Szándék észlelés
Gyors definíció
Az intent detection feladata annak az azonosítása, hogy egy személy mit akar elérni az írásával vagy mondanivalójával, hogy a rendszer válaszolhasson vagy irányíthassa a kérést. A tipikus szándékok közé tartozik a rendelés nyomon követése, a visszatérítés kérése vagy egy termékről való érdeklődés.
Ezen az oldalon
Hogyan működik az intent detection
A klasszikus chatbotok egy szándékklasszifikátorra támaszkodtak, amelyet minden szándék példafrázisainak betanításával képeztek: „hol van a csomagom”, „a rendelésem még nem érkezett meg” és „nyomon követési szám?” mind a track_order címkét kapták. Egy slot extractor ezután kiemelte az olyan részleteket, mint a rendelési szám. A BANKING77 (Casanueva és munkatársai, 2020) kutatási adathalmozók, 77 finomított banki szándékkal, megmutatják, milyen nehéz a finom megkülönböztetések még a jó modellek számára is.
A nagy nyelvi modellek esetében az intent detection gyakran implicit módon történik. A modell elolvassa az üzenetet, eldönti, mit akar a személy, és kiválasztja, melyik eszközt hívja meg. Néhány csapat még mindig fenntart egy explicit klasszifikációs lépést a beszélgetések irányítására, a jelentések címkézésére vagy specifikus munkafolyamatok elindítására.
Miért fontos az ügyfélszolgálatban
A szándék ismerete dönti el, mi történik ezután: válasz a GYIK-ból, rendelés megkeresése, visszatérés megnyitása, a beszélgetés átadása a számlázásnak, vagy azonnali hívás egy személyhez panasz esetén. Ezer beszélgetés összesítése alapján a szándékok azt is megmutatják egy vállalkozásnak, hogy az ügyfelek valójában miről keresnek meg — az input a weboldalak, politikák és termékek javításához.
Az e-kereskedelemben a leggyakoribb szándékok általában a rendelés állapota, a szállítási idő, a visszatérések és cserék, a termékekkel kapcsolatos kérdések és a fizetési problémák.
Gyakori csapdák
A valós üzenetek gyakran több szándékot tartalmaznak („hol van a rendelésem, és tudom-e változtatni a méretet?”). A rögzített szándéklisták gyorsan elavulnak, ahogy a termékek és politikák változnak, és a ritka kérések hosszú farka soha nem illeszkedik egyetlen címkéhez sem. A túl alacsony bizalmi küszöbök téves útra terelik az ügyfeleket; a túl magas küszöbök mindent felnagyítanak. A rendszereknek lehetővé kell tenniük a visszalépést — kérdezni egy tisztázó kérdést vagy átadni — ahelyett, hogy kényszerítenék a találgatást.
Szándékkezelés az AI SmartTalkban
Az AI SmartTalk nem kérdezi meg, hogy határozzon meg egy szándéklistát. A segéd nyelvi modellje értelmezi az egyes üzeneteket, és választ a rendelkezésre álló eszközök közül — tudáskeresés, termékkeresés, rendelésnyomozás, időpontfoglalás, átadás. Az útvonaltervezés és jelentéskészítés érdekében a beszélgetések címkézhetők, és a SmartFlow munkafolyamatok AI feltétellel ágazhatnak el attól, amit az ügyfél mondott. Azok a kérdések, amelyeket a segéd nem tudott megválaszolni, fel vannak tüntetve, hogy a csapat kitölthesse a hiányosságokat.
Gyakran ismételt kérdések
Mi a különbség a szándék és az entitás között?
A szándék az, amit az ember akar (rendelés nyomozása); az entitások a részletek, amelyek szükségesek ehhez (a rendelés száma, az email cím).
Szükség van-e az LLM-alapú segédeknek szándékosztályozásra?
Nem a válaszadásra, mert a modell közvetlenül értelmezi a kérést. A kifejezett osztályozás továbbra is hasznos az útvonaltervezéshez, elemzéshez és rögzített folyamatok elindításához.
Hány szándéknak kell lennie egy támogató botnak?
Hagyományos osztályozóval kezdje a tucatnyi szándékkal, amelyek a legnagyobb forgalmat fedik le, és adjon hozzá többet, ahogy az adatok ezt mutatják. Az LLM ügynöknél inkább a szükséges eszközökre és tudásra összpontosítson, amelyet minden gyakori szándék igényel.