Czym jest „wypowiedź” w sztucznej inteligencji?: przykłady, zestawy danych i najlepsze praktyki

Czy zastanawiałeś się kiedyś, jak chatboty i wirtualni asystenci budzą się, gdy mówisz „Hej Siri” lub „Alexa”? Dzieje się tak ze względu na gromadzenie wypowiedzi tekstowych lub wyzwalanie słów wbudowanych w oprogramowanie, które aktywuje system, gdy tylko usłyszy zaprogramowane słowo budzące.

Jednak cały proces tworzenia dźwięków i danych wypowiedzi nie jest taki prosty. Jest to proces, który należy przeprowadzić odpowiednią techniką, aby uzyskać pożądane rezultaty. Dlatego ten blog pokaże drogę do tworzenia dobrych wypowiedzi/słów wyzwalających, które bezproblemowo współpracują z Twoją konwersacyjną sztuczną inteligencją.

Czym jest „wypowiedź” w sztucznej inteligencji?

W sztucznej inteligencji konwersacyjnej (chatboty, asystenci głosowi) wypowiedź to krótki fragment danych wprowadzanych przez użytkownika – dokładne słowa wypowiadane lub wpisywane przez osobę. Modele wykorzystują wypowiedzi do określenia intencji (celu) użytkownika i wszelkich elementów (szczegółów takich jak daty, nazwy produktów, ilości).

Proste przykłady

Bot e-commerce

Wypowiedź: „ Śledź moje zamówienie 123-456 ”.

• Intencja: TrackOrder
• Jednostka: order_id = 123-456

Bot telekomunikacyjny

Wypowiedź: „ Zaktualizuj mój plan danych ”.

• Intencja: Plan zmiany
• Jednostka: typ_planu = dane

Asystent głosowy bankowości

Wypowiedź (mówiona): „Jakie jest dziś moje saldo na rachunku bieżącym? ”

• Intencja: Sprawdź saldo
• Podmioty: account_type = konto bieżące, date = dzisiaj

Dlaczego Twoja sztuczna inteligencja konwersacyjna potrzebuje dobrych danych dotyczących wypowiedzi

Jeśli chcesz, aby Twój chatbot lub asystent głosowy był pomocny, a nie kruchy, zacznij od lepszych danych dotyczących wypowiedzi. Zobacz, jak to zrobiliśmy w tym studium przypadku gromadzenia wypowiedzi — 22 tys. godzin w 13 językach. Wypowiedzi to surowe frazy, które ludzie wypowiadają lub wpisują, aby coś zrobić („zarezerwuj mi pokój na jutro”, „zmień mój plan”, „jaki jest status?”). Wspierają one klasyfikację intencji, ekstrakcję encji i ostatecznie obsługę klienta. Jeśli wolisz skalować to z partnerem, usługi danych konwersacyjnej sztucznej inteligencji firmy Shaip zajmują się gromadzeniem, transkrypcją i adnotacją od początku do końca. Gdy wypowiedzi są zróżnicowane, reprezentatywne i dobrze oznaczone, Twoje modele uczą się właściwych granic między intencjami i z łatwością radzą sobie z chaotycznymi, rzeczywistymi danymi wejściowymi.

Tworzenie repozytorium wypowiedzi: prosty przepływ pracy

1. Zacznij od prawdziwego języka użytkownika

Przejrzyj logi czatów, zapytania wyszukiwania, transkrypcje IVR, notatki agentów i e-maile od klientów. Grupuj je według celu użytkownika, aby zasiać intencje. (Uchwycisz kolokwializmy i modele myślowe, o których nie pomyślałbyś w pokoju).

2. Twórz wariacje celowo

Dla każdego zamiaru autor podaje różne przykłady:

• Przeformułuj czasowniki i rzeczowniki („anulować”, „zatrzymać”, „kończyć”, „planować”, „subskrypcja”).
• Mieszaj długości zdań i ich strukturę (pytanie, dyrektywa, fragment).
• W razie potrzeby uwzględnij literówki, skróty, emotikony (do czatu) i zamianę kodów.
• Dodaj przypadki negatywne, które wyglądają podobnie, ale powinny nie mapę do tego zamiaru.

3. Zrównoważ swoje zajęcia

Bardzo asymetryczne szkolenie (np. 500 przykładów dla jednej intencji i 10 dla pozostałych) negatywnie wpływa na jakość prognoz. Utrzymuj względnie równomierne rozmiary intencji i zwiększaj je w miarę rozwoju ruchu.

4. Sprawdź jakość przed szkoleniem

Blokuj dane o niskim sygnale za pomocą walidatorów podczas tworzenia/zbierania:

• Wykrywanie języka: upewnij się, że przykłady są w języku docelowym.
• Detektor bełkotu: łapać bezsensowne ciągi znaków.
• Sprawdzanie duplikatów/prawie duplikatów: zachowaj dużą różnorodność.
• Wyrażenia regularne/pisownia i gramatyka: w razie potrzeby egzekwować zasady stylu.
  Inteligentne walidatory (stosowane przez Appen) mogą zautomatyzować znaczną część tego procesu.

5. Etykietuj podmioty w sposób spójny

Zdefiniuj typy slotów (daty, produkty, adresy) i pokaż adnotatorom, jak oznaczać granice . Wzorce takie jak Pattern any w LUIS pozwalają na rozróżnianie długich, zmiennych zakresów (np. nazw dokumentów), które wprowadzają zamieszanie w modelach.

6. Testuj jak produkcję

Prześlij niewidziane, rzeczywiste wypowiedzi do punktu końcowego predykcji lub bota testowego, przejrzyj błędne klasyfikacje i wprowadź niejednoznaczne przykłady do szkolenia. Zrób z tego pętlę: zbieraj → trenuj → przeglądaj → rozwijaj.

Co tak naprawdę oznacza „chaotyczna rzeczywistość” (i jak sobie z nią radzić)

Prawdziwi użytkownicy rzadko mówią idealnymi zdaniami. Spodziewaj się:

• Paprochy: „zwrot opłaty za wysyłkę”
• Cele złożone: „anuluj zamówienie i zamów ponownie na niebiesko”
• Podmioty niejawne: „wysyłka do mojego biura” (musisz wiedzieć, do którego biura)
• Niejasność: „zmień mój plan” (który plan? kiedy wejdzie w życie?)

Praktyczne rozwiązania

• Zapewniać podpowiedzi wyjaśniające tylko wtedy, gdy jest to konieczne; unikaj proszenia o zbyt wiele.
• Zdobyć przeniesienie kontekstu (zaimki takie jak „tamto zamówienie”, „ostatni”).
• Zastosowanie intencje zapasowe z ukierunkowanym powrotem do zdrowia: „Mogę pomóc w anulowaniu lub zmianie planów — czego sobie życzysz?”
• Monitorowanie intencja zdrowotna (zamieszanie, kolizja) i dodaj dane tam, gdzie są słabe