การตรวจจับเจตนา

แชทบอทแบบคลาสสิกพึ่งพาการจำแนกประเภทเจตนาที่ฝึกอบรมจากวลีตัวอย่างสำหรับแต่ละเจตนา: “พัสดุของฉันอยู่ที่ไหน”, “คำสั่งของฉันยังไม่มาถึง” และ “หมายเลขติดตาม?” ทั้งหมดถูกติดป้ายว่า track_order จากนั้นตัวดึงข้อมูลจะเลือกข้อมูลรายละเอียดเช่นหมายเลขคำสั่ง ชุดข้อมูลการวิจัยเช่น BANKING77 (Casanueva และเพื่อนร่วมงาน, 2020) ซึ่งมีเจตนาธนาคารที่ละเอียด 77 รายการ แสดงให้เห็นว่าการแยกแยะที่ดีนั้นยากเพียงใดแม้สำหรับโมเดลที่ดี

ด้วยโมเดลภาษาขนาดใหญ่ การตรวจจับเจตนามักจะเป็นนัย โมเดลจะอ่านข้อความ ตัดสินใจว่าคนต้องการอะไรและเลือกเครื่องมือที่จะเรียกใช้ บางทีมยังคงเก็บขั้นตอนการจำแนกประเภทที่ชัดเจนเพื่อส่งต่อการสนทนา ติดป้ายเพื่อรายงาน หรือกระตุ้นการทำงานเฉพาะ

การรู้เจตนาจะตัดสินใจว่าสิ่งที่เกิดขึ้นถัดไปคืออะไร: ตอบจาก FAQ ค้นหาคำสั่ง เปิดการคืนสินค้า ส่งการสนทนาไปยังการเรียกเก็บเงิน หรือโทรหาคนทันทีเพื่อขอร้องเรียน เมื่อรวมกันจากการสนทนาหลายพันครั้ง เจตนายังบอกธุรกิจว่าลูกค้าติดต่อมันเกี่ยวกับอะไรจริงๆ — ข้อมูลสำหรับการปรับปรุงหน้า นโยบาย และผลิตภัณฑ์

ในอีคอมเมิร์ซ เจตนาที่พบบ่อยที่สุดมักจะเป็นสถานะคำสั่ง เวลาจัดส่ง การคืนสินค้าและการแลกเปลี่ยน คำถามเกี่ยวกับผลิตภัณฑ์ และปัญหาการชำระเงิน

ข้อความจริงมักมีเจตนาหลายประการ (“คำสั่งของฉันอยู่ที่ไหน และฉันสามารถเปลี่ยนขนาดได้ไหม?”) รายการเจตนาที่ตายตัวจะหมดอายุอย่างรวดเร็วเมื่อผลิตภัณฑ์และนโยบายเปลี่ยนแปลง และคำขอที่หายากซึ่งมีความยาวมักไม่เข้ากับป้ายใดๆ เกณฑ์ความมั่นใจที่ต่ำเกินไปจะทำให้ลูกค้าไปในทางที่ผิด; เกณฑ์ที่สูงเกินไปจะทำให้ทุกอย่างเพิ่มขึ้น ระบบควรอนุญาตให้มีการสำรองข้อมูล — ถามคำถามเพื่อชี้แจงหรือส่งต่อ — แทนที่จะบังคับให้เดา

AI SmartTalk ไม่ได้ขอให้คุณกำหนดรายการเจตนา โมเดลภาษาของผู้ช่วยจะตีความข้อความแต่ละข้อความและเลือกเครื่องมือของตน — การค้นหาความรู้, การค้นหาผลิตภัณฑ์, การตรวจสอบคำสั่งซื้อ, การจองนัดหมาย, การส่งต่อ สำหรับการจัดเส้นทางและการรายงาน การสนทนาสามารถถูกแท็ก และ SmartFlow workflows สามารถแยกสาขาได้ด้วยเงื่อนไข AI ตามสิ่งที่ลูกค้าพูด คำถามที่ผู้ช่วยไม่สามารถตอบได้จะถูกระบุเพื่อให้ทีมสามารถเติมเต็มช่องว่างได้