💬 Карта Намірів Чат-бота Підтримки — Маршрутизація Найближчих Сусідів

Впевненість — це нормалізований бал схожості наміру-переможця — якщо «Відстеження замовлення» набирає 0,72, а решта намірів ділять залишкові 0,28, маршрутизатор доволі впевнений. Коли найвищий бал низький (приблизно нижче 0,4 у цій симуляції), це зазвичай означає, що повідомлення містить ключові слова з двох або більше намірів, або взагалі жодного з відомих намірів. Реальні системи обробляють низьку впевненість, повертаючись до уточнювального питання («Ви мали на увазі відстеження замовлення чи повернення?») або направляючи запит одразу до людини-оператора, замість того щоб вгадувати і давати неправильну відповідь.

Неоднозначний режим будує приклади повідомлень, які навмисно змішують ключові слова з двох різних намірів — наприклад, поєднуючи мову про відстеження й про оплату в одному реченні. Оскільки бал схожості розподіляється приблизно порівну між двома підходящими намірами, нормалізована впевненість «переможця» різко падає, і точка притягується до позиції між двома кластерами, а не лягає точно на один із них. Це відображає реальні звернення в підтримку, де клієнти часто описують проблему, що охоплює дві категорії, наприклад «мені повернули гроші не на ту картку».

Кожне повідомлення тут класифікується незалежно, без пам'яті про те, що було сказано раніше — точнісінько як однокроковий класифікатор намірів. Реальні діалогові системи підтримують стан діалогу між репліками: якщо користувач каже «відстеж моє замовлення», а потім «взагалі-то скасуй його», класифікатор без стану може неправильно маршрутизувати друге повідомлення, бо саме по собі «скасуй його» неоднозначне. Промислові чат-боти вирішують це, подаючи останні репліки розмови на етап вбудовування або підтримуючи явний стан діалогу із заповненням слотів, що значно складніше за пошук за одним повідомленням, показаний тут.

Класифікація за найближчим центроїдом представляє кожен клас однією підсумковою точкою (центроїдом, або середнім значенням прикладів цього класу) і відносить нову точку до найближчого центроїда. Метод k-найближчих сусідів натомість порівнює нову точку з кожним окремим навчальним прикладом і бере більшість голосів серед k найближчих. Найближчий центроїд швидший і простіший — рівно одне порівняння відстані на клас — але припускає, що кожен клас утворює єдину компактну, приблизно опуклу «пляму»; k-NN може працювати з класами нерегулярної або багатомодальної форми ціною зберігання й пошуку по всьому навчальному набору.

Так, і це одна з найскладніших частин проєктування таксономії намірів. Слова на кшталт «картка» чи «акаунт» трапляються і в намірах про оплату, і про скидання пароля, і про шахрайство. Реальні системи зменшують це перекриття, навчаючись на тисячах розмічених реальних повідомлень клієнтів замість вручну написаних списків ключових слів, дозволяючи моделі вивчити, які саме комбінації слів — а не окремі слова — насправді діагностичні. Команди також регулярно переглядають «пари плутанини» (наміри, які модель часто змішує) і або об'єднують їх, додають більше контрастних навчальних прикладів, або розбивають на дрібніші піднаміри.