Série : Créer un copilote d'agent Genesys

Conseils pour développer votre compréhension du langage naturel (NLU)

Pour obtenir des performances et une fiabilité optimales de votre système NLU, suivez ces bonnes pratiques lors de la conception et du test de la classification des intentions.

Maintenir l'équilibre des données de formation entre les intentions

Un nombre disproportionné d'exemples de formation par intention peut introduire un biais dans votre modèle. Si une intention dispose d'un nombre d'exemples de formation considérablement plus important que les autres, le modèle peut favoriser cette intention en cas d'incertitude.

Veiller à ce que les phrases de formation soient réparties de manière relativement homogène entre toutes les intentions. Si vous souhaitez délibérément donner la priorité à une intention, faites-le consciemment et documentez votre raisonnement.

Comprendre la similarité des vecteurs de mots

Les systèmes NLU utilisent des représentations vectorielles (embeddings) pour comprendre le sens des mots en fonction du contexte. Les mots ayant des significations ou des contextes similaires, tels que "cash back" et "refund", peuvent être rapprochés dans l'espace vectoriel du modèle. Cela peut conduire à des erreurs de classification si le contexte ne permet pas de distinguer clairement les intentions auxquelles elles appartiennent.

Utiliser des exemples de formation diversifiés et représentatifs pour chaque intention, en mettant l'accent sur les indices contextuels uniques qui différencient une intention d'une autre.

Le NLU est un problème de classification

Les modèles NLU classent le texte d'entrée en attribuant des probabilités à chaque intention. Pour N intentions, le modèle renvoie une distribution de probabilité sur l'ensemble des N intentions. L'intention ayant la probabilité la plus élevée est sélectionnée, à condition qu'elle atteigne le seuil de confiance.

Examinez l'ensemble des distributions de probabilités lors de la résolution des erreurs de classification, et pas seulement l'intention la plus performante.

Comprendre les seuils de confiance et les replis intentionnels

Le système exige généralement un niveau de confiance minimum pour classer une entrée dans une intention spécifique. Le modèle NLU requiert au moins 40 % (0,4) de confiance pour attribuer une intention. Si l'intention principale est inférieure à ce seuil, le système renvoie une intention de repli ou None.

Laissez le seuil à sa valeur par défaut, sauf si vous avez une raison particulière de l'ajuster. Une valeur trop élevée peut conduire à des réponses de repli excessives ; une valeur trop basse peut augmenter les correspondances d'intentions incorrectes.

Conseils pour générer de l'intention et de l'énonciation avec l'IA

Définir des objectifs clairs qui ne se chevauchent pas

Pour éviter toute ambiguïté, il convient de veiller à ce que chaque intention serve un objectif distinct. Le chevauchement des définitions d'intention entraîne une confusion lors de la formation et une baisse de la précision de la classification.

Établir des limites claires entre les intentions. Si deux intentions sont trop similaires, envisagez de les fusionner ou d'affiner leur définition.

Commencer par un ensemble d'intentions

Commencez par un petit ensemble d'intentions hautement prioritaires avant de vous étendre. Un ensemble ciblé vous permet d'itérer plus rapidement et de construire une base solide.

Élaborer un modèle de validation du concept avec les intentions essentielles. L'expansion ne se fera que lorsque l'expérience de base fonctionnera de manière fiable.

Utiliser des modèles de dénomination cohérents

Standardisez la façon dont vous nommez les intentions dans votre projet. La cohérence améliore la maintenabilité et aide les équipes à comprendre immédiatement les objectifs visés.

Conseils pour tester votre NLU

Éviter les entrées d'un seul mot pendant les tests

Les entrées d'un seul mot sont généralement trop ambiguës et manquent du contexte nécessaire à une classification précise de l'intention. Les modèles NLU s'appuient sur des modèles et le contexte - sans les mots environnants, le modèle doit deviner sur la base d'informations limitées et peut choisir par défaut l'intention la plus courante ou la plus proche.

Utilisez des requêtes naturelles, en phrases complètes, qui reflètent le comportement réel des utilisateurs.

Préparer des données de formation de haute qualité

Utilisez ces conseils :

• Développer un ensemble de formation viable : 10 à 20 exemples diversifiés par intention pour commencer.
• Varier la formulation : Inclure les synonymes, les différentes structures syntaxiques et les fautes de frappe courantes.
• Éviter les chevauchements : Pour éviter toute confusion, il convient de veiller à ce que les énoncés fassent clairement la distinction entre les intentions.
• Couverture des tests : Échantillonner manuellement des énoncés de toutes les intentions pour vérifier les prédictions de l'UAL.

Conseils pour l'utilisation du mineur d'intention

Utilisez Intent Miner pour construire des intentions et des énoncés adaptés à la façon dont vos clients s'expriment, afin d'obtenir de meilleurs résultats dans la détection d'intentions.

Intent miner recherche un ensemble historique de conversations et de transcriptions vocales entre les agents et les clients pour une période donnée. Ensuite, il extrait le premier ensemble d'intentions et les analyses qui entourent ces intentions. Enfin, il renvoie une liste d'énoncés d'intention que le système associe à cette intention.

Vous pouvez importer des intentions extraites dans Architect dans un Bot Flow Genesys Dialog Engine ou Genesys Digital Bot Flow pour la configuration des intentions. Pour plus d'informations, voir Importer des intentions extraites dans un Bot Flow Genesys Dialog Engine ou Genesys Digital Bot Flow.