LLM-Themen-Discovery in Virtual Agent
Große Sprachmodelle (LLMS) aktivieren Virtual Agent Dient zur Verarbeitung von Anwenderanweisungen in einfacher Sprache. Konversationen, die LLMS verwenden, können die Konversationen übertreffen, die verwenden Natural Language Understanding( NLU), mit einfacherem Setup.
Funktionsweise von LLMS in 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 immer als Modelltyp für Ihr Thema auswählen Now Assist In Virtual Agent Ist aktiviert. Virtual Agent Verwendet dann generative KI von LLM, um Themen zu erkennen, die der Absicht des Anwenders entsprechen.
Anders Als NLU Für Themen und LLMS müssen keine Modelle, Absichten oder Stichwörter 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 NLU Modelle. Insgesamt können Sie LLM-Themen schneller erstellen, konfigurieren und bereitstellen als mit arbeiten NLU.
Mit LLMS, Virtual Agent Kann Folgendes tun:
- Führen Sie die Themen-Discovery durch, ohne dass in einem bestimmten Thema eine einzelne deklarierte Absicht erforderlich ist.
- Suchen Sie Absichten ohne Sicherungsstichwörter wie in NLU Modellierung.
- Extrahieren Sie Entitätswerte ohne vorherige Zuordnung wie in NLU Modellierung.
- Verarbeiten Sie mehrere Konversationsthema-Switches in einer einzelnen Konversationssitzung.
Weitere Informationen zu LLMS finden Sie unter Large language models on the ServiceNow AI Platform®.
Themenerkennung
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 in 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 Agent Um eine Fahrtenfreigabegebühr zu berechnen, gleicht das LLM die Anwenderäußerung mit einem vorhandenen Thema ab, das die Fahrtenfreigabe mit einem Trinkgeld 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 NLU Modelle 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 besten entspricht.
Themenwechsel
Themenwechsel ist mit LLMS im Vergleich zu schneller und einfacher NLU Themen. 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 die Bestellung nicht zuerst stornieren oder die Konversation neu starten. Stattdessen können Sie fragen Virtual Agent Um stattdessen einen Laptop zu bestellen. Virtual Agent Wechselt sofort vom Thema „Mobiltelefon“ zum Thema „Laptop“. Themenwechsel kann während einer Abfrage durchgeführt werden, jedoch 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 bezieht sich möglicherweise nicht auf die ursprüngliche Anforderung. Sie können Small Talk-Themen erstellen oder Small Talk-Filter einrichten, um Virtual Agent bei der Abstimmung zu unterstützen und die entsprechende Konversation für das gewechselte Thema zu starten. Weitere Informationen finden Sie unter Small Talk-Thema erstellen und Configure small talk filters.