Εκπαίδευσα ένα AI Chatbot στα Έγγραφα της Εταιρείας μου σε Δεκαπέντε Λεπτά

Η φράση "εκπαίδευση ενός AI" φέρει συννοιασμούς τεράστιων συνόλων δεδομένων, συστάδων GPU, ειδίκευσης στη μηχανική μάθηση και του είδους του υπολογιστικού προϋπολογισμού που μόνο τα καλά χρηματοδοτημένα ερευνητικά εργαστήρια μπορούν να επιτρέψουν. Αυτή η αντίληψη, ενώ ακριβής για την κατασκευή μοντέλων θεμελίωσης από την αρχή, είναι εξαιρετικά παραπλανητική όταν πρόκειται για τη δημιουργία ενός chatbot που κατανοεί την ιδιαίτερη επιχείρησή σας. Η διάκριση είναι σημαντική επειδή αποτρέπει χιλιάδες εταιρείες από την εφαρμογή λύσεων συνομιλιακού AI που δεν είναι μόνο στα όρια τους αλλά μπορούν να αναπτυχθούν σε χρόνο μικρότερο από ό,τι χρειάζεται για να γραφεί μια ατζέντα συσκέψης.

Η εκπαίδευση ενός chatbot σε γνώσεις συγκεκριμένες για την εταιρεία δεν απαιτεί εκπαίδευση ενός γλωσσικού μοντέλου από την αρχή. Απαιτεί την παροχή ενός υπάρχοντος γλωσσικού μοντέλου του περιεχομένου που χρειάζεται για να απαντήσει με ακρίβεια σε ερωτήσεις σχετικά με την επιχείρειά σας. Το μοντέλο ήδη γνωρίζει πώς να κατανοεί ερωτήσεις, να κατασκευάζει συνεκτικές απαντήσεις και να διατηρεί τη ροή συνομιλίας. Αυτό που λείπει είναι η γνώση των συγκεκριμένων προϊόντων, πολιτικών, διαδικασιών και ορολογίας σας. Η παροχή αυτής της γνώσης είναι θέμα ανεβάσματος εγγράφων, όχι εκτέλεσης βρόχων εκπαίδευσης σε χιλιάδες GPU. Η διαδικασία είναι πιο κοντά στο να δώσετε σε έναν νέο υπάλληλο ένα φάκελο προσανατολισμού παρά στο τίποτα που θα μοιάζει με έρευνα μηχανικής μάθησης.

Το ChatBot API στο yeb.to κάνει αυτή τη διαδικασία σαφή και απλοποιημένη. Ανεβάστε τα έγγραφα γνώσης σας. Το σύστημα τα επεξεργάζεται σε μια βάση γνώσης που μπορεί να αναζητηθεί. Ορίστε περιπτώσεις χρήσης που περιγράφουν τι θα πρέπει να είναι ικανό να κάνει το chatbot. Ξεκινήστε συνομιλίες. Το chatbot βασίζεται στη ανεβασμένη γνώση για να απαντήσει σε ερωτήσεις, να παρέχει πληροφορίες και να καθοδηγήσει τους χρήστες μέσα στις διαδικασίες που είναι ιδιαίτερες για την επιχείρησή σας. Δεκαπέντε λεπτά από το πρώτο ανέβασμα στην πρώτη χρήσιμη συνομιλία δεν είναι μάρκετινγκ αισιοδοξία. Είναι ο πραγματικός χρονοδιάγραμμα όταν τα έγγραφα γνώσης είναι ήδη οργανωμένα και οι περιπτώσεις χρήσης είναι σαφείς.

Τι Μετρά ως Γνώση και Πώς Λειτουργεί το Ανέβασμα

Το ανέβασμα γνώσης δέχεται μια σειρά μορφών εγγράφων που καλύπτουν τους τρόπους με τους οποίους οι περισσότερες εταιρείες αποθηκεύουν τη θεσμική τους γνώση. PDF εγχειρίδων προϊόντων, έγγραφα Word που περιέχουν εγχειρίδια πολιτικής, αρχεία κειμένου με συλλογές συχνών ερωτήσεων, αρχεία Markdown με τεχνική τεκμηρίωση και απλά εξαγωγές κειμένου από συστήματα wiki χρησιμεύουν ως έγκυρες πηγές γνώσης. Το σύστημα καταπίνει αυτά τα έγγραφα, τα χωρίζει σε σημασιολογικά συνεκτικά κομμάτια και τα ευρετηριάζει με τρόπο που επιτρέπει στο chatbot να ανακτήσει σχετικά αποσπάσματα όταν απαντά σε ερωτήσεις.

Η ποιότητα των απαντήσεων του chatbot εξαρτάται άμεσα από την ποιότητα και την πληρότητα της ανεβασμένης γνώσης. Ένα εγχειρίδιο προϊόντος που περιγράφει διεξοδικά τα χαρακτηριστικά, τις περιπτώσεις χρήσης, τους περιορισμούς και τα βήματα αντιμετώπισης προβλημάτων παράγει ένα chatbot που μπορεί να απαντήσει σε λεπτομερείς ερωτήσεις προϊόντος με ακρίβεια. Ένα αραιό έγγραφο που καλύπτει μόνο βασικά χαρακτηριστικά παράγει ένα chatbot που μπορεί να απαντήσει σε βασικές ερωτήσεις αλλά αναβάλλει σε τίποτα πιο συγκεκριμένο. Αυτό δεν είναι περιορισμός της τεχνολογίας αλλά αντανάκλαση της θεμελιώδους αρχής ότι το chatbot γνωρίζει τι του έχει πει, και το να του πει περισσότερα παράγει καλύτερα αποτελέσματα.

Η διαδικασία ανεβάσματος χειρίζεται αυτόματα τη μορφοποίηση του εγγράφου, αφαιρώντας τις άσχετες πληροφορίες διάταξης διατηρώντας τη σημασιολογική δομή που είναι σημαντική για την κατανόηση. Οι επικεφαλίδες γίνονται όρια τμημάτων. Τα κουκκίδες γίνονται απαριθμήσιμα στοιχεία. Τα τραπέζια διατηρούν τις σχέσεις σειράς-στήλης τους. Ο στόχος είναι να εξαγάγετε το περιεχόμενο πληροφοριών από το έγγραφο ενώ απορρίπτετε το στρώμα παρουσίασης, επειδή το chatbot χρειάζεται να κατανοήσει τι λέει το έγγραφο, όχι τι γραμματοσειρά χρησιμοποιεί. Αυτή η αυτοματοποιημένη επεξεργασία εξαλείφει την ανάγκη για χειροκίνητη προετοιμασία εγγράφων, πράγμα που σημαίνει ότι τα υπάρχοντα έγγραφα εταιρείας μπορούν να ανέβουν όπως έχουν χωρίς αναμόρφωση.

Πολλά έγγραφα μπορούν να ανέβουν για να δημιουργήσουν μια περιεκτική βάση γνώσης που εκτείνεται σε διαφορετικές πτυχές της επιχείρησης. Μια πλήρης ρύθμιση μπορεί να περιλαμβάνει έναν κατάλογο προϊόντων, ένα εγχειρίδιο εξυπηρέτησης πελατών, μια τεχνική ΣΑΕ, έναν οδηγό τιμολόγησης και ένα έγγραφο επισκόπησης εταιρείας. Κάθε έγγραφο συνεισφέρει σε μια διαφορετική πτυχή της γνώσης του chatbot και το σύστημα τα ενοποιεί απρόσκοπτα ώστε μια απλή συνομιλία να μπορεί να αντληθεί πληροφορίες από πολλές πηγές. Ένας πελάτης που ρωτά σχετικά με μια δυνατότητα προϊόντος και στη συνέχεια ρωτά σχετικά με την τιμολόγηση λαμβάνει συνεκτικές απαντήσεις και στις δύο ερωτήσεις ακόμα και αν οι πληροφορίες προέρχονται από διαφορετικά ανεβασμένα έγγραφα.

Περιπτώσεις Χρήσης και Διδασκαλία του Chatbot Τι Θα Πρέπει να Κάνει

Το ανέβασμα γνώσης λέει στο chatbot τι γνωρίζει. Ο ορισμός περιπτώσεων χρήσης του λέει τι πρέπει να κάνει με αυτή τη γνώση. Μια περίπτωση χρήσης είναι μια περιγραφή ενός σεναρίου συνομιλίας που το chatbot θα πρέπει να είναι προετοιμασμένο να χειριστεί: απάντηση σε ερωτήσεις προϊόντος, καθοδήγηση των χρηστών σε μια διαδικασία ρύθμισης, προσδιορισμός πιθανοτήτων πωλήσεων, χειρισμός αιτημάτων υποστήριξης ή οποιοδήποτε άλλο στόχο συνομιλίας που ευθυγραμμίζεται με τις ανάγκες της επιχείρησης.

Οι περιπτώσεις χρήσης χρησιμεύουν ως κατευθυντήριες γραμμές συμπεριφοράς που διαμορφώνουν τον τρόπο με τον οποίο το chatbot εφαρμόζει τη γνώση του. Χωρίς ορισμένες περιπτώσεις χρήσης, το chatbot ανταποκρίνεται σε ερωτήσεις ανακτώντας σχετική γνώση και παρουσιάζοντάς την. Με ορισμένες περιπτώσεις χρήσης, το chatbot κατανοεί όχι μόνο τι πληροφορίες να παρέχει αλλά πώς να δομήσει τη συνομιλία γύρω από αυτές τις πληροφορίες. Μια περίπτωση χρήσης υποστήριξης μπορεί να οδηγήσει το chatbot να ζητήσει διευκρινιστικές ερωτήσεις πριν να παρέχει λύσεις. Μια περίπτωση χρήσης προσδιορισμού πωλήσεων μπορεί να το οδηγήσει να συγκεντρώσει πληροφορίες σχετικά με τις ανάγκες του πιθανού πελάτη πριν να συστήσει προϊόντα. Μια γενική περίπτωση χρήσης ΣΑΕ μπορεί να το οδηγήσει να παρέχει άμεσες απαντήσεις χωρίς εκτεταμένο πρόλογο.

Η διαδικασία ορισμού περιπτώσεων χρήσης δεν απαιτεί ειδίκευση προγραμματισμού ή μηχανικής δημιουργίας ερωτημάτων. Κάθε περίπτωση χρήσης περιγράφεται σε φυσική γλώσσα: τι είδος ερωτήσεων ή αιτημάτων μπορεί να έχει ο χρήστης, τι πληροφορίες θα πρέπει να παρέχει το chatbot, τι τόνο θα πρέπει να χρησιμοποιήσει και τι ενέργειες θα πρέπει να προτείνει. Το σύστημα μεταφράζει αυτές τις περιγραφές σε παραμέτρους συμπεριφοράς που καθοδηγούν τις απαντήσεις του chatbot. Ένας μη τεχνικός ιδιοκτήτης επιχείρησης μπορεί να ορίσει περιπτώσεις χρήσης τόσο αποτελεσματικά όσο ένας προγραμματιστής, επειδή οι ορισμοί εκφράζονται σε την ίδια φυσική γλώσσα που χρησιμοποιεί το ίδιο το chatbot.

Ο αριθμός και η ειδικότητα των περιπτώσεων χρήσης θα πρέπει να αντικατοπτρίζουν το προσδιοριζόμενο πεδίο εφαρμογής του chatbot. Ένα chatbot εξυπηρέτησης πελατών μπορεί να χρειαστεί δέκα έως δεκαπέντε περιπτώσεις χρήσης που καλύπτουν διαφορετικές κατηγορίες υποστήριξης. Ένα απλό chatbot ΣΑΕ μπορεί να χρειαστεί τρεις ή τέσσερις. Ένα chatbot προσδιορισμού πωλήσεων μπορεί να χρειαστεί πέντε έως επτά περιπτώσεις χρήσης που καλύπτουν διαφορετικές γραμμές προϊόντων ή τμήματα πελατών. Ξεκίνημα με λιγότερες, ευρύτερες περιπτώσεις χρήσης και βελτίωση σε πιο συγκεκριμένες παράμετρος βασισμένες σε πραγματικά σχέδια συνομιλίας είναι μια πρακτική προσέγγιση που παράγει καλά αποτελέσματα γρήγορα και βελτιώνεται με την πάροδο του χρόνου καθώς τα δεδομένα χρήσης αποκαλύπτουν ποια σενάρια χρειάζονται πιο λεπτομερή χειρισμό.

Η Πρώτη Συνομιλία και Τι Ακριβώς Γνωρίζει το Chatbot

Η στιγμή της αλήθειας έρχεται όταν τίθεται το πρώτο πραγματικό ερώτημα. Όχι μια δοκιμαστική ερώτηση που ο προγραμματιστής ήδη γνωρίζει την απάντηση, αλλά ένα γνήσιο ερώτημα από κάποιον που περιμένει μια χρήσιμη απάντηση. Αυτό είναι όπου η ποιότητα της βάσης γνώσης και η σαφήνεια των περιπτώσεων χρήσης είτε αποδίδουν αποτέλεσμα είτε αποκαλύπτουν κενά. Ένα καλά προετοιμασμένο chatbot χειρίζεται το πρώτο ερώτημα με αυτοπεποίθηση, παρέχοντας μια ακριβή απάντηση που αντλείται από τη ανεβασμένη γνώση και παρουσιάζεται σε τόνο που ευθυγραμμίζεται με τις ορισμένες περιπτώσεις χρήσης. Ένα κακώς προετοιμασμένο chatbot φορτώνει, παρέχοντας γενικές απαντήσεις που θα μπορούσαν να ισχύουν σε οποιαδήποτε εταιρεία ή αποκλίνοντας με παραλλαγές "παρακαλούμε επικοινωνήστε με την υποστήριξη για περισσότερες πληροφορίες."

Οι πρώτες λίγες ημέρες της λειτουργίας της ζωντανής αναμετάδοσης είναι τις πιο πολύτιμες για τη βελτίωση της αποτελεσματικότητας του chatbot. Οι συνομιλίες αποκαλύπτουν τις ερωτήσεις που πραγματικά ρωτούν οι χρήστες, που συχνά διαφέρουν σημαντικά από τις ερωτήσεις που η επιχείρηση περίμενε ότι θα ρωτούσαν. Ένα chatbot προϊόντος μπορεί να λάβει περισσότερες ερωτήσεις σχετικά με την τιμολόγηση και τη διαθεσιμότητα παρά σχετικά με τα χαρακτηριστικά, υποδεικνύοντας ότι η βάση γνώσης χρειάζεται ισχυρότερη τεκμηρίωση τιμολόγησης. Ένα chatbot υποστήριξης μπορεί να λάβει ερωτήσεις διατυπωμένες με τρόπους που οι ορισμοί περιπτώσεων χρήσης δεν προέβλεπαν, υποδεικνύοντας βελτιώσεις στις κατευθυντήριες γραμμές συνομιλίας.

Η επανάληψη της βάσης γνώσης και των περιπτώσεων χρήσης με βάση τα πραγματικά δεδομένα συνομιλίας είναι το κλειδί για γρήγορη βελτίωση. Κάθε συνομιλία που παράγει μια μη ικανοποιητική απάντηση προσδιορίζει ένα συγκεκριμένο κενό: είτε η βάση γνώσης στερείται των σχετικών πληροφοριών, είτε ο ορισμός περιπτώσεων χρήσης δεν καθοδηγεί το chatbot να εφαρμόσει τις διαθέσιμες πληροφορίες σωστά. Η αντιμετώπιση αυτών των κενών είναι σταδιακή εργασία, προσθέτοντας ένα έγγραφο εδώ, βελτιώνοντας μια περίπτωση χρήσης εκεί, και κάθε βελτίωση ωφελεί όλες τις μελλοντικές συνομιλίες που αγγίζουν το ίδιο θέμα. Το chatbot γίνεται σημαντικά καλύτερο με κάθε γύρο βελτίωσης και ο ρυθμός της βελτίωσης είναι ταχύτερος στις πρώτες λίγες εβδομάδες όταν τα πιο συνήθη κενά εντοπίζονται και συμπληρώνονται.

Η καμπύλη μάθησης για τα άτομα που διατηρούν το chatbot είναι εξίσου γρήγορη. Μέχρι το τέλος της πρώτης εβδομάδας, το άτομο που διαχειρίζεται το chatbot κατανοεί τι είδος γνώσης παράγει τις καλύτερες απαντήσεις, πόσο συγκεκριμένοι πρέπει να είναι οι ορισμοί περιπτώσεων χρήσης και ποια σχέδια συνομιλίας χρειάζονται προσοχή. Αυτή η λειτουργική εξοικείωση, που αποκτάται μέσω άμεσης εμπειρίας παρά ανάγνωσης τεκμηρίωσης, είναι αυτό που μετατρέπει το chatbot από ένα εργαλείο ρύθμισης και ξεχνάσματος σε ένα συνεχώς βελτιούμενο περιουσιακό στοιχείο που γίνεται πιο πολύτιμο για την επιχείρηση με κάθε περασμένη εβδομάδα.

Δεν Απαιτείται Ειδίκευση ML και Τι Σημαίνει Πραγματικά

Ο ισχυρισμός ότι δεν απαιτείται ειδίκευση μηχανικής μάθησης αξίζει εξήγησης επειδή ακούγεται σαν γλώσσα μάρκετινγκ και είναι σημαντικό να εξηγηθεί γιατί είναι πραγματικά αληθές. Το ChatBot API χειρίζεται όλες τις τεχνικά σύνθετες λειτουργίες εσωτερικά: κατάτμηση εγγράφων, σημασιολογική ενσωμάτωση διανύσματος, σημασιολογική αναζήτηση, διαχείριση παραθύρου περιεχομένου, κατασκευή ερωτημάτων και δημιουργία απαντήσεων. Αυτές είναι οι λειτουργίες που απαιτούν γνώση ML για να εφαρμοστούν από την αρχή. Δεν απαιτούν γνώση ML για χρήση μέσω ενός API που αφαιρεί αυτές τις ενέργειες πίσω από μια απλή διεπαφή.

Οι δεξιότητες που απαιτούνται για τη ρύθμιση και τη διατήρηση ενός chatbot μέσω αυτού του συστήματος είναι εντελώς μη τεχνικές: την ικανότητα οργάνωσης της γνώσης της εταιρείας σε έγγραφα, την ικανότητα περιγραφής σεναρίων συνομιλίας σε φυσική γλώσσα και την ικανότητα ανάγνωσης αρχείων συνομιλίας και προσδιορισμού του σημείου όπου οι απαντήσεις ήταν ανεπαρκείς. Αυτές είναι δεξιότητες που κάθε διαχειριστής επιχείρησης, ηγέτης εξυπηρέτησης πελατών ή επαγγελματίας μάρκετινγκ κατέχει. Η τεχνική υποδομή αντιμετωπίζεται από το API και η επιχειρηματική νοημοσύνη αντιμετωπίζεται από τα άτομα που κατανοούν την επιχείρηση.

Αυτή η διαίρεση ευθυνών είναι αυτό που κάνει την ανάπτυξη δεκαπέντε λεπτών ρεαλιστική παρά ελπιδοφόρα. Τα τεχνικά δύσκολα μέρη είναι ήδη λυμένα και λειτουργούν ως υπηρεσία. Τα συγκεκριμένα για την επιχείρηση μέρη, τα οποία μόνο η επιχείρηση μπορεί να παρέχει, είναι απλά να παρέχονται μέσω ανεβάσματος εγγράφων και ορισμών περιπτώσεων χρήσης σε φυσική γλώσσα. Η τομή αυτών των δύο εισαγωγών παράγει ένα chatbot που συνδυάζει τις δυνατότητες συνομιλίας ενός μεγάλου γλωσσικού μοντέλου με τη συγκεκριμένη γνώση και κατευθυντήριες γραμμές συμπεριφοράς της επιχείρησης, χωρίς να απαιτείται να κατανοήσει κάποιος από τους εμπλεκόμενους πώς το γλωσσικό μοντέλο ή το σύστημα ανάκτησης γνώσης λειτουργούν εσωτερικά.

Το αποτέλεσμα είναι ένα chatbot που γνωρίζει τα προϊόντα σας, μιλά στον τόνο του εμπορικού σήματός σας, χειρίζεται τα σενάρια που ορίζετε και βελτιώνεται καθώς του τροφοδοτείτε καλύτερη γνώση και σαφέστερες κατευθυντήριες γραμμές. Ολόκληρη η αγωγός ML τρέχει πίσω από τα παρασκήνια, αόρατη για τον χρήστη επιχείρησης, πράγμα που είναι ακριβώς το πώς θα πρέπει να λειτουργεί. Η επιχείρηση δεν χρειάζεται να κατανοήσει μεταμορφώσεις και ενσωματώσεις παρά περισσότερο από ό,τι ένας οδηγός χρειάζεται να κατανοήσει την ένεση καυσίμου και μηχανική του κιβωτίου ταχυτήτων. Το όχημα λειτουργεί. Ο προορισμός φτάνει. Οι λεπτομέρειες του κινητήρα είναι ανησυχία κάποιου άλλου.