Avsiktsdetektion
Snabb definition
Avsiktsdetektion är uppgiften att identifiera vad en person vill uppnå med vad de skriver eller säger, så att ett system kan svara eller vidarebefordra begäran. Typiska avsikter är att spåra en beställning, begära en återbetalning eller fråga om en produkt.
På den här sidan
Hur avsiktsdetektion fungerar
Klassiska chattbotar förlitade sig på en avsiktsklassificerare tränad på exempelmeningar för varje avsikt: “var är mitt paket”, “min beställning har inte kommit” och “spårningsnummer?” alla märkta track_order. En slot-extraktor plockade sedan ut detaljer som ordernummer. Forskningsdataset som BANKING77 (Casanueva och kollegor, 2020), med 77 finfördelade bankavsikter, visar hur svårt det är med fina skillnader även för bra modeller.
Med stora språkmodeller är avsiktsdetektion ofta implicit. Modellen läser meddelandet, bestämmer vad personen vill och väljer vilket verktyg som ska anropas. Vissa team behåller fortfarande ett explict klassificeringssteg för att vidarebefordra konversationer, märka dem för rapportering eller utlösa specifika arbetsflöden.
Varför det är viktigt inom kundservice
Att veta avsikten avgör vad som händer härnäst: svara från FAQ, slå upp en beställning, öppna en retur, skicka konversationen till fakturering, eller ringa en person omedelbart för ett klagomål. Sammanställt över tusentals konversationer berättar avsikterna också för ett företag vad kunder verkligen kontaktar det om — ingången för att förbättra sidor, policyer och produkter.
Inom e-handel är de vanligaste avsikterna vanligtvis orderstatus, leveranstider, returer och byten, produktfrågor och betalningsproblem.
Vanliga fallgropar
Verkliga meddelanden innehåller ofta flera avsikter (“var är min beställning, och kan jag ändra storlek?”). Fasta avsiktslistor blir snabbt föråldrade när produkter och policyer förändras, och en lång svans av sällsynta förfrågningar passar aldrig någon etikett. För låga förtroendetrösklar skickar kunder ner fel väg; för höga trösklar eskalerar allt. System bör tillåta en fallback — ställa en klargörande fråga eller överlämna — snarare än att tvinga fram en gissning.
Intenthantering i AI SmartTalk
AI SmartTalk ber dig inte att definiera en intentlista. Assistentens språkmodell tolkar varje meddelande och väljer bland sina verktyg — kunskapssökning, produktökning, orderuppföljning, bokning av möten, överlämning. För routing och rapportering kan konversationer taggas, och SmartFlow-arbetsflöden kan förgrenas med ett AI-villkor baserat på vad kunden sa. Frågor som assistenten inte kunde svara på listas så att teamet kan fylla i luckorna.
Vanliga frågor
Vad är skillnaden mellan en intent och en entitet?
Intentet är vad personen vill (spåra en order); entiteter är detaljerna som behövs för att göra det (ordernumret, e-postadressen).
Behöver LLM-baserade assistenter fortfarande intentklassificering?
Inte för att svara, eftersom modellen tolkar begäran direkt. En explicit klassificering förblir användbar för routing, analys och utlösning av fasta processer.
Hur många intents bör en supportbot ha?
Med en klassisk klassificerare, börja med dussinet intents som täcker mest volym och lägg till fler när data visar dem. Med en LLM-agent, fokusera istället på de verktyg och den kunskap varje frekvent intent kräver.