Bonjour! Il s'agit de la première partie d'une série en 3 parties impliquant la création et le déploiement d'un Chatbot pour votre entreprise ou votre site Web personnel en utilisant Docker et Heroku. La plate-forme d'IA conversationnelle que j'utiliserais est Rasa. Rasa est un framework d'apprentissage automatique open source qui vous aide à créer des chatbots; il se trouve également que c'est ma plate-forme de chatbot préférée pour plusieurs raisons, comme le fait qu'elle soit open source, largement utilisée et bien documentée.
Dans cet article, je parlerai de la façon de configurer Rasa localement sur votre ordinateur. Bien que mon système d'exploitation soit Windows, tout ce processus peut être répliqué pour n'importe quel système.
Condition préalable:
- Télécharger Anaconda Prompt à partir de ici.
- Télécharger les outils de build Microsoft ici.
- Créez un répertoire sur votre système dans lequel vous souhaitez stocker votre projet Rasa.
Une fois que tout cela a été fait, ouvrez le Anaconda Prompt application et 'CD' dans le répertoire que vous avez créé, le mien s'appelle «Projet Rasa».
Ensuite, exécutez les commandes suivantes dans Anaconda Prompt:
- Créez un environnement virtuel à l'aide de la commande ci-dessous.
conda create -n rasavirtualenv python = 3.6
2. Activez votre environnement à l'aide de la commande
conda activer rasavirtualenv
3. Installez Ujson
conda installer ujson == 1.35
4. Installez Tensorflow
conda installer tensorflow
5. Installez Rasa Open Source.
pip installer rasa
6. Créez un nouveau projet rasa dans le répertoire de votre projet
initialisation rasa
1. Rapport sur les tendances du chatbot 2021
2. 4 choses à faire et 3 à ne pas faire pour former un modèle PNL Chatbot
3. Concierge Bot: gérez plusieurs chatbots à partir d'un seul écran de discussion
4. Un système expert: l'IA conversationnelle contre les chatbots
En regardant la dernière partie de l'écran ci-dessus, lorsqu'on vous demande d'entrer le chemin que vous souhaitez créer un projet, entrez le signe de période (.), Cela signifie que vous souhaitez créer un projet dans le répertoire courant. Lorsqu'on vous demande si vous souhaitez entraîner le modèle, vous pouvez choisir «y» ou «n».
Une fois la commande ci-dessus terminée et le nouveau projet créé, il vous sera demandé si vous souhaitez parler avec le Chatbot dans le terminal. Si vous répondez oui, un dialogue débutera entre vous et le chatbot nouvellement créé.
Maintenant que le projet a été créé, si vous vérifiez le répertoire de votre projet, vous verrez que plusieurs fichiers y ont été ajoutés. Je vais rapidement discuter de 3 fichiers dont je pense que vous avez besoin pour comprendre leur contenu; le fichier domaine.yml dans le répertoire principal, et les fichiers nlu.yml ainsi que histoires.yml dans le données dossier.
La nlu.yml fichier est l'endroit où toutes les données d'entraînement sont stockées. Les données d'entraînement sont des exemples de messages que les utilisateurs peuvent envoyer à votre Chatbot. Dans ce fichier, les messages sont classés en fonction de leur intention. Un extrait du fichier peut être vu ci-dessous. Comme tu peux le voir, intention: saluer a plusieurs exemples, par exemple «salut», «bonjour», «hey» etc. Intention: au revoir a des exemples 'bye', 'goodbye', 'cu' etc.
nlu :
- intention: saluer
exemples: |
- Hey
- Bonjour
- salut
- Bonjour
- Bonjour
- bonne soirée
- salut
- allons-y
- salut mec
- Bonjour
- bonne soirée
- bonne après-midi
- Salut- intention: au revoir
exemples: |
- bonne après-midi
- cu
- bon par
- cee vous plus tard
- Bonsoir
- au revoir
- Au revoir
- bonne journée
- À un de ces quatre
- Bye Bye
- à plus tard
- Adios
La domaine.yml file définit la portée de votre projet. Il contient des informations importantes sur votre projet, telles que les intentions, les entités, les emplacements, les actions, et plus particulièrement, l'exemple rréponses que le bot doit renvoyer à l'utilisateur lorsqu'il reçoit un message. Semblable à nlu.yml, les réponses des robots sont classées en fonction de leur intention. Par exemple, le réponse: utter_greet est envoyé chaque fois que le bot veut renvoyer un message d'accueil à l'utilisateur. Ceci est illustré dans le segment de code ci-dessous.
intentions:
- saluer:
use_entities: vrai
- Au revoir:
use_entities: vrai
- affirmer:
use_entities: vrai
- Nier:
use_entities: vrai
- humeur_grande:
use_entities: vrai
- humeur_unhappy:
use_entities: vrai
- bot_challenge :
use_entities: vraientités: []
emplacements: {}réponses:
utter_greet :
- texte: Hey! Comment vas-tu?
- texte: Salut! Comment ça va aujourd'hui?
utter_cheer_up :
- image: https://i.imgur.com/nGF1K8f.jpg
text: "Voici quelque chose pour vous remonter le moral:"
utter_did_that_help :
- texte: Cela vous a-t-il aidé?
utter_happy :
- texte: Super, continuez!
au revoir :
- texte: au revoir
utter_iamabot :
- texte: je suis un robot, alimenté par Rasa.Actions: []
formes: {}
e2e_actions : []
La histoires.yml filet rassemble les messages de l'utilisateur et les réponses du bot. Il crée un scénario ou une intrigue des différentes interactions qui peuvent se produire entre le bot et l'utilisateur. Il spécifie quelle réponse le chatbot doit donner en fonction de l'intention du message envoyé par l'utilisateur. Cela permet d'apprendre au chatbot quoi faire dans différents scénarios. Par exemple, en regardant le segment de code ci-dessous, si le chatbot reçoit un message avec intention 'saluer', il doit exécuter l'action qui envoie la réponse »salutation_totale'retour à l'utilisateur.
histoires:- histoire: chemin heureux
étapes:
- intention: saluer
- action: utter_greet
- intention: mood_great
- action: utter_happy
À ce stade, votre chatbot ne peut gérer que des conversations très basiques et génériques. Afin de répondre à vos besoins personnels ou professionnels, vous devez apporter des modifications au chatbot par défaut. Vous pouvez le faire en modifiant le contenu du nlu.yml, story.yml, domaine.yml fichiers mentionnés ci-dessus en utilisant un éditeur de texte. Cependant, la meilleure façon d'apporter ces modifications est via la plate-forme Rasa X.
Dans la prochaine partie de cette série en trois parties, je parlerai de la façon de modifier, entraîner et tester votre chatbot à l'aide de Rasa X. Vous pouvez trouver l'article ici!
Si vous aimez cet article, HIT Achète-moi un café! Merci d'avoir lu.
Votre contribution m'encouragera à créer plus de contenu comme celui-ci.
- Action
- Affirmer
- AI
- Tous
- Application
- LES MEILLEURS
- Bot
- construire
- la performance des entreprises
- acheter
- CEE
- Chatbot
- Plateforme Chatbot
- Chatbots
- code
- contenu
- Conversation
- La création
- Courant
- CZ
- données
- DID
- Docker
- éditeur
- Environment
- etc
- EU
- EV
- EY
- Prénom
- s'adapter
- Framework
- GitHub
- Bien
- l'
- GV
- Comment
- How To
- HP
- hr
- HTTPS
- ia
- image
- d'information
- intention
- IP
- IT
- Kx
- apprentissage
- LG
- localement
- LP
- machine learning
- moyenne
- Microsoft
- modèle
- nlp
- ouvert
- open source
- de commander
- plateforme
- Projet
- rasa
- en cours
- Les raisons
- rapport
- réponse
- Courir
- pour le running
- pour écran
- Série
- mise
- Boutique
- combustion propre
- parlant
- tester
- Formation
- Trends
- utilisateurs
- Salle de conférence virtuelle
- Site Web
- fenêtres
- X