Andrew Ng เป็นผู้คิดค้นและสนับสนุนแนวคิดของ Data-Centric AI Data-Centric AI คือระเบียบวินัยของข้อมูลอินพุตทางวิศวกรรมสำหรับโมเดล AI และหลักการเดียวกันกับที่ใช้กับการค้นหาและจัดโครงสร้างข้อมูลการฝึกอบรม NLU

การแนะนำ

ใน AI แบบสนทนา การพัฒนาแชทบอทและวอยซ์บอทได้เห็นความสำคัญอย่างมากที่เฟรมเวิร์ก การออกแบบการสนทนา และการวัดประสิทธิภาพ NLU

กรอบการพัฒนามีประสิทธิภาพสูงในการพัฒนาสถานะการสนทนาและการออกแบบการสนทนา และผู้ขายจำนวนมากขึ้นเห็นด้วยกับข้อเท็จจริงที่ว่าความแตกต่างระหว่างโมเดล NLUนั้นกลายเป็นเรื่องเล็กน้อย

สิ่งนี้ทำให้เกิดคำถามว่าสถานะปัจจุบันของความเท่าเทียมกันของแพลตฟอร์มจะถูกทำลายและสร้างความแตกต่างของ CX ที่แท้จริงได้อย่างไร

คำตอบอยู่ที่วิธีการสร้างข้อมูลการฝึกอบรม NLU...

การค้นพบและพัฒนาด้วยความตั้งใจของ Data Centric

การพัฒนา Chatbot นั้นต้องการแนวทางที่เน้นข้อมูลเป็นศูนย์กลางอย่างมาก โดยโฟกัสเลเซอร์ไปที่การเลือกข้อมูลที่ไม่มีโครงสร้าง และเปลี่ยนข้อมูลที่ไม่มีโครงสร้างให้เป็นข้อมูลการออกแบบและการฝึกอบรม NLU

Chatbots ล้มเหลวเนื่องจากสาเหตุหลักสองประการ… เหตุผล แรกคือความตั้งใจที่พัฒนาขึ้นนั้นไม่สอดคล้องกับความตั้งใจของผู้ใช้ เหตุผล ที่สองคือ Intents ไม่ยืดหยุ่น คุณต้องสามารถดำเนินการได้อย่างง่ายดายและต่อเนื่อง:
▪️ Merge Intents
▪️ Split Intents
▪️ สร้าง Intent แบบลำดับชั้นหรือซ้อนกัน
▪️ Intent Discovery และการบำรุงรักษา

วิธีการที่เน้นข้อมูลเป็นศูนย์กลางในการพัฒนาแชทบอทเริ่มต้นด้วยการกำหนดจุดประสงค์ตามการสนทนาของลูกค้าที่มีอยู่ เจตนาคือการจัดกลุ่มหรือคลัสเตอร์ของคำพูดหรือประโยคที่มีความหมายคล้ายกัน ชื่อเจตนาคือป้ายกำกับที่อธิบายคลัสเตอร์หรือการจัดกลุ่มของคำพูด

มีเครื่องมือมากมายที่สร้างการจัดกลุ่มหรือคลัสเตอร์ ด้านบนคือตัวอย่างการใช้Cohere embeddings

เครื่องมือกราฟิกอื่นสำหรับการสำรวจและบันทึกประโยคที่คล้าย กันเรียกว่าBulk

ด้านล่างนี้เป็นตัวอย่างของBulkที่แสดงวิธีการเลือกคลัสเตอร์แบบกราฟิกและแสดงประโยคที่กำหนด รายการคำพูดซึ่งเป็นส่วนหนึ่งของการเลือกถือเป็นการแสดงเจตจำนง และสามารถบันทึกการจัดกลุ่มเป็นส่วนหนึ่งของกระบวนการทางวิศวกรรมของการจัดโครงสร้างข้อมูลการฝึกอบรม NLU

⭐️ โปรดติดตามฉันบนLinkedInสำหรับการอัปเดตเกี่ยวกับ Conversational AI ⭐️

เมื่อพิจารณาจากภาพด้านล่าง กระบวนการสร้างความตั้งใจจากข้อมูลการสนทนาที่มีอยู่จะเพิ่มความทับซ้อนของการสนทนากับลูกค้าที่มีอยู่ (ความตั้งใจของลูกค้า) กับความตั้งใจที่พัฒนาแล้ว การจัดตำแหน่งระหว่างองค์ประกอบทั้งสองนี้มีความสำคัญต่อการปรับใช้ AI แบบสนทนาให้ประสบความสำเร็จ

การจัดการเจตนาของมนุษย์ในวง

Intents เป็นแนวหน้าของการใช้งาน Chatbot และเป็นตัวกำหนดการสนทนาที่ผู้ใช้สามารถมีได้ ด้วยเหตุผลด้านประสิทธิภาพและความสามารถในการปรับขนาด การสร้างความตั้งใจและการจัดการตามขนาดจึงต้องการพื้นที่แฝงแบบเร่งความเร็ว ซึ่งสามารถปฏิบัติตามแนวทางการควบคุมดูแลที่อ่อนแอซึ่งได้รับความช่วยเหลือจาก AI

กระบวนการจัดการความตั้งใจเป็นงานที่ต้องทำอย่างต่อเนื่องและจำเป็นต้องมีพื้นที่แฝงแบบไม่ต้องเขียนโค้ดที่เร่งความเร็ว ซึ่งสามารถนำแนวทางปฏิบัติที่ดีที่สุดที่เน้นข้อมูลเป็นศูนย์กลางไปใช้ได้

ดังที่เห็นในภาพด้านบน การจัดการความตั้งใจไม่ได้เป็นเพียงการจัดการป้ายกำกับและข้อมูลการฝึกอบรมเท่านั้น แต่ยังรวมถึงการจัดการความตั้งใจด้วย การจัดการเจตนารวมถึงการแยกเจตนา การรวม ลำดับชั้น และการย้ายเจตนา

กระบวนการต่อเนื่องของการออกแบบ NLU และการจัดการตามเจตนาทำให้มั่นใจได้ว่าการใช้งาน Conversational AI ในชั้นเจตนายังคงมีความยืดหยุ่นและปรับให้เข้ากับการสนทนาของผู้ใช้

⭐️ โปรดติดตามฉันบนLinkedInสำหรับการอัปเดตเกี่ยวกับ Conversational AI ⭐️

ตอนนี้ฉันเป็นหัวหน้าผู้สอนศาสนา @ HumanFirst ฉันสำรวจและเขียนเกี่ยวกับทุกสิ่งที่จุดตัดของ AI และภาษา ตั้งแต่LLMs , Chatbots , Voicebots , Development Frameworks , Data-Centric Latent Spaceและอื่นๆ

Cobus Quadrant™ ของการออกแบบ NLU Cobus Quadrant™ ของความสามารถในการออกแบบการสนทนา