Series: Crear un agente copiloto de Genesys

Consejos para construir su comprensión del lenguaje natural (NLU)

Para conseguir un rendimiento y una fiabilidad óptimos de su sistema NLU, siga estas prácticas recomendadas a la hora de diseñar y probar la clasificación de intenciones.

Mantener un equilibrio entre los datos de formación y las intenciones

Un número desproporcionado de ejemplos de entrenamiento por intención puede introducir sesgos en su modelo. Si una intención tiene una cantidad considerablemente mayor de ejemplos de entrenamiento que otras, el modelo puede favorecer esa intención en caso de incertidumbre.

Garantizar una distribución relativamente uniforme de las frases de formación en todos los intentos. Si quiere priorizar intencionadamente una intención, hágalo conscientemente y documente el razonamiento.

Comprender la similitud de los vectores de palabras

Los sistemas NLU utilizan representaciones vectoriales (embeddings) para comprender el significado de las palabras basándose en el contexto. Las palabras con significados o contextos similares, como cash back y refund, pueden corresponderse estrechamente en el espacio vectorial del modelo. Esto puede llevar a clasificaciones erróneas si no se distinguen claramente las intenciones a las que pertenecen por el contexto.

Utilice ejemplos de formación diversos y representativos para cada intención, haciendo hincapié en las pistas contextuales únicas que diferencian una intención de otra.

NLU es un problema de clasificación

Los modelos NLU clasifican el texto de entrada asignando probabilidades a cada intención. Para N intentos, el modelo devuelve una distribución de probabilidad sobre todos los N intentos. Se selecciona la intención con mayor probabilidad, siempre que cumpla el umbral de confianza.

Revise las distribuciones de probabilidad completas al solucionar errores de clasificación, no sólo la intención con mayor puntuación.

Comprender los umbrales de confianza y los fallos de intención

El sistema suele requerir una puntuación de confianza mínima para clasificar una entrada en una intención específica. El modelo NLU requiere al menos un 40% (0,4) de confianza para asignar una intención. Si la intent superior cae por debajo de este umbral, el sistema devuelve una intent fallback o None.

Deje el umbral en el valor por defecto a menos que tenga una razón específica para ajustarlo. Si se eleva demasiado, puede dar lugar a un exceso de respuestas fallback; si se reduce, puede aumentar las coincidencias de intención incorrectas.

Consejos para generar intención y enunciado con IA

Definir intenciones claras y no superpuestas

Para evitar ambigüedades, asegúrese de que cada intención responde a un propósito distinto. El solapamiento de las definiciones de intención provoca confusión durante el entrenamiento y reduce la precisión de la clasificación.

Establezca límites claros entre las intenciones. Si dos intenciones son demasiado similares, considere la posibilidad de fusionarlas o afinar sus definiciones.

Empezar con un conjunto básico de intenciones

Comience con un pequeño conjunto de intenciones de alta prioridad antes de ampliarlo. Un conjunto centrado le ayuda a iterar más rápido y a construir una base sólida.

Desarrollar un modelo de prueba de concepto con intenciones esenciales. Ampliar sólo cuando el núcleo de la experiencia funcione de forma fiable.

Utilice patrones de nomenclatura coherentes

Estandarice la forma de nombrar las intenciones en todo el proyecto. La coherencia mejora la capacidad de mantenimiento y ayuda a los equipos a comprender los propósitos de forma inmediata.

Consejos para probar su NLU

Evite las entradas de una sola palabra durante las pruebas

Las entradas de una sola palabra suelen ser demasiado ambiguas y carecen del contexto necesario para una clasificación precisa de la intención. Los modelos NLU se basan en patrones y en el contexto: sin palabras circundantes, el modelo debe adivinar basándose en información limitada y puede elegir por defecto la intención más común o la más relacionada.

Utilice consultas naturales de frases completas que reflejen el comportamiento real de los usuarios.

Preparar datos de entrenamiento de alta calidad

Utiliza estos consejos:

• Desarrollar un conjunto de entrenamiento viable: 10-20 ejemplos diversos por intención para empezar.
• Variar el fraseo: Incluye sinónimos, diferentes estructuras sintácticas y erratas comunes.
• Evite los solapamientos: Para reducir la confusión, asegúrese de que los enunciados distinguen claramente entre intenciones.
• Cobertura de las pruebas: Muestrear manualmente los enunciados de todos los intentos para comprobar las predicciones de NLU.

Consejos para utilizar el minero de intenciones

Utilice Intent Miner para crear intenciones y expresiones adaptadas a la forma de expresarse de sus clientes para obtener mejores resultados en la detección de intenciones.

Intent miner busca en un conjunto histórico de transcripciones de conversaciones de chat y voz entre agentes y clientes para un intervalo de fechas especificado. A continuación, extrae el conjunto superior de intenciones y los análisis que rodean esas intenciones. Por último, devuelve una lista de enunciados de intención que el sistema asocia a esa intención.

Puede importar intents minados en Architect a un Genesys Dialog Engine Bot Flow o Genesys Digital Bot Flow para la configuración de intents. Para obtener más información, consulte Importar intents minados en un Genesys Dialog Engine Bot Flow o Genesys Digital Bot Flow.