

Интенты


💡Интент — это тип данных, который позволяет определить намерение контакта: что он хочет узнать, сказать или сделать в данный момент диалога.
С помощью интентов робот может обрабатывать весь диалог с контактом. Когда контакт говорит что-то, робот сопоставляет фразу контакта с наиболее подходящими интентами в условиях и определяет, куда диалог должен двигаться дальше.
Например, вы можете создать сценарий для ресторана, который обрабатывает вопросы контакта о заказах и отвечает на них. Вы можете создать интент для вопросов о доставке. Если контакт скажет “Мне нужно заказать еду на дом” или “Я хочу пиццу с доставкой”, робот сопоставит эти фразы контакта с интентом доставки.
Модель классифицирует намерения контакта.
Робот может извлекать интенты двумя способами:
Для каждого интента можно задать приоритет — какой способ использовать первым, а какой вторым, для подстраховки.
Когда контакт говорит что-то, робот сравнивает его фразу с обучающими примерами или шаблонами интента, чтобы найти наиболее подходящий. Этот процесс называется извлечением интента. Извлечение интентов может происходить только для интентов, добавленных в условия перехода в сценарии.
Интент считается извлеченным с помощью регулярных выражений, если фраза контакта совпала с регулярным выражением из шаблона этого интента.
При поиске подходящего интента с помощью нейросети робот оценивает возможные совпадения с достоверностью извлечения интента (уровень уверенности). Эти значения варьируются от 0% (полностью неопределенные) до 100% (полностью определенные). После оценки интентов есть два возможных результата:
💡Примеры — это примеры фраз контакта, которые содержат намерение пользователя и на которых обучается нейросеть. Они используются для обучения NLU-модели, с помощью которой будет определяться намерение контакта.
Примеры делятся на:
Для каждого интента создается множество обучающих примеров. Когда фраза контакта напоминает один из этих примеров, робот находит соответствующий интент.
Например, фраза “Мне нужно к врачу” обучает робота распознавать фразы контакта, похожие на нее: “Я хочу к врачу” или “Запишите меня к врачу”.
Пользователю не нужно указывать все возможные примеры, потому что встроенное в робота машинное обучение автоматически расширяет список пользователя другими похожими фразами. Пользователь должен создать по крайней мере 15-30 (в зависимости от сложности намерения) примеров для интента, чтобы робот мог распознавать различные фразы контакта с одним намерением. Например, чтобы робот понимал, когда контакт говорит о своем родном городе, можно добавить следующие примеры:
“Я из Москвы”
“Мой город – Ростов”
“Санкт-Петербург”
“Калининград – мой родной город”
…
Чтобы модель NLU работала корректно, необходимо следовать правилам наполнения интента примерами.
Чтобы добавить новый пример вручную, во вкладке Нейросеть в таблице примеров нужно кликнуть на пустую строку с текстом Добавить.
Вы также можете загрузить готовую таблицу с примерами в интент по кнопке Импортировать в верхней панели на странице интента.
💡Шаблон — это последовательность слов и символов, которые обязательно должны встретиться во фразе пользователя, чтобы робот на нее отреагировал.
Слово, которое робот будет распознавать точно так, как оно указано в шаблоне.
Например, для интента “купить” ключевыми словами могут быть “купить”, “приобрести”, “надыбать”, “затариться” и др.
Каждое ключевое слово или ключевую фразу (смысловую фразу из нескольких ключевых слов) необходимо вводить в отдельный шаблон, т.е. чтобы добавить в ключевые слова “купить”, “приобрести”, “надыбать” и “затариться”, нужно создать 4 шаблона.
Этот символ в шаблоне заменяет начало или окончание слова любой длинны — на его месте во фразе пользователя может быть сколько угодно символов, в том числе и ни одного.
Пример:
Заменяет любое количество слов/параметров в шаблоне.
Пример:
По умолчанию для всех интентов стоит приоритет на способе “Нейросеть”.
Вы можете переключать приоритеты — при нажатии приоритеты у обоих способов извлечения меняются на противоположные. Например, если у нейросети был высший приоритет, а у регулярных выражений — низший, то при смене у нейросети приоритет поменяется на низший, а приоритет регулярных выражений сменится на высший и робот будет в первую очередь пытаться извлечь намерение с помощью шаблонов и ключевых слов.
Приоритет извлечения никак не влияет ни на обучение модели, ни на возможность использования в сценарии.
Чтобы создать интент:
Чтобы переместить пример из одного интента в другой:
Чтобы удалить пример:
Чтобы удалить интент:
Вы зарегистрированы на вебинар.
Доступ к виртуальной комнате придет
Вам на email
Спасибо.
Мы скоро с вами свяжемся.