Creación de una intención

Estos son los pasos para crear una intención en una aptitud.

Para crear una intención:
  1. Haga clic en Intenciones Imagen del icono Intención. en la barra de navegación izquierda.
  2. Si ya ha definido las intenciones en un archivo CSV, haga clic en Importar intenciones. En Importación de intenciones desde un archivo CSV, se describe este formato de archivo. De lo contrario, haga clic en Agregar intención. La aptitud necesita, al menos, dos intenciones.
  3. Haga clic en Imagen del icono Editar para introducir un nombre descriptivo o una frase para la intención en el campo Nombre de conversación. Por ejemplo, si el nombre de la intención es callAgent, el nombre de la conversación sería Hablar con un representante de atención al cliente. Si la aptitud no pudiese resolver un mensaje en una intención, generará los nombres y las frases fáciles de recordar que se hayan introducido en el campo Nombre de conversación como las opciones que aparecen en la lista de los mensajes de desambiguación ¿Quiere? descritos en Cómo funciona el margen de ganancia de confianza y Configuración del enrutamiento de Intenciones y Preguntas y respuestas.
  4. Agregue el nombre de la intención en el campo Nombre. Si no introduce un nombre de conversación, se utilizará en su lugar el valor del campo Nombre. Tenga en cuenta que es posible que un nombre corto sin puntuación final no contribuya a la experiencia del usuario. El nombre de la intención se visualiza en el campo Nombre de conversación para las aptitudes creadas con versiones anteriores de Digital Assistant.
    Nota

    Al asignar un nombre a sus intenciones, no utilice system. como prefijo. system. es un espacio de nombres reservado para las intenciones que proporcionamos. Debido a que las intenciones con este prefijo se gestionan de forma diferente en Trainer Tm, su uso puede causar que las intenciones se resuelvan de maneras inesperadas.
  5. Agregue una descripción de la intención. La descripción debe centrarse en lo que hace que la intención sea única y en la tarea o las acciones que realiza.
  6. Si se trata de una intención de respuesta, agregue una respuesta breve al campo Respuesta.
  7. Opcionalmente, en el campo Anotaciones, agregue una o más etiquetas para que la intención las clasifique de una forma que sea útil para usted. Puedes usar cualquier palabra de tu elección.

    Consejo:

    En la página Intenciones, puede filtrar la visualización de intenciones por anotación.
  8. Para empezar a crear el corpus de entrenamiento, agregue expresiones de ejemplo que ilustren el significado de la intención. Para garantizar una resolución óptima de las intenciones, utilice términos, palabras y frases específicas de la intención individual. Idealmente, debes basar tus datos de entrenamiento en frases del mundo real. Para guardar las expresiones, haga clic en Intro o haga clic en un punto fuera del campo de entrada. Para gestionar el conjunto de entrenamiento, seleccione una fila para acceder a las funciones Editar (Imagen del botón Editar.) y Suprimir (Imagen de la función Suprimir.).
    Si la aptitud soporta varios idiomas nativos, mejore el juego de entrenamiento con frases en los idiomas secundarios para reforzar la precisión del modelo en este y en todos los demás idiomas nativos soportados por la aptitud.

    Consulte Creación del corpus de entrenamiento para obtener consejos sobre la creación de un corpus de entrenamiento eficaz.
    Para que la aptitud pueda distinguir claramente entre intenciones, cree una intención que resuelva las entradas de usuario incorrectas o los giberones.
    Si bien las expresiones se pueden agregar a una intención existente manualmente o mediante la importación de un CSV, también se pueden asignar a las intenciones mediante trabajos de fabricación de datos y el reentrenamiento de estadísticas.
  9. En el campo Sugerencias de terminación automática, introduzca un juego de frases sugeridas que ayuden al usuario a introducir una solicitud con las palabras adecuadas. No agregue todo el conjunto de datos de entrenamiento. En su lugar, agregue un conjunto de frases que representen solicitudes de usuarios ideales. Agregar un conjunto de palabras demasiado amplio no solo puede confundir a los usuarios, sino que también puede provocar un comportamiento inesperado.
    Éste es un paso opcional. Esta función solo está soportada por el canal web de Oracle.
  10. Agregue una entidad si la intención la necesita para resolver la entrada del usuario. Para saber cómo, consulte Agregar entidades a intenciones.
  11. Para enseñar a la aptitud cómo comprender la entrada de usuario utilizando el conjunto de expresiones proporcionado hasta ahora, haga clic en Entrenar, seleccione un modelo y, a continuación, haga clic en Enviar.
    Tal y como se describe en ¿Qué modelo de entrenamiento debo utilizar?, proporcionamos dos modelos que aprenden de su corpus: Trainer Ht y Trainer Tm. Cada uno utiliza un algoritmo distinto para conciliar la entrada de usuario con sus intenciones. Trainer Ht utiliza la coincidencia de patrón, mientras que Trainer Tm utiliza un algoritmo de Machine Learning que utiliza vectores de palabras. Tanto las aptitudes que utilizan el soporte de idioma nativo de Digital Assistant y las aptitudes con intenciones de respuesta requieren Trainer TM.
    Este es el proceso habitual:
    1. Cree el corpus de entrenamiento inicial.

    2. Entrene con Trainer Ht. Se recomienda empezar con Trainer Ht porque no necesita un gran conjunto de expresiones. Mientras haya suficientes palabras como para desambiguar las intenciones, la aptitud podrá resolver la entrada del usuario.

      Si obtiene un mensaje Algo ha ido mal al intentar entrenar la aptitud, puede que la cantidad de expresiones que haya agregado no sea suficiente para el entrenamiento. En primer lugar, asegúrese de tener al menos dos intenciones con un mínimo de dos expresiones cada una (sería preferible disponer de más expresiones). Si no ha agregado suficientes expresiones, agregue unas cuantas más y entrene la aptitud.

    3. Perfeccione el corpus y vuelva a entrenar con Trainer Ht. Repita el proceso tantas veces como sea necesario, el entrenamiento es un proceso iterativo.

    4. Entrene con Trainer Tm. Utilice este entrenador cuando haya acumulado un amplio conjunto de intenciones.

    Entrenamiento necesario aparece cuando se agrega una intención o cuando se actualiza una intención agregando, cambiando o suprimiendo sus expresiones. Para actualizar el entrenamiento, elija un modelo de entrenamiento y haga clic en Entrenar. El modelo muestra un signo de admiración cuando necesita entrenar. Si el entrenamiento está actualizado, muestra una marca de selección.

  12. Haga clic en Probar expresiones (situada en la parte superior izquierda) para abrir el probador de expresiones. Seleccione el idioma de destino y, a continuación, introduzca expresiones similares a los del juego de entrenamiento. El probador de expresiones devuelve el nivel de confianza de esta expresión y permite asignar la expresión a una intención o agregarla como caso de prueba.
    Para registrar los resultados de las pruebas de intenciones, active el registro de intención de conversación ( Configuración > General > Activar estadísticas).
  13. Haga clic en Validar y revise los mensajes de validación para detectar errores como expresiones insuficientes y para obtener orientación sobre la aplicación de mejores prácticas, como agregar una intención unresolvedIntent.

Agregar entidades a intenciones

Algunas intenciones necesitan entidades (tanto incorporadas como personalizadas) para completar una acción en el flujo de diálogo o para efectuar una llamada REST a una API de backend. El sistema solo utiliza estas entidades, que se conocen como entidades de intención, para tramitar la intención asociada con ellas. Puede asociar una entidad a una intención haciendo clic en Agregar nueva entidad. A continuación, selecciónela entre las entidades personalizadas (Imagen del icono Personalizadas.) o incorporadas (Imagen del icono Sistema.). Si está asignando una entidad incorporada, deje Agnóstico de valor activado (valor por defecto) si los valores de entidad específicos no tienen en cuenta la clasificación de intención (que suele ser el caso). Si la intención requiere un valor de entidad específico, desactive esta función.
Nota

Agnóstico de valor solo se aplica a entidades incorporadas. No puede aplicarlo a entidades personalizadas.


También puede hacer clic en Nueva entidad para agregar una entidad específica de la intención.

Consejo:

Solo las entidades de intención incluidas en las cargas útiles de JSON se envían al servicio de componentes y son devueltas por este. Las que no estén asociadas a una intención no se incluirán, aunque contribuyan a la resolución de la intención reconociendo la entrada del usuario. Si el componente personalizado accede a las entidades mediante coincidencias de entidad, asegúrese de agregar la entidad a la intención.

Entidades de intención independiente del valor

La función Agnóstico de valor permite ajustar cómo afectan los valores de entidad a la clasificación de intenciones. Al activar esta función, los valores específicos de una entidad incorporada asociada no influyen en la clasificación de intenciones. Sin embargo, al desactivar esta función, permite que el valor de entidad desempeñe un papel clave en la resolución de la entrada.

En general, puede dejar esta función en su configuración por defecto (activada) porque un valor de entidad específico rara vez influye en la clasificación de intenciones. Las expresiones de entrenamiento para una intención de saldos de cuenta, por ejemplo, pueden incluir fechas específicas (¿Cuál fue mi saldo el 5 de octubre?), pero estos valores no son el factor decisivo para resolver la entrada de la intención. Si se deja Agnóstico de valor activado, en la mayoría de los casos, mejorará la resolución de intenciones porque evita que los valores afecten a las puntuaciones de confianza o incluso señalen una intención no deseada. Sin embargo, siempre que los valores específicos desempeñen un papel clave en la resolución de intenciones, debe desactivar esta función. Por ejemplo, desactivaría la función si el valor de una fecha es fundamental para distinguir una intención para comprobar saldos de vacaciones pasados de una intención que comprueba los saldos de vacaciones futuros. Si estas intenciones no tuvieran en cuenta la fecha, el modelo ignoraría el pasado y el presente y no resolvería la entrada correctamente.
Intenciones de ejemplo Entidad Asociada Expresiones de formación ¿Desea activar la independencia del valor?
Balance de Cuentas FECHA
  • ¿Puedes decirme el saldo de mi cuenta ayer?
  • ¿Cuánto dinero tengo en el cheque?
  • ¿Cuál fue mi saldo el 5 de octubre?
  • ¿Cuál fue el saldo de mi tarjeta de crédito la semana pasada?
  • ¿Cuál es mi saldo bancario hoy?
  • ¿Cuál fue el saldo de mi cuenta de ahorro en 5/3?
Sí: los valores de fecha específicos no indican la intención. Los distintos valores de fecha de estas expresiones se pueden ignorar porque un usuario puede solicitar un saldo de cuenta en cualquier día.
Horas de tienda de vacaciones FECHA
  • ¿Está abierto el 1 de enero?
  • ¿Está abierto el Acción de Gracias?
  • Horas para día de año nuevo
  • ¿Cuáles son las horas de tienda para el 4 de julio?
  • ¿Cuáles son sus horas de vacaciones?
  • ¿Estará abierto el Navidad?
No: la clasificación de intenciones se basa en un juego específico (y limitado) de valores y los usuarios están preguntando sobre los festivos.
  • Comprobar saldo de vacaciones pasadas
  • Comprobar saldo de vacaciones futuras
FECHA
  • Comprobar saldo de vacaciones pasadas
    • ¿He tomado algún tiempo libre el último mes?
  • Comprobar saldo de vacaciones futuras
    • ¿Alguna vacaciones planificadas el siguiente mes?
No: desactive Agrupación de valores para ambas intenciones. Los valores DATE agnósticos en este caso significaría que el modelo no consideraría un valor como pasado o futuro. Se ignoraría un valor de "último mes", que debería indicar la intención Comprobar saldo de vacaciones pasado. Como resultado, una entrada con palabras similares como "Did I take any time off next month" puede resolverse de forma incorrecta para esta intención.

Importación de intenciones desde un archivo CSV

Puede agregar sus intenciones de forma manual o importarlas desde un archivo CSV. Puede crear este archivo a partir de un CSV de intenciones exportadas o crearlo desde cero en un programa de hoja de cálculo o un archivo de texto.

El archivo CSV tiene seis columnas para aptitudes que utilizan el modo de idioma con soporte nativo y cinco columnas para las que no lo hacen. Estos son los nombres de columna y lo que representan:

  • query: ejemplo de expresión.
  • topIntent: intención con la que debe coincidir la expresión.
  • conversationName: nombre de la conversación de la intención.
  • answer: para las intenciones de respuesta, respuesta estática de la intención.
  • enabled: si el valor es true, la intención está activada en la aptitud.
  • nativeLanguageTag: (solo para aptitudes con soporte en idioma nativo) el idioma de la expresión. Para valores, utilice etiquetas de idioma de dos caracteres (fr, en, etc.).
    • Para las aptitudes con soporte de idioma nativo de Digital Assistant, esta columna es necesaria.
    • Para las aptitudes sin el soporte de idioma nativo, no puede importar un CSV que tenga esta columna.

A continuación, se muestra un extracto de un archivo CSV para una aptitud que no tiene soporte de idioma nativo y que no utiliza intenciones de respuesta.

query,topIntent,conversationName,answer,enabled
I want to order a pizza,OrderPizza,Order a Pizza.,,true
I want a pizza,OrderPizza,Order a Pizza.,,true
I want a pizaa,OrderPizza,Order a Pizza.,,true
I want a pizzaz,OrderPizza,Order a Pizza.,,true
I'm hungry,OrderPizza,Order a Pizza.,,true
Make me a pizza,OrderPizza,Order a Pizza.,,true
I feel like eating a pizza,OrderPizza,Order a Pizza.,,true
Gimme a pie,OrderPizza,Order a Pizza.,,true
Give me a pizza,OrderPizza,Order a Pizza.,,true
pizza I want,OrderPizza,Order a Pizza.,,true
I do not want to order a pizza,CancelPizza,Cancel your order.,,true
I do not want this,CancelPizza,Cancel your order.,,true
I don't want to order this pizza,CancelPizza,Cancel your order.,,true
Cancel this order,CancelPizza,Cancel your order.,,true
Can I cancel this order?,CancelPizza,Cancel your order.,,true
Cancel my pizza,CancelPizza,Cancel your order.,,true
Cancel my pizaa,CancelPizza,Cancel your order.,,true
Cancel my pizzaz,CancelPizza,Cancel your order.,,true
I'm not hungry anymore,CancelPizza,Cancel your order.,,true
don't cancel my pizza,unresolvedIntent,unresolvedIntent,,true
Why is a cheese pizza called Margherita,unresolvedIntent,unresolvedIntent,,true

A continuación, se muestra un extracto de un archivo CSV para una aptitud con soporte en idioma nativo que utiliza intenciones de respuesta.

query,topIntent,conversationName,answer,enabled,nativeLanguageTag
Do you sell pasta,Products,Our Products,We sell only pizzas. No salads. No pasta. No burgers. Only pizza,true,en
Vendez-vous des salades,Products,Our Products,Nous ne vendons que des pizzas. Pas de salades. Pas de pâtes. Pas de hamburgers. Seulement pizza,fr
do you sell burgers,Products,Our Products,We sell only pizzas. No salads. No pasta. No burgers. Only pizza,true,en
Do you sell salads,Products,Our Products,We sell only pizzas. No salads. No pasta. No burgers. Only pizza,true,en
Vendez des hamburgers,Products,Our Products,Nous ne vendons que des pizzas. Pas de salades. Pas de pâtes. Pas de hamburgers. Seulement pizza,true,fr

Para importar un archivo CSV:

  1. Haga clic en Intenciones (Imagen del icono Intención.) en la barra de navegación izquierda.

  2. Haga clic en Más y, a continuación, seleccione Importar intenciones.
    A continuación se describe import-intents.png
    Descripción de la ilustración import-intents.png

  3. Seleccione el archivo .csv y, a continuación, haga clic en Abrir.

  4. Entrene la aptitud.

Exportación de intenciones a un archivo CSV

Puede volver a utilizar el corpus de entrenamiento exportándolo a un archivo CSV. A continuación, puede importar este archivo en otra aptitud.

Para exportar las intenciones y sus expresiones:
  1. Haga clic en Intenciones Imagen del icono Intención. en la barra de navegación izquierda.

  2. Haga clic en Más y, a continuación, seleccione Exportar intenciones.
    Descripción de export-corpus.png a continuación
    Descripción de la ilustración export-corpus.png

  3. Guardar el archivo. Este archivo tiene las siguientes columnas, que se describen en Importación de intenciones desde un archivo CSV:
    query, topIntent, conversationName, answer, enabled, nativeLanguageTag

¿Qué modelo de entrenamiento debo utilizar?

Proporcionamos un dúo de modelos de entrenamiento que moldean el conocimiento de la aptitud: Trainer Tm y Trainer Ht. Puede utilizar cualquiera de estos modelos. Cada uno de ellos utiliza un enfoque diferente del Machine Learning. En general, debe entrenar con Trainer Tm antes de poner las aptitudes en producción. Debido a que su tiempo de entrenamiento es más reducido, puede utilizar Ht para crear prototipos o para las aptitudes.
Nota

No puede utilizar Trainer Ht para aptitudes que utilicen intenciones de respuesta, utilicen soporte de idioma nativo o tengan un gran número de intenciones. Utilice Trainer Tm para estas aptitudes.
Trainer Ht es el modelo por defecto, pero puede cambiarlo haciendo clic en Configuración > General y seleccionando otro modelo en la lista. El modelo por defecto se muestra en el mosaico del catálogo de aptitudes.

Trainer Tm

El entrenador Tm (Tm) logra una clasificación de intenciones muy precisa incluso cuando una aptitud tiene cientos, o incluso miles, de intenciones. Aunque las intenciones de estos juegos de datos grandes suelen estar estrechamente relacionadas y a veces están "desequilibradas" en la cantidad de expresiones, Tm puede diferenciarlas. En general, debe aplicar Tm a cualquier aptitud antes de ponerla en producción.
Nota

Al entrenar con Trainer Tm, también puede utilizar el informe de expresiones similares.

No es necesario aumentar los datos de entrenamiento con expresiones que admitan la sensibilidad a mayúsculas/minúsculas (por ejemplo, Tm reconoce BlacK Friday como Black Friday), la puntuación, verbos y sustantivos similares o errores ortográficos. En este último caso, Trainer Tm utiliza el contexto para resolver una frase incluso si un usuario introduce una palabra clave incorrectamente. Estas son algunas directrices generales para crear un corpus de entrenamiento al desarrollar una aptitud con este modelo.

Trainer Tm mejora los conocimientos de la aptitud mediante
  • El reconocimiento del contenido irrelevante. En Estoy muy emocionado con las ofertas del próximo Black Friday, estoy impaciente por conocerlas. ¿Puede decirme qué va a estar en oferta para el Black Friday?, Trainer Tm:
    • Desecha el contenido extraño (Estoy muy emocionado con las ofertas del próximo Black Friday...)
    • Resuelve el contenido relevante (¿Puede decirme qué va a estar en oferta para el Black Friday?) en una intención. En este caso, la intención se denomina Ofertas de Black Friday.
    Trainer Tm también puede distinguir entre el contenido relevante e irrelevante de un mensaje, incluso si el contenido irrelevante puede resolverse en una intención. Por ejemplo, He comprado el nuevo televisor de 80 pulgadas en Black Friday por 2200 $, pero ahora veo que el mismo juego está disponible en línea por 2100 $. ¿Ofrecen una igualación de precios?se podría hacer coincidir con la intención Ofertas de Black Friday y con una intención Igualación de precios, que es adecuada para este mensaje. En este caso, Trainer Tm:
    • Reconoce que He comprado el nuevo televisor de 80 pulgadas en Black Friday por 2200 $, pero ahora veo que el mismo juego está disponible en línea por 2100 $ es un contenido extraño.
    • Resuelve ¿Ofrecen una igualación de precios?
  • Resuelve las intenciones cuando una sola palabra o un nombre coincide con una entidad. Por ejemplo, Trainer Tm puede resolver un mensaje que consiste solo en Black Friday en una intención asociada a una entidad de Black Friday.
  • Distingue entre expresiones similares (Cancelación de mi orden frente a ¿Por qué ha realizado la cancelación de mi orden?).
  • Reconoce expresiones fuera de ámbito, como Mostrar recetas de pizza o Cuántas calorías tiene una Meat Feast para una aptitud para pedir pizza y nada más.
  • Reconoce expresiones fuera de ámbito, como Qué tiempo hace hoy para una aptitud para pedir pizza.

    Consejo:

    Aunque Tm de entrenador puede distinguir fácilmente cuando un mensaje de usuario no se puede clasificar porque es claramente diferente de los datos de entrenamiento, puede que desee definir una unresolvedIntent con expresiones que representen las frases que desee asegurarse de que no se resuelven en ninguna de las intenciones de la aptitud. Estas frases pueden estar dentro del dominio de la aptitud, pero seguir fuera de ámbito, aunque puedan compartir algunas palabras iguales a las de los datos de entrenamiento. Por ejemplo, Quiero pedir un vehículo para una aptitud de pizza, que también se ha entrenado con Quiero pedir una pizza.
  • Distingue entre entidades similares; por ejemplo, Tm reconoce que el correo no es lo mismo que el correo electrónico en el contexto de una intención denominada Registrarse para ofertas por correo electrónico. Debido a que reconoce que una entidad denominada correo ordinario estaría fuera de ámbito, resolvería la frase Quiero suscribirme para las ofertas por correo ordinario con una confianza inferior que Quiero suscribirme para las ofertas por correo electrónico.

Trainer Ht

Trainer Ht es el modelo de entrenamiento por defecto. Solo necesita un pequeño corpus de entrenamiento, así que se puede utilizar a medida que se desarrollan las entidades, las intenciones y el corpus de entrenamiento. Cuando el corpus de entrenamiento se haya desarrollado hasta un punto en el que las pruebas muestren una gran precisión en la resolución de las intenciones, podrá agregar una dimensión más profunda al conocimiento de su aptitud mediante el entrenamiento con Trainer Tm.

Puede hacerse una idea de cómo Trainer Ht resuelve las intenciones a partir del corpus de entrenamiento. Forma reglas de coincidencia a partir de las reglas de coincidencia de las frases de ejemplo, etiquetando partes del discurso y entidades (tanto personalizadas como incorporadas) y detectando aquellas palabras que tienen el mismo significado en el contexto de la intención. Si una intención denominada SendMoney contiene las expresiones Enviar 500 € a mamá y Pagar 500 € a Cleo, por ejemple, Trainer Ht interpreta que pagar y enviar son equivalentes. Tras el entrenamiento, el etiquetado de Trainer Ht reduce estas frases a plantillas (Enviar dinero a una persona, Pagar a una persona dinero) que aplica a las entradas del usuario.

Dado que Trainer Ht se basa en las frases proporcionadas por el usuario, puede predecir su comportamiento: mostrará una gran precisión cuando se pruebe con frases parecidas a las que componen el corpus de entrenamiento (las entradas de usuario que siguen las reglas, por así decirlo), pero su rendimiento puede no sea tan bueno si se enfrenta a entradas de usuario abstrusas.

Creación del corpus de entrenamiento

Al definir una intención, lo primero que se hace es asignarle un nombre adecuado a la acción del usuario y, a continuación, se compila un conjunto de enunciados reales del usuario, también denominados expresiones. En conjunto, las intenciones y las expresiones que contienen componen un corpus de entrenamiento. El término corpus es una forma rápida de decir “todas las intenciones y frases de ejemplo que se me han ocurrido para aumentar la inteligencia de esta aptitud”. El corpus es la clave de la inteligencia de la aptitud. Al entrenar un modelo con el corpus, lo que hace es, básicamente, convertir dicho modelo en una herramienta de referencia para resolver las entradas de usuario en una única intención. Dado que, en última instancia, el corpus de entrenamiento tiene el papel principal a la hora de decidir qué camino va a tomar la conversación entre la aptitud y la persona, es necesario elegir las palabras con cuidado al crearlo.

Por lo general, un conjunto amplio y variado de frases de ejemplo incrementa la capacidad del modelo para resolver las intenciones correctamente. Sin embargo, para crear un corpus de entrenamiento sólido no nos limitaremos a frases de ejemplo bien construidas, sino que empezaremos con intenciones claramente definidas. No solo deben reflejar los casos prácticos, sino que su relación con las frases de ejemplo debe ser evidente. Si no tiene claro dónde situar una frase de ejemplo, las intenciones no son diferentes entre sí.

Es posible que esté pensando en alguna expresión de ejemplo mientras crea las intenciones, pero puede desarrollarlas utilizando estas directrices.

Directrices para Trainer Tm

  • Utilice un umbral de seguridad mínimo de 0,7 para cualquier aptitud que desee poner en producción.
  • Utilice convenciones de nomenclatura adecuadas para los nombres de las intenciones, de modo que sea sencillo revisar las intenciones relacionadas.
  • Como regla general, cree al menos de 80 a 100 expresiones para cada intención. Según las directrices de tamaño y unidad del corpus, el número mínimo (aunque no recomendado) de expresiones para una intención es dos. El número total de expresiones del juego de entrenamiento no debe superar los 25 000.
  • Si es posible, utilice frases sin modificar y con palabras del mundo real que incluyan:
    • coloquiales
    • abreviaturas estándar que un usuario pueda introducir ("dto." por descuento, por ejemplo)
    • nombres no estándar, como los nombres de productos
    • variantes ortográficas ("reembolso" y "rembolso", por ejemplo)
    Si no tiene ningún dato, incorpore estos datos en sus propios datos de entrenamiento. Estas son algunas sugerencias:
    • Cree frases totalmente formadas que mencionen tanto la acción como la entidad en la que se realiza la acción.
    • Intente mantener la longitud de la expresión entre 3 y 30 palabras. Las expresiones que son demasiado cortas y carentes de contexto pueden hacer que el modelo se generalice de maneras impredecibles. Las expresiones que son demasiado largas pueden impedir que el modelo identifique las palabras y frases pertinentes. Sin embargo, puede haber excepciones para las expresiones de una o dos palabras cuando son frases de uso común. Si espera mensajes de dos palabras como estado de pedido, comprobación de precios, información de afiliación o envío internacional) que especifiquen la entidad y la acción, agréguelos a los datos de entrenamiento. Asegúrese de que las frases de ejemplo tengan una acción y una entidad.
    • Sea concreto. Por ejemplo, ¿Cuál es el número de teléfono de su tienda? es mejor que ¿Cuál es su número de teléfono? porque permite a Trainer Tm asociar un número de teléfono a una tienda. Como resultado de este aprendizaje, resolverá ¿Cuál es el número de teléfono de tu madre? en una puntuación de confianza más baja.
    • Aunque Trainer Tm detecta las expresiones fuera de ámbito, puede mejorar aún más la confianza y la precisión creando unresolvedIntent para las expresiones que estén en el dominio, pero que estén fuera de ámbito para las intenciones de la aptitud. Esto permite a Trainer Tm aprender el límite de las intenciones del dominio. Puede definir unresolvedIntent para las frases que no desee resolver con ninguna de las intenciones de la aptitud. Puede que solo desee definir unresolvedIntent si los mensajes de usuario se han resuelto en las intenciones de una aptitud a pesar de que no se aplican a ninguna de ellos.
    • Varíe las palabras y las frases en torno al contenido significativo tanto como sea posible. Por ejemplo, "Me gustaría una pizza, por favor ","Quiero pedir una pizza"," Una pizza, por favor"
    • Algunas prácticas que se deben evitar:
      • No asocie una sola palabra o frase a una intención específica a menos que esa palabra o frase indique la intención. Las frases repetidas pueden crear un sesgo en la resolución de intenciones. Por ejemplo, si se inicia cada expresión OrderPizza con "Quiero…" y cada intención ShowMenu con "¿Puede ayudarme a…" puede aumentar la probabilidad de que el modelo resuelva todas las entrada de usuario que empiece por "Puede ayudarme a" con OrderPizza y "Quiero" con ShowMenu.
      • Una alta ocurrencia de expresiones de una palabra en las intenciones. Las expresiones de una palabra son una excepción. Utilícelas con moderación, si acaso.
      • Expresiones abiertas que pueden aplicarse fácilmente a otros dominios o a temas fuera de dominio.
      • El corpus no necesita repetir la misma expresión con diferente caso o con diferentes formas de palabra que tengan el mismo lema. Por ejemplo, dado que Trainer Tm puede distinguir entre gestionar, gestiona y gestiones, no solo puede diferencia entre "¿Qué gestiones realiza Sam?" y "¿Qué va a gestionar Sam?", sino que también entiende que estas palabras están relacionadas entre sí.
        Nota

        Puede que se sienta tentado a agregar ortografías incorrectas de palabras. Pero antes de hacerlo, utilice esas ortografías incorrectas en el comprobador de expresiones para ver si el modelo las reconoce. Puede que te sorprenda lo bien que los maneja. Además, al no agregar errores ortográficos, corres menos riesgo de sesgar tu modelo de maneras inesperadas.
  • Cree casos de pruebas para garantizar la integridad de la resolución de una intención.
  • Ejecute el informe Visión general de la calidad de las aptitudes para mantener un juego de entrenamiento equilibrado. Ejecute el informe de anomalías para comprobar si hay expresiones mal clasificadas o inusuales.
  • Al desplegar la aptitud, puede mejorar los datos de entrenamiento de forma continua mediante:
    • Revisión de los resúmenes de logs de conversaciones, resúmenes de todas las conversaciones que se han producido durante el período especificado. Para activar el registro, active Activar Insights en Configuración.
    • La ejecución de informes de calidad de aptitudes y la asignación (o reasignación) de mensajes de usuario reales a las intenciones con el reentrador de Insights. Si estos informes indican que unresolvedIntent tiene muchas expresiones erróneas dentro de las intenciones del dominio:
      • Mueva las expresiones dentro del ámbito de unresolvedIntent a las intenciones de dominio.
      • Mueva las declaraciones fuera de ámbito de las intenciones de dominio a unresolvedIntent.

Directrices para Trainer Ht

Cree entre 12 y 24 frases de ejemplo para cada intención, si es posible. Utilice frases no modificadas y con palabras del mundo real que incluyan:
  • coloquiales
  • errores tipográficos comunes
  • abreviaturas estándar que pueda introducir el usuario (por ejemplo, "dto." por "descuento")
  • nombres no estándar, como los nombres de productos
  • variantes ortográficas ("reembolso" y "rembolso", por ejemplo)
Si no tiene ningún dato, incorpore estos datos en sus propios datos de entrenamiento. Estas son algunas sugerencias:
  • Cambie la estructura de vocabulario y oración en estas frases iniciales por una o dos permutaciones mediante el uso de:
    • jerga (lana, pasta, guita)

    • abreviaturas estándar que un usuario pueda introducir ("dto." por descuento, por ejemplo)
    • nombres no estándar, como los nombres de productos
    • expresiones comunes (¿Estoy sin blanca? para una intención denominada AccountBalance)

    • palabras alternativas (Enviar pasta a la cuenta de ahorro, Enviar fondos a la cuenta de ahorro, Enviar dinero a la cuenta de ahorro, Transferir dinero a la cuenta de ahorro.)

    • distintas categorías de objetos (Quiero pedir una pizza, Quiero pedir comida).

    • ortografía alternativa (transferencia, trasferencia)

    • errores ortográficos comunes ("ola" por hola)

    • orden de palabras poco común (A cuenta corriente, 20 € enviar)

  • Utilice distintos conceptos para expresar la misma intención, como Tengo hambre y Hazme una pizza
  • No asocie una sola palabra o frase a una intención específica a menos que esa palabra o frase indique la intención. Las frases repetidas pueden crear un sesgo en la resolución de intenciones. Por ejemplo, iniciar cada expresión OrderPizza con "Quiero…" y cada intención de ShowMenu con "¿Puede ayudarme a…" puede aumentar la probabilidad de que el modelo resuelva todas las entradas de usuario que empiecen por "Quiero" con OrderPizza y "Puede ayudarme a" con ShowMenu.
  • Evite fragmentos de frases y palabras sueltas. En su lugar, utilice oraciones completas (que pueden tener hasta 255 caracteres) que incluyan la acción y la entidad. Si necesita utilizar ejemplos de palabras clave sueltas, elíjalas con cuidado.

  • Cree casos de prueba para garantizar la integridad de la prueba de la resolución de la intención. Dado que la adición de nuevos ejemplos de intención puede provocar regresiones, puede que termine agregando varias frases de prueba para estabilizar el comportamiento de la resolución de intenciones.

Límites para la forma y el tamaño de los datos de entrenamiento

En cuanto a la unidad y los datos de entrenamiento, estos son los límites del número de intenciones y expresiones.

Intentos:

  • Número mínimo de intenciones por aptitud: 2
  • Número máximo de intenciones por aptitud: 2.500

Expresiones:

  • Número máximo de expresiones por aptitud: 25 000
  • Número mínimo de expresiones por intención: 2
  • Longitud de la palabra: Entre 3 y 30 palabras. Según las directrices de Trainer Tm, hay excepciones en las que las expresiones de una o dos palabras pueden ser adecuadas si se utilizan con frecuencia.
Nota

Estos son límites técnicos, no recomendaciones. Consulte Directrices para Trainer Tm para obtener recomendaciones prácticas para dar forma a sus habilidades y proporcionar datos de entrenamiento sólidos.

Exportación de datos de intenciones

Para registrar conversaciones, asegúrese de activar Activar Insights en Configuración > General antes de probar las intenciones.

Para exportar datos para una aptitud:
  1. Haga clic en icono para abrir el menú lateral para abrir el menú lateral y seleccione Desarrollo > Aptitudes.
  2. En el mosaico de la aptitud, haga clic en icono para abrir el menú Opciones y seleccione Exportar conversaciones.
  3. Seleccione Log de conversación de intención, defina el período de registro y haga clic en Exportar.
  4. Revise la entrada del usuario abriendo los archivos CSV en un programa de hoja de cálculo.