Har du nogensinde undret dig over, hvordan chatbots og virtuelle assistenter vågner op, når du siger 'Hej Siri' eller 'Alexa'? Det er på grund af tekstindsamlingen eller udløser ord indlejret i softwaren, der aktiverer systemet, så snart det hører det programmerede vækkeord.
Den overordnede proces med at skabe lyde og ytringsdata er dog ikke så enkel. Det er en proces, der skal udføres med den rigtige teknik for at få de ønskede resultater. Derfor vil denne blog dele ruten til at skabe gode ytringer/triggerord, der fungerer problemfrit med din samtale-AI.
Hvad er ytringer?
Ytringer kan omtales som sætninger eller triggerord, der bruges til at aktivere en kunstigt intelligent model. Når din AI-model registrerer sit vågne ord, begynder den automatisk at optage brugerens næste anmodning og svarer med en passende handling eller svar.
Ytring bruger begrebet dyb læring til at lære softwaren, hvordan man genkender vågne ord. Når wake word aktiverer softwaren, begynder systemet at fange, afkode og servicere anmodningen. Når det ikke er i brug, bliver systemet passivt ved med at lytte efter triggerord.
For at din AI-software kan opnå nøjagtige resultater, er det vigtigt at fange et væld af forskellige ytringer for enhver hensigt. Det hjælper med bedre træning til AI-modellen.
[Læs også: Kunne du tænke dig at vide, hvordan Siri og Alexa forstår dig?]
Punkter at huske, mens du opretter et lager af ytringer
Nu hvor vi ved, at træning er vigtigt for AI-modeller, er den næste ting at vide, hvordan man giver ytringer til AI-modellerne. Normalt oprettes et lager af ytringer for at træne samtale-AI'er.
Der er dog forskellige ting, man skal huske, når man bygger arkiver af ytringer. Følgende er de ting, du skal overveje:
Brugerhensigt
Først og fremmest, mens du forbereder ytringer til din AI-model, skal du sikre dig, at du forstår brugerhensigten, som du udvikler datasættene til. Du skal finde ud af de forskellige ytringer, som brugere kan indtaste, mens de taler med AI-modellen.
Variation af ytringer
Variationer er en væsentlig del af denne proces, da jo flere variationer for hver hensigt, jo bedre resultater vil du opnå. Så sørg for at oprette flere variationer af brugerytringer. Du kan gøre det ved
- Oprettelse af korte, mellemstore og store sætninger til de samme sætninger.
- Ændring af ord og længde på sætninger.
- Brug unikke ord.
- Pluralisering af sætningerne.
- At blande grammatikken.
Ytringer er ikke altid velformede
De fleste mennesker har for vane at bruge fragmenterede sætninger i deres samtaler. Når de har at gøre med robotter, ønsker de at have den samme bekvemmelighed. Derfor bør du ikke kun inkludere de fulde strukturerede sætninger, men også tilføje tastefejl, stavefejl og løst nævnte sætninger i dine træningsdata.
Udnyt repræsentantens vilkår og referencer
Når du laver ytringer, skal du bruge standardterminologi og referencer, som de fleste forstår. Husk, du behøver ikke bygge en fantastisk robot, der bruger et sofistikeret sprog, som kun eksperter kan få. Fokuser i stedet på at formulere ytringer, der er meget almindelige og let forståelige for alle.
Varier fraser og terminologi
En almindelig fejl, som mange AI-trænere ofte begår, er, at de bruger en række sætninger, men ændrer ikke nøgleordene i dem. Antag for eksempel, at du laver ytringer som "I hvilket rum er fjernsynet?", "Hvor er fjernsynet placeret?", "hvor finder jeg fjernsynet?".
Sætningerne kan ændre sig i alle disse ytringer, men grundordet 'fjernsyn' forbliver det samme. Så du skal sikre dig, at du bruger variationer til alt, hvad du indtaster. Så i stedet for fjernsyn kan du bruge synonymer til ordet.
Eksempler på ytringer for hver hensigt
Eksempler på ytringer er tildelt for hver hensigt, du har planlagt. De fleste AI-træningsplatforme foreslår at tilføje mindst 10-15 ytringer pr. hensigt. Heldigvis lader de fleste udviklingsmiljøer dig tilføje ytringer, oprette og teste modellen og gense dine ytringer.
Så den bedste praksis for den rigtige enhedsudtrækning og korrekte hensigtsforudsigelse er først at tilføje nogle få ytringer, teste dem og derefter tilføje de andre input.
Test og gennemgang i virkelige scenarier
Test, AI-modellen er afgørende for, at den er perfekt. Det er dog bedst at teste modellen mod forskellige grupper af mennesker, som ikke ved meget om projektet.
Det vil bringe de sårbarheder frem, som normalt ikke opdages af dit team, da dit team har en fælles forståelse af den AI-model, du designer.
Udover det har vi også en løbende gennemgang af brugerudtalelser. Det vil vise AI-modellernes ydeevne, og du vil være i stand til at opdatere modellen med bedre reformer og data.
Konklusion
Til sidst er der flere faktorer, der bidrager til succesen af din samtale-AI. Derfor er det bedst at få modellen trænet fra en professionel service, der forstår projektets forviklinger. Det vil være dit bedste skud til at træne din model til perfektion. Du kan kontakt vores Shaip-team for at diskutere dine krav og lære om vores proces.
[Læs også: Den komplette guide til Conversational AI]
