Har du någonsin undrat hur chatbotar och virtuella assistenter vaknar när du säger "Hej Siri" eller "Alexa"? Det är på grund av insamlingen av textyttrande eller utlösande ord som är inbäddade i programvaran som aktiverar systemet så snart det hör det programmerade väckningsordet.
Den övergripande processen för att skapa ljud och yttrandedata är dock inte så enkel. Det är en process som måste genomföras med rätt teknik för att få önskat resultat. Därför kommer den här bloggen att dela vägen till att skapa bra yttranden/triggerord som fungerar sömlöst med din konversations-AI.
Vad är yttranden?
Yttrande kan hänvisas till som fraser eller triggerord som används för att aktivera en artificiellt intelligent modell. När din AI-modell upptäcker sitt vakna ord, börjar den automatiskt spela in användarens nästa förfrågan och svarar med en lämplig åtgärd eller svar.
Utterance använder konceptet djupinlärning för att lära programvaran hur man känner igen vakna ord. När wake word aktiverar programvaran börjar systemet fånga, avkoda och serva begäran. När det inte används fortsätter systemet passivt att lyssna efter triggerord.
För att din AI-programvara ska få korrekta resultat är det viktigt att fånga en uppsjö av olika yttranden för varje syfte. Det hjälper till att träna bättre för AI-modellen.
[Läs även: Vill du veta hur Siri och Alexa förstår dig?]
Punkter att komma ihåg när du skapar ett arkiv med yttranden
Nu när vi vet att träning är viktigt för AI-modeller, är nästa sak att veta hur man ger yttranden till AI-modellerna. Vanligtvis skapas ett arkiv med yttranden för att träna konversations-AI:er.
Det finns dock olika saker att komma ihåg när man bygger förråd av yttranden. Följande är saker att tänka på:
Användaravsikt
Framför allt när du förbereder yttranden för din AI-modell, se till att du förstår användaravsikten för vilken du utvecklar datamängderna. Du måste ta reda på de olika yttranden som användare kan skriva när de samtalar med AI-modellen.
Variation av yttranden
Variationer är en viktig del av denna process, eftersom ju fler variationer för varje avsikt, desto bättre resultat kommer du att uppnå. Så se till att skapa flera varianter av användaryttringar. Du kan göra det genom att
- Skapa korta, medelstora och stora meningar för samma meningar.
- Ändra ord och längd på meningar.
- Använda unika ord.
- Pluraliserar meningarna.
- Blandar ihop grammatiken.
Yttranden är inte alltid välformade
De flesta har för vana att använda fragmenterade meningar i sina konversationer. När de har att göra med robotar vill de ha samma bekvämlighet. Det är därför du inte bara bör inkludera de fullständiga strukturerade meningarna utan också lägga till stavfel, felstavningar och löst nämnda meningar i din träningsdata.
Utnyttja representantens villkor och referenser
När du skapar yttranden, använd standardterminologi och referenser som de flesta förstår. Kom ihåg att du inte behöver bygga en fantastisk robot som använder ett sofistikerat språk som bara experter kan få. Fokusera istället på att formulera yttranden som är mycket vanliga och lättbegripliga för alla.
Variera fraser och terminologi
Ett vanligt misstag som många AI-tränare ofta gör är att de använder en mängd olika meningar men inte ändrar nyckelorden i dem. Anta till exempel att du skapar yttranden som "I vilket rum finns tv:n?", "Var finns tv:n?", "var hittar jag tv:n?".
Meningarna kan ändras i alla dessa yttranden, men grundordet 'tv' förblir detsamma. Så du måste se till att du använder varianter för allt du anger. Så istället för tv kan du använda synonymer för ordet.
Exempel på yttranden för varje avsikt
Exempelyttringar tilldelas för varje avsikt du har planerat. De flesta AI-träningsplattformar föreslår att man lägger till minst 10-15 yttranden per avsikt. Lyckligtvis låter de flesta utvecklingsmiljöer dig lägga till yttranden, skapa och testa modellen och återbesöka dina yttranden.
Så den bästa praxisen för rätt entitetsextraktion och korrekt avsiktsförutsägelse är att först lägga till några få yttranden, testa dem och sedan lägga till de andra indata.
Testning och granskning i verkliga scenarier
Testning, AI-modellen är avgörande för att den ska bli perfekt. Det är dock bäst att testa modellen mot olika grupper av människor som inte vet så mycket om projektet.
Det kommer att ta fram de sårbarheter som vanligtvis inte upptäcks av ditt team, eftersom ditt team har en gemensam förståelse för AI-modellen du designar.
Utöver det har vi också en kontinuerlig granskning av användaryttringar. Det kommer att visa upp AI-modellernas prestanda, och du kommer att kunna uppdatera modellen med bättre reformer och data.
Slutsats
Så småningom bidrar flera faktorer till framgången för din konversations-AI. Därför är det bäst att få modellen utbildad från en professionell tjänst som förstår projektets krångligheter. Det kommer att vara ditt bästa sätt att träna din modell för perfektion. Du får kontakta vårt Shaip-team för att diskutera dina krav och lära dig mer om vår process.
[Läs även: Den kompletta guiden till konversations-AI]
