PL 
EnglishDomyślny
Українська💬 Mapa intencji chatbota wsparcia — routing najbliższego sąsiada
Interaktywny symulator chatbota wsparcia klienta: wpisz wiadomość, obserwuj, jak jest osadzana w przestrzeni 2D i kierowana do najbliższego klastra intencji za pomocą prawdziwej klasyfikacji najbliższego centroidu.
O mapie intencji chatbota wsparcia
Zanim chatbot wsparcia klienta odpowie na cokolwiek, musi ustalić, o co właściwie pytasz. Ten pierwszy krok nazywa się klasyfikacją intencji: system czyta twoją wiadomość i przypisuje ją do jednej ze stałego zestawu kategorii — „śledź moje zamówienie”, „chcę zwrotu”, „zresetuj moje hasło” — z których każda uruchamia inny dalszy przepływ pracy. Nowoczesne systemy robią to, osadzając tekst w przestrzeni wektorowej o wysokiej wymiarowości za pomocą modelu transformerowego i porównując odległości, ale leżąca u podstaw idea geometryczna jest tą samą, którą ta symulacja pokazuje w dwóch wymiarach: każda intencja zajmuje obszar przestrzeni, a nowa wiadomość jest kierowana do tego obszaru, do którego najbliżej trafia.
Ta symulacja definiuje sześć stałych intencji wsparcia, każda z małym, ręcznie zbudowanym słownikiem słów kluczowych i wcześniej obliczoną pozycją centroidu 2D. Wpisanie wiadomości tokenizuje ją, ocenia nakładanie się słów kluczowych względem każdej intencji i umieszcza twoją wiadomość na ważonej podobieństwem średniej sześciu centroidów — prawdziwy, działający klasyfikator najbliższego centroidu, po prostu skompresowany do słownika na tyle małego, by go zobaczyć. Obserwuj, jak punkt leci na swoją pozycję, łączy się linią ze zwycięską intencją, i sprawdzaj żywy wykres słupkowy podobieństwa oraz dziennik routingu. Włącz „tryb niejednoznaczny”, by zobaczyć, co się dzieje, gdy wiadomość wyraźnie nie należy tylko do jednej kategorii.
Najczęściej zadawane pytania
Czym jest klasyfikator intencji i dlaczego chatboty wsparcia go używają?
Klasyfikator intencji to model, który czyta fragment dowolnego tekstu i przypisuje go do jednej ze stałego zestawu kategorii — „intencji” — takich jak śledzenie zamówienia czy resetowanie hasła. Chatboty wsparcia używają go jako samego pierwszego kroku w rozmowie: zanim jakakolwiek odpowiedź może zostać wygenerowana, system musi zdecydować, którego z kilkudziesięciu możliwych przepływów pracy klient faktycznie chce. Skierowanie do niewłaściwej intencji oznacza, że bot odpowiada na całkowicie inne pytanie, więc ten krok klasyfikacji jest traktowany jako twarda bramka przed wygenerowaniem jakiejkolwiek odpowiedzi.
Jak ta symulacja zamienia tekst na pozycję 2D?
Każda intencja ma mały, ręcznie zbudowany słownik słów kluczowych z wagami, na przykład „śledź” i „paczka” punktują wysoko dla intencji „Śledzenie zamówienia”. Twoja wiadomość jest tokenizowana na słowa, a każdy token jest porównywany ze słownikiem każdej intencji (w tym proste dopasowanie prefiksów, więc „obciążono” wciąż pasuje do „obciążenie”). Daje to surowy wynik podobieństwa dla każdej intencji, który jest normalizowany do rozkładu przypominającego prawdopodobieństwo. Pozycja 2D punktu to wtedy ważona średnia sześciu stałych centroidów intencji, ważona tymi znormalizowanymi wynikami — więc wiadomość, która punktuje wysoko w jednej intencji, trafia dokładnie na ten klaster, podczas gdy niejednoznaczna wiadomość trafia gdzieś pomiędzy.
Jak prawdziwy system osadzałby tekst zamiast dopasowywania słów kluczowych?
Systemy produkcyjne rzadko ręcznie kodują listy słów kluczowych. Klasyczne podejścia używają wektorów TF-IDF na dużym słowniku połączonych z klasyfikatorem liniowym lub regułą najbliższego centroidu — zasadniczo wersji tego, co robi ta symulacja, ale w wyższej wymiarowości. Nowoczesne systemy używają osadzeń zdań transformerowych (modele takie jak BERT czy sentence-transformers), które mapują całe zdanie na gęsty wektor 384-1536 liczb, wytrenowany tak, by semantycznie podobne zdania trafiały blisko siebie nawet bez wspólnych słów — więc „moja paczka nie dotarła” i „gdzie jest moje zamówienie” trafiają blisko siebie mimo dzielenia niemal żadnego słownictwa. Ta symulacja kompresuje tę ideę do 2 wymiarów i niewielkiej listy słów kluczowych, by geometria pozostała widoczna.