💬 Mappa degli Intenti del Chatbot di Supporto — Instradamento al Vicino più Prossimo

La confidenza è il punteggio di similarità normalizzato dell'intento vincente — se "Traccia ordine" ottiene 0,72 e tutti gli altri intenti si dividono il restante 0,28, il router è abbastanza sicuro. Quando il punteggio più alto è basso (circa sotto 0,4 in questa simulazione) di solito significa che il messaggio contiene parole chiave di due o più intenti, oppure di nessuno degli intenti conosciuti. I sistemi reali gestiscono la bassa confidenza ricorrendo a una domanda di chiarimento ("Intendevi tracciare un ordine o un reso?") oppure instradando direttamente verso un operatore umano invece di indovinare e dare una risposta sbagliata.

La modalità ambigua costruisce messaggi di esempio che mescolano deliberatamente parole chiave di due intenti diversi, per esempio combinando in una frase linguaggio di tracciamento e di fatturazione. Poiché il punteggio di similarità si divide più o meno equamente tra i due intenti corrispondenti, la confidenza normalizzata del "vincitore" cala bruscamente e il punto viene tirato in una posizione tra i due cluster invece di posizionarsi sopra uno dei due. Questo rispecchia i ticket di supporto reali, dove i clienti spesso descrivono un problema che copre due categorie, come "il mio rimborso è stato riaddebitato sulla carta sbagliata".

Ogni messaggio qui viene classificato in modo indipendente, senza memoria di ciò che è stato detto prima — esattamente come un classificatore di intenti a turno singolo. I sistemi conversazionali reali mantengono uno stato di dialogo tra i turni: se un utente dice "traccia il mio ordine" e poi "in realtà annullalo", un classificatore senza stato potrebbe instradare male il secondo messaggio perché "annullalo" da solo è ambiguo. I chatbot in produzione risolvono questo problema alimentando i turni di conversazione recenti nella fase di embedding oppure mantenendo uno stato di dialogo esplicito a riempimento di slot, il che è considerevolmente più complesso della singola ricerca per messaggio mostrata qui.

La classificazione a centroide più vicino rappresenta ogni classe con un singolo punto riassuntivo (il centroide, o media, degli esempi di quella classe) e assegna un nuovo punto al centroide più vicino. Il k-Nearest Neighbours confronta invece un nuovo punto con ogni singolo esempio di addestramento e prende un voto di maggioranza tra i k più vicini. Il centroide più vicino è più veloce e semplice — esattamente un confronto di distanza per classe — ma presuppone che ogni classe formi un unico blob compatto e approssimativamente convesso; il k-NN può gestire classi con forme irregolari o multimodali al costo di memorizzare e cercare nell'intero insieme di addestramento.

Sì, ed è una delle parti più difficili nella progettazione di una tassonomia degli intenti. Parole come "carta" o "account" compaiono sia negli intenti di fatturazione, sia in quelli di reimpostazione password, sia in quelli legati alle frodi. I sistemi reali riducono questa sovrapposizione addestrandosi su migliaia di messaggi reali etichettati dei clienti invece che su liste di parole chiave scritte a mano, lasciando che il modello impari quali combinazioni di parole — non le singole parole — siano davvero diagnostiche. I team rivedono regolarmente anche le "coppie di confusione" (intenti che il modello confonde spesso) e le uniscono, aggiungono ulteriori esempi di addestramento contrastivi, oppure le suddividono in sotto-intenti più fini.