LLM-Themen-Discovery in Virtual Agent
Mit großen Sprachmodellen (LLMs) kann Virtual Agent Benutzeraussagen in einfacher Sprache verarbeiten. Konversationen, die LLMs verwenden, können die Konversationen, die Natural Language Understanding (NLU) verwenden, mit einem einfacheren Setup übertreffen.
Funktionsweise von LLMs in Virtual Agent
Wenn Sie ein Thema in Virtual Agent-Designererstellen, können Sie LLM als Modelltyp für Ihr Thema auswählen, wenn Now Assist in Virtual Agent aktiviert ist. Virtual Agent verwendet dann generative KI des LLM, um Themen zu erkennen, die der Absicht des Anwenders entsprechen.
Im Gegensatz zu NLU -Themen müssen für LLMs keine Modelle, Absichten oder Stichwörter mit dem Thema verknüpft werden. LLMs können Themen erkennen und sprachbezogene Aufgaben ausführen, z. B. die Textgenerierung für Fallzusammenfassungen und Lösungshinweise, ohne monatelang Schulungen zu Modellen NLU durchführen zu müssen. Insgesamt können Sie LLM-Themen schneller erstellen, konfigurieren und bereitstellen als mit NLU.
Mit LLMs kann Virtual Agent :
- Führen Sie eine Themen-Discovery durch, ohne dass eine einzelne deklarierte Absicht in einem bestimmten Thema erforderlich ist.
- Suchen Sie nach Absichten ohne Sicherungsschlüsselwörter wie in der Modellierung NLU.
- Extrahieren Sie Entitätswerte ohne vorherige Zuordnung wie in der Modellierung NLU.
- Ermöglicht das Wechseln mehrerer Konversationsthemen in einer einzigen Konversationssitzung.
Themenerkennung
Mit der LLM-Themen-Discovery müssen Themenautoren keine komplexen NLU-Modelle und Absichten mehr mit Sicherungsschlüsselwörtern erstellen und verwalten. Das LLM erledigt die ganze Arbeit für Sie. Die einzige Anforderung ist eine robuste Themenbeschreibung in einfacher Sprache auf der Registerkarte Eigenschaften in Virtual Agent-Designer. Das LLM verwendet diese Beschreibung, um die beste Themenübereinstimmung für die Benutzeräußerung zu finden. Wenn es mehrere potenzielle Übereinstimmungen gibt, wird dem Anwender eine Liste mit Themen angezeigt, aus der er auswählen kann.
Wenn ein Benutzer beispielsweise Virtual Agent bittet, eine Gebühr für die Berechnung einer Mitfahrgelegenheitsgebühr zu berechnen, gleicht das LLM die Benutzeräußerung mit einem vorhandenen Thema ab, das die Mitfahrgelegenheit mit einem Tipp berechnen kann.
Entitätsextraktion
Mit LLM-Themen verfügt das LLM über alle Informationen, die erforderlich sind, um zu bestimmen, ob eine Äußerung die Informationen zur Erfüllung einer Anforderung enthält. Im Gegensatz zu NLU -Modellen müssen Sie keine Entitäten einem Benutzereingabeknoten zuordnen oder knotenlose NLU-Entitäten als Eingabevariablen zu einem Thema hinzufügen. Das LLM findet einfach die Entität, die der Benutzerabsicht am besten entspricht.
Thema wird gewechselt …
Der Themenwechsel ist mit LLMs schneller und einfacher als mit NLU -Themen. Das LLM verarbeitet Ihre Anforderungen zum Ändern von Absichten in natürlicher Sprache und aktiviert das entsprechende Thema.
Wenn Sie beispielsweise eine Konversation beginnen, indem Sie nach einem Mobiltelefon fragen, müssen Sie nicht zuerst die Bestellung abbrechen oder die Konversation neu starten. Stattdessen können Sie Virtual Agent bitten, stattdessen einen Laptop zu bestellen. Virtual Agent wechselt sofort vom Mobiltelefon-Thema zum Laptop-Thema. Der Themenwechsel kann während einer Abfrage erfolgen, jedoch nicht innerhalb eines Katalogbestell-Flows.