Откривање на намера
Брза дефиниција
Откривањето на намера е задачата на идентификување што личноста сака да постигне од она што го пишува или вели, така што системот може да одговори или да ја насочи побараното. Типични намери се следење на нарачка, барање на поврат или прашање за производ.
На оваа страница
Како функционира откривањето на намера
Класичните чатботови се потпираа на класификатор на намера обучен на примерни фрази за секоја намера: “каде е мојот пакет”, “мојата нарачка не е стигната” и “број на следење?” сите означени како track_order. Потоа, екстрактор на слотови ги извлекуваше деталите како бројот на нарачката. Истражувачките сетови како BANKING77 (Casanueva и колеги, 2020), со 77 фини намени во банкарството, покажуваат колку тешко е да се направат фини разлики дури и за добри модели.
Со големите јазични модели, откривањето на намера често е имплицитно. Моделот ја чита пораката, одлучува што личноста сака и избира кој алат да повика. Некои тимови сè уште задржуваат експлицитен класификациски чекор за насочување на разговорите, означување за известување или активирање на специфични работни процеси.
Зошто е важно во услугата за корисници
Знаењето на намерата одредува што ќе се случи следно: одговор од FAQ, проверка на нарачка, отворање на враќање, испраќање на разговорот до фактурирање, или веднаш повикување на лице за жалба. Собрани над илјадници разговори, намерите исто така му кажуваат на бизнисот за што навистина го контактираат клиентите — влез за подобрување на страниците, политиките и производите.
Во е-трговијата најчестите намери обично се статус на нарачка, времиња на испорака, враќања и разменувања, прашања за производи и проблеми со плаќање.
Чести замки
Вистинските пораки често содржат неколку намери (“каде е мојата нарачка, и дали можам да ја сменам големината?”). Фиксните листи на намери стареат брзо како што се менуваат производите и политиките, а долгата опашка на ретки побарувања никогаш не одговара на било кој етикет. Праг на доверба кој е премногу низок ги испраќа клиентите по погрешен пат; праг кој е премногу висок ескалира сè. Системите треба да дозволат резервна опција — да постават појаснувачко прашање или да пренесат — наместо да принудуваат претпоставка.
Обработка на намери во AI SmartTalk
AI SmartTalk не ве бара да дефинирате листа на намери. Јазичниот модел на асистентот интерпретира секое известување и избира помеѓу своите алатки — пребарување знаење, пребарување производи, проверка на нарачки, резервирање термини, пренос. За маршрутирање и известување, разговорите можат да бидат означени, а SmartFlow работните процеси можат да се разгрануваат со AI услов на она што клиентот го рече. Прашањата на кои асистентот не можел да одговори се наведени за да тимот може да ги пополни празнините.
Често поставувани прашања
Што е разликата помеѓу намера и ентитет?
Намерата е она што лицето го сака (да следи нарачка); ентитетите се деталите потребни за да се направи тоа (бројот на нарачката, електронската адреса).
Дали асистентите базирани на LLM сè уште треба класификација на намери?
Не за да одговори, бидејќи моделот директно ја интерпретира побарувачката. Јасната класификација останува корисна за маршрутирање, аналитика и активирање фиксни процеси.
Колку намери треба да има бот за поддршка?
Со класичен класификатор, започнете со дузина намери кои покриваат најголем дел од обемот и додавајте повеќе како што податоците ги покажуваат. Со LLM агент, фокусирајте се на алатките и знаењето кои секоја честа намера ги бара.