Alustuseks loome faili, mida kasutame mudeli allalaadimiseks. Meie abistamiseks kasutame Kallistav nägu, pythoni raamatukogu, mis pakub erinevaid kvaliteetseid NLP-mudeleid.
Seejärel loome pythoni klassi, mida kasutame ingliskeelse teksti teisendamise loogika haldamiseks, et luua sõnamärgid, mida kasutame oma mudeli sisenditena.
Seejärel ehitame a Kolb API kahe lõpp-punktiga, üks teenuse toimimise kontrollimiseks ja teine meie vestlusbotiga integreerimiseks.
Lõpuks genereerime Docker-faili, mis laadib vestlusmudeli loomisel eelnevalt alla, nii et kui saadame oma API-le päringu, saab see kiiresti vastata, selle asemel, et mudelit iga kord uuesti laadida. See parandab drastiliselt meie roboti jõudlust. API majutamiseks kasutame wsgi-serverina gunicorni ilma täiendava veebiserveri raamistikuta.
Sammud alates mudeli käivitamisest kohalikus masinas kuni selle tootmisprotsessi käivitamiseni võivad olla hirmuäratavad. Kuid mitmed teenused on viimastel aastatel selle sammu palju lihtsamaks teinud.
Me hakkame koos töötama google cloud run selle projekti jaoks. Google'i "serverita" platvorm, mulle ei meeldi sõna serverita, kuna loomulikult peab seal olema server, mis töötab koodi, kuid see on serverita selles mõttes, et see ei salvesta kliendiandmeid seansist teise ja et saame mis tahes serveri, mis on igal ajahetkel saadaval.
2. 4, mida saab ja kolm MITTE, Chatbot NLP mudeli koolitamiseks
3. Concierge Bot: hallake mitut vestlusrobotit ühel vestlusekraanil
4. Ekspertsüsteem: vestluse tehisintellekt vs vestlusrobotid
- Täiendavad lisad
- AI
- API
- Bot
- ehitama
- chatbot
- jututoad
- kontroll
- Cloud
- kood
- loomine
- andmed
- Inglise
- EV
- Raamistik
- Suur
- Kuidas
- Kuidas
- hr
- HTTPS
- IP
- IT
- Kx
- Raamatukogu
- kohalik
- keskmine
- mudel
- nlp
- jõudlus
- inimesele
- Produktsioon
- projekt
- Python
- kvaliteet
- aru
- jooksmine
- tunne
- Serverita
- Teenused
- So
- algus
- süsteem
- aeg
- märgid
- koolitus
- Trends
- us
- web
- veebiserver
- Töö
- aastat