Serie: Erstellen Sie einen Genesys Agent Copilot

Tipps zum Aufbau Ihres natürlichen Sprachverständnisses (NLU)

Um optimale Leistung und Zuverlässigkeit Ihres NLU-Systems zu erreichen, befolgen Sie beim Entwerfen und Testen der Absichtsklassifizierung diese Best Practices.

Sorgen Sie für ausgewogene Trainingsdaten für alle Absichten

Eine unverhältnismäßige Anzahl von Trainingsbeispielen pro Absicht kann zu einer Verzerrung Ihres Modells führen. Wenn für eine Absicht eine erheblich größere Anzahl an Trainingsbeispielen vorliegt als für andere, kann das Modell diese Absicht im Zweifelsfall bevorzugen.

Sorgen Sie für eine relativ gleichmäßige Verteilung der Trainingsphrasen auf alle Absichten. Wenn Sie einer Absicht absichtlich Priorität einräumen möchten, tun Sie dies bewusst und dokumentieren Sie die Begründung.

Wortvektorähnlichkeit verstehen

NLU-Systeme verwenden Vektordarstellungen (Einbettungen), um Wortbedeutungen kontextbasiert zu verstehen. Wörter mit ähnlicher Bedeutung oder ähnlichem Kontext, wie beispielsweise „Cashback“ und „Rückerstattung“, können im Vektorraum des Modells eng abgebildet werden. Dies kann zu einer Fehlklassifizierung führen, wenn Sie die Absichten, zu denen sie gehören, nicht klar anhand des Kontexts unterscheiden.

Verwenden Sie für jede Absicht verschiedene, repräsentative Trainingsbeispiele und betonen Sie einzigartige Kontexthinweise, die eine Absicht von einer anderen unterscheiden.

NLU ist ein Klassifizierungsproblem

NLU-Modelle klassifizieren Eingabetext, indem sie jeder Absicht Wahrscheinlichkeiten zuweisen. Für N Absichten gibt das Modell eine Wahrscheinlichkeitsverteilung über alle N Absichten zurück. Die Absicht mit der höchsten Wahrscheinlichkeit wird ausgewählt, sofern sie den Konfidenzschwellenwert erreicht.

Überprüfen Sie bei der Fehlerbehebung bei Fehlklassifizierungen die vollständigen Wahrscheinlichkeitsverteilungen, nicht nur die Absicht mit der höchsten Punktzahl.

Verstehen Sie Vertrauensschwellen und Absichts-Fallbacks

Das System erfordert normalerweise einen Mindestvertrauenswert, um eine Eingabe einer bestimmten Absicht zuzuordnen. Das NLU-Modell erfordert mindestens 40 % (0,4) Konfidenz, um eine Absicht zuzuweisen. Wenn die Top-Intent unter diesen Schwellenwert fällt, gibt das System einen Fallback zurück oderNone Absicht.

Belassen Sie den Schwellenwert auf dem Standardwert, es sei denn, Sie haben einen bestimmten Grund, ihn anzupassen. Ein zu hoher Wert kann zu übermäßigen Fallback-Reaktionen führen; ein niedrigerer Wert kann zu einer Zunahme falscher Absichtsübereinstimmungen führen.

Tipps zum Generieren von Absichten und Äußerungen mit KI

Definieren Sie klare, nicht überlappende Absichten

Um Mehrdeutigkeiten zu vermeiden, stellen Sie sicher, dass jede Absicht einem bestimmten Zweck dient. Überlappende Absichtsdefinitionen führen zu Verwirrung während des Trainings und einer geringeren Klassifizierungsgenauigkeit.

Legen Sie klare Grenzen zwischen den Absichten fest. Wenn zwei Absichten zu ähnlich sind, sollten Sie sie zusammenführen oder ihre Definitionen verfeinern.

Beginnen Sie mit einem Kernsatz von Absichten

Beginnen Sie mit einem kleinen Satz von Absichten mit hoher Priorität, bevor Sie diesen erweitern. Ein fokussierter Satz hilft Ihnen, schneller zu iterieren und eine solide Grundlage zu schaffen.

Entwickeln Sie ein Proof-of-Concept-Modell mit wesentlichen Absichten. Erweitern Sie erst, wenn das Kernerlebnis zuverlässig funktioniert.

Verwenden Sie konsistente Benennungsmuster

Standardisieren Sie die Benennung von Absichten in Ihrem gesamten Projekt. Konsistenz verbessert die Wartbarkeit und hilft Teams, die Absichten und Zwecke sofort zu verstehen.

Tipps zum Testen Ihres NLU

Vermeiden Sie beim Testen Ein-Wort-Eingaben

Einworteingaben sind in der Regel zu mehrdeutig und es fehlt ihnen der notwendige Kontext für eine genaue Absichtsklassifizierung. NLU-Modelle basieren auf Mustern und Kontext. Ohne umgebende Wörter muss das Modell auf der Grundlage begrenzter Informationen raten und greift möglicherweise auf die häufigste oder eng verwandte Absicht zurück.

Verwenden Sie natürliche Abfragen mit vollständigen Sätzen, die das tatsächliche Benutzerverhalten widerspiegeln.

Bereiten Sie hochwertige Trainingsdaten vor

Nutzen Sie diese Tipps:

• Entwickeln Sie ein brauchbares Trainingsset: 10–20 verschiedene Beispiele pro Absicht zum Start.
• Variieren Sie die Formulierung: Fügen Sie Synonyme, unterschiedliche syntaktische Strukturen und häufige Tippfehler ein.
• Überschneidungen vermeiden: Um Verwirrung zu vermeiden, stellen Sie sicher, dass die Äußerungen klar zwischen den Absichten unterscheiden.
• Testabdeckung: Nehmen Sie manuell Stichproben von Äußerungen aus allen Absichten, um NLU-Vorhersagen zu überprüfen.

Tipps zur Verwendung des Intent Miners

Verwenden Sie Intent Miner, um Absichten und Äußerungen zu erstellen, die auf die Ausdrucksweise Ihrer Kunden zugeschnitten sind, um bessere Ergebnisse bei der Absichtserkennung zu erzielen.

Der Intent Miner durchsucht einen historischen Satz von Chat- und Sprachtranskripten zwischen Agenten und Kunden für einen angegebenen Datumsbereich. Als Nächstes werden die wichtigsten Absichten und die diese Absichten umgebenden Analysen extrahiert. Schließlich gibt es eine Liste von Absichtsäußerungen zurück, die das System mit dieser Absicht verknüpft.

Sie können in Architect erfasste Absichten zur Absichtskonfiguration in einen Genesys Dialog Engine Bot Flow oder Genesys Digital Bot Flow importieren. Weitere Informationen finden Sie unter Importieren Sie die erfassten Absichten in einen Genesys Dialog Engine Bot Flow oder Genesys Digital Bot Flow. .