" svi označeni kao track_order. Ekstraktor slotova tada je izdvojio detalje poput broja narudžbe. Istraživački skupovi podataka poput BANKING77 (Casanueva i suradnici, 2020), s 77 finih namjera u bankarstvu, pokazuju koliko su teške fine razlike čak i za dobre modele.
S velikim jezičnim modelima, otkrivanje namjere često je implicitno. Model čita poruku, odlučuje što osoba želi i bira koji alat pozvati. Neki timovi i dalje zadržavaju eksplicitni korak klasifikacije za usmjeravanje razgovora, označavanje za izvještavanje ili pokretanje specifičnih radnih tokova.
Zašto je to važno u korisničkoj službi
Poznavanje namjere odlučuje što se događa sljedeće: odgovor iz FAQ-a, provjera narudžbe, otvaranje povrata, slanje razgovora na naplatu ili odmah pozivanje osobe za pritužbu. Agregirano preko tisuća razgovora, namjere također govore poslovanju o čemu se kupci stvarno obraćaju — ulaz za poboljšanje stranica, politika i proizvoda.
U e-trgovini najčešće namjere obično su status narudžbe, vremena isporuke, povrati i zamjene, pitanja o proizvodima i problemi s plaćanjem.
Uobičajene zamke
Prave poruke često sadrže nekoliko namjera ("gdje je moja narudžba, i mogu li promijeniti veličinu?"). Fiksni popisi namjera brzo zastarijevaju kako se proizvodi i politike mijenjaju, a duga repa rijetkih zahtjeva nikada ne odgovara nijednoj oznaci. Pragovi povjerenja koji su previše niski šalju kupce na krivi put; pragovi koji su previše visoki eskaliraju sve. Sustavi bi trebali omogućiti rezervnu opciju — postaviti pojašnjavajuće pitanje ili prebaciti — umjesto da prisiljavaju na pogodak.
Rukovanje namjerama u AI SmartTalk
AI SmartTalk ne traži od vas da definirate popis namjera. Jezikovni model asistenta interpretira svaku poruku i bira među svojim alatima — pretraživanje znanja, pretraživanje proizvoda, provjera narudžbi, rezervacija termina, preusmjeravanje. Za usmjeravanje i izvještavanje, razgovori se mogu označiti, a SmartFlow radni tokovi mogu se granati s AI uvjetom na temelju onoga što je kupac rekao. Pitanja na koja asistent nije mogao odgovoriti su navedena kako bi tim mogao popuniti praznine.
Često postavljana pitanja
Koja je razlika između namjere i entiteta?
Namjera je ono što osoba želi (pratiti narudžbu); entiteti su detalji potrebni za to (broj narudžbe, adresa e-pošte).
Trebaju li asistenti temeljeni na LLM-u još uvijek klasifikaciju namjera?
Ne za odgovor, jer model izravno interpretira zahtjev. Eksplicitna klasifikacija ostaje korisna za usmjeravanje, analitiku i pokretanje fiksnih procesa.
Koliko namjera bi trebao imati bot za podršku?
S klasičnim klasifikatorom, započnite s desetak namjera koje pokrivaju većinu volumena i dodajte više kako podaci pokažu. S LLM agentom, umjesto toga, fokusirajte se na alate i znanje koje svaka česta namjera zahtijeva.