Yapay Zekada "Söz" Nedir?: Örnekler, Veri Kümeleri ve En İyi Uygulamalar

'Hey Siri' veya 'Alexa' dediğinizde sohbet robotlarının ve sanal asistanların nasıl uyandığını hiç merak ettiniz mi? Bunun nedeni, programlanan uyandırma sözcüğünü duyar duymaz sistemi etkinleştiren yazılıma gömülü sözcükleri tetikleyen veya metin ifade koleksiyonudur.

Ancak, sesler ve ifade verileri oluşturmanın genel süreci o kadar basit değildir. İstenilen sonuçların alınabilmesi için doğru teknikle yapılması gereken bir işlemdir. Bu nedenle, bu blog, konuşma AI'nızla sorunsuz bir şekilde çalışan iyi ifadeler/tetikleyici kelimeler oluşturmanın yolunu paylaşacaktır.

Yapay Zeka’da “Söz” Nedir?

Konuşmaya dayalı yapay zekada (sohbet robotları, sesli asistanlar), bir ifade, kullanıcı girdisinin kısa bir parçasıdır; yani bir kişinin söylediği veya yazdığı tam kelimelerdir. Modeller, kullanıcının amacını (hedefi) ve tüm varlıkları (tarihler, ürün adları, miktarlar gibi ayrıntılar) anlamak için ifadeleri kullanır.

Basit örnekler

E-ticaret botu

Söylenen: “ Siparişimi takip edin: 123-456 .”

• Amaç: TrackOrder
• Varlık: order_id = 123-456

Telekom botu

Sözcük öbeği: “ Veri paketimi yükselteceğim .”

• Amaç: Değişim Planı
• Varlık: plan_type = veri

Bankacılık sesli asistanı

Konuşma: “ Bugün banka hesabımdaki bakiye ne kadar? ”

• Amaç: Bakiye Kontrolü
• Varlıklar: hesap_türü = kontrol ediliyor, tarih = bugün

Konuşma Yapay Zekanızın Neden İyi İfade Verilerine İhtiyacı Var?

Sohbet robotunuzun veya sesli asistanınızın kırılgan değil, yardımcı hissettirmesini istiyorsanız, daha iyi konuşma verileriyle başlayın. 13 dilde 22 saatlik konuşma verisi toplama vaka çalışmasında bunu nasıl yaptığımıza bakın . Konuşmalar, insanların işleri halletmek için söyledikleri veya yazdıkları ham ifadelerdir ("yarın için bana bir oda ayırtın", "planımı değiştirin", "durum nedir?"). Niyet sınıflandırmasını, varlık çıkarımını ve nihayetinde müşteri deneyimini desteklerler. Bunu bir ortakla ölçeklendirmeyi tercih ederseniz, Shaip'in konuşma yapay zekası veri hizmetleri, toplama, transkripsiyon ve açıklama işlemlerini uçtan uca halleder. Konuşmalar çeşitli, temsili ve iyi etiketlenmiş olduğunda, modelleriniz niyetler arasındaki doğru sınırları öğrenir ve karmaşık, gerçek dünya girdilerini sakin bir şekilde ele alır.

İfade deponuzu oluşturma: basit bir iş akışı

1. Gerçek kullanıcı dilinden başlayın

Sohbet kayıtlarını, arama sorgularını, IVR transkriptlerini, temsilci notlarını ve müşteri e-postalarını inceleyin . Kullanıcı hedeflerine göre gruplandırarak niyetleri belirleyin. (Bu sayede, bir toplantı odasında aklınıza gelmeyecek argo ifadeleri ve zihinsel modelleri yakalayacaksınız.)

2. Bilerek çeşitlilik yaratın

Her niyet için yazar çeşitli örnekler veriyor:

• Fiilleri ve isimleri yeniden ifade edin (“iptal etmek”, “durdurmak”, “sonlandırmak”; “planlamak”, “abonelik”).
• Cümle uzunluklarını ve yapılarını (soru, yönerge, parça) karıştırın.
• Yazım hatalarını, kısaltmaları, emojileri (sohbet için), kod değiştirmeyi ilgili yerlere ekleyin.
• Benzer görünen ancak aynı olması gereken olumsuz durumları ekleyin değil Bu amaca uygun harita.

3. Derslerinizi dengeleyin

Aşırı dengesiz eğitim (örneğin, bir amaç için 500 örnek ve diğerleri için 10 örnek) tahmin kalitesini olumsuz etkiler. Amaç boyutlarını nispeten eşit tutun ve trafik size öğrettikçe bunları birlikte büyütün.

4. Eğitimden önce kaliteyi doğrulayın

Veri oluşturma/toplama sırasında düşük sinyalli verileri doğrulayıcılarla engelleyin:

• Dil tespiti: örneklerin hedef dilde olduğundan emin olun.
• Anlamsız kelime dedektörü: saçma sapan telleri yakalamak.
• Tekrarlanan/neredeyse tekrarlanan kontroller: çeşitliliği yüksek tutun.
• Regex/yazım ve dil bilgisi: Gerektiğinde stil kurallarını uygulayın.
  Akıllı doğrulayıcılar (Appen tarafından kullanıldığı gibi) bu kapıcılığın büyük bölümlerini otomatikleştirebilir.

5. Varlıkları tutarlı bir şekilde etiketleyin

Yuva türlerini (tarihler, ürünler, adresler) tanımlayın ve açıklama ekleyenlere sınırları nasıl işaretleyeceklerini gösterin . LUIS'teki Pattern any gibi kalıplar, modelleri karıştıran uzun, değişken aralıkları (örneğin, belge adları) netleştirebilir.

6. Üretim gibi test edin

Daha önce görülmemiş gerçek ifadeleri bir tahmin uç noktasına veya hazırlık botuna gönderin , yanlış sınıflandırmaları inceleyin ve belirsiz örnekleri eğitime dahil edin . Bunu bir döngü haline getirin: topla → eğit → incele → genişlet.

"Karmaşık gerçeklik" gerçekte ne anlama geliyor (ve bununla nasıl başa çıkılır)

Gerçek kullanıcılar nadiren kusursuz cümleler kurarlar. Bekleyin:

• Parça: "kargo ücretinin iadesi"
• Bileşik hedefler: "siparişi iptal et ve mavi renkte yeniden sipariş ver"
• Zımni varlıklar: "ofisime gönder" (hangi ofisi bilmeniz gerekir)
• Belirsizlik: "planımı değiştir" (hangi plan? ne zaman etkili?)

Pratik çözümler

• Sağlamak açıklayıcı istemler sadece ihtiyaç duyulduğunda; aşırı talepten kaçının.
• Ele geçirmek bağlam aktarımı (örneğin “o emir”, “sonuncusu”).
• Kullanım yedek niyetler hedefli kurtarma ile: "Planları iptal etmenize veya değiştirmenize yardımcı olabilirim - ne istersiniz?"
• İzliyoruz niyet sağlık (karışıklık, çarpışma) ve zayıf olan yere veri ekleyin