LLM-Themen-Discovery in Virtual Agent
Große Sprachmodelle (LLMS) aktivieren Virtual AgentDient zur Verarbeitung von Anwenderanweisungen in nur-Sprache. Konversationen, die LLMS verwenden, können die Konversationen übertreffen, die verwenden Natural Language Understanding( NLU), mit einfacherem Setup.
Funktionsweise von LLMS Virtual Agent
Sehen Sie sich dieses Video an, um mehr über LLM-Themen in zu erfahren Virtual Agent-Designer.
Wenn Sie ein Thema in erstellen Virtual Agent-Designer, Sie können LLM als Modelltyp für Ihr Thema auswählen, wann immer Now AssistIn Virtual AgentIst aktiviert. Virtual AgentVerwendet dann generative KI von LLM, um Themen zu erkennen, die der Absicht des Anwenders entsprechen.
Anders Als NLUThemen, LLMS erfordern keine Modelle, Absichten oder Stichwörter, die mit dem Thema verknüpft werden. LLMS kann Themen erkennen und sprachbezogene Aufgaben ausführen, z. B. die Textgenerierung für Fallzusammenfassungen und Lösungsnotizen, ohne monatelange Schulungen für durchzuführen NLUModelle. Insgesamt können Sie LLM-Themen schneller erstellen, konfigurieren und bereitstellen als mit arbeiten NLU.
Mit LLMS, Virtual AgentKann Folgendes tun:
- Führen Sie die Themen-Discovery durch, ohne dass eine einzelne deklarierte Absicht in einem bestimmten Thema erforderlich ist.
- Suchen Sie Absichten ohne Sicherungsstichwörter wie in NLUModellierung.
- Extrahieren Sie Entitätswerte ohne vorherige Zuordnung wie in NLUModellierung.
- Verarbeiten Sie mehrere Konversationsthema-Switches in einer einzelnen Konversationssitzung.
Themen-Discovery
Mit der LLM-Themen-Discovery müssen Themenautoren nicht mehr komplexe NLU-Modelle und Absichten mit Sicherungsstichwörtern erstellen und verwalten. Das LLM erledigt das gesamte schwere Heben für Sie. Die einzige Anforderung ist eine robuste, einfache Themenbeschreibung auf der Eigenschaften Registerkarte in Virtual Agent-Designer. Das LLM verwendet diese Beschreibung, um die beste Themenübereinstimmung für die Anwenderäußerung zu finden. Wenn mehrere potenzielle Übereinstimmungen vorhanden sind, wird dem Anwender eine Liste von Themen angezeigt, aus denen er auswählen kann.
Beispiel: Wenn ein Anwender fragt Virtual AgentZur Berechnung einer Fahrfreigabegebühr gleicht das LLM die Anwenderäußerung mit einem vorhandenen Thema ab, das die Fahrfreigabe mit einem Tipp berechnen kann.
Entitätsextraktion
Bei LLM-Themen verfügt das LLM über alle Informationen, die erforderlich sind, um zu bestimmen, ob eine Äußerung über die Informationen zur Erfüllung einer Anforderung verfügt. Anders Als NLUModelle müssen Sie einem Anwendereingabeknoten keine Entitäten zuordnen oder einem Thema knotenlose NLU-Entitäten als Eingabevariablen hinzufügen. Das LLM findet einfach die Entität, die der Anwenderabsicht am nächsten kommt.
Themenwechsel
Themenwechsel ist mit LLMS schneller und einfacher als mit NLUThemen. Das LLM verarbeitet Ihre Anforderungen zur Änderung der Absicht in natürlicher Sprache und aktiviert das entsprechende Thema.
Wenn Sie beispielsweise eine Konversation beginnen, indem Sie nach einem Mobiltelefon fragen, müssen Sie den Auftrag nicht zuerst stornieren oder die Konversation neu starten. Stattdessen können Sie fragen Virtual AgentUm stattdessen einen Laptop zu bestellen. Virtual AgentWechselt sofort vom Mobiltelefon-Thema zum Laptop-Thema. Themenwechsel kann während einer Abfrage durchgeführt werden, aber nicht innerhalb eines Katalogbestellungs-Flows.
Ein weiteres Beispiel ist, wenn ein Anwender eine gelegentliche Frage stellen oder sich an einem Small Talk beteiligen kann. Die Frage hängt möglicherweise nicht mit der ursprünglichen Anforderung zusammen. Sie können Small Talk-Themen erstellen oder Small Talk-Filter einrichten, damit der Virtual Agent übereinstimmt und die entsprechende Konversation für das gewechselte Thema startet. Weitere Informationen finden Sie unter Small Talk-Thema erstellen und Configure small talk filters.