Skapa en chatbot för din webbplats (del 1): Konfigurera Rasa chatbot lokalt på ditt system

Hej! Detta är den första delen av en tredelad serie som involverar att skapa och distribuera en chatbot för ditt företag eller din personliga webbplats med Docker och Heroku. Den konversations AI-plattform som jag skulle använda är rasa. Rasa är en öppen källkod för maskininlärning som hjälper dig att skapa chatbots; det råkar också vara min favorit chatbotplattform av flera skäl, till exempel att den är öppen, allmänt använd och väldokumenterad.

I det här inlägget kommer jag att prata om hur du ställer in Rasa lokalt på din dator. Även om mitt operativsystem är Windows kan hela processen replikeras för alla system.

Nödvändig förutsättning:

1. Hämta Anaconda Prompt från här..
2. Ladda ner Microsoft byggverktyg här..
3. Skapa en katalog på ditt system där du vill lagra ditt Rasa-projekt.

När allt detta har gjorts öppnar du Anakonda Prompt ansökan och 'CD' i katalogen du skapade heter min "Rasa Project".

Kör sedan följande kommandon i Anaconda Prompt:

1. Skapa en virtuell miljö med kommandot nedan.

conda skapa -n rasavirtualenv python = 3.6

2. Aktivera din miljö med kommandot

conda aktivera rasavirtualenv

3. Installera Ujson

conda installera ujson == 1.35

4. Installera Tensorflow

conda installera tensorflow

5. Installera Rasa Open Source.

pip installera rasa

6. Skapa ett nytt rasaprojekt i din projektkatalog

rasa init

1. Chatbots trenderapport 2021

2. 4 GÖR och 3 GÖR INTE för träning av en Chatbot NLP-modell

3. Concierge Bot: Hantera flera chatbots från en chattskärm

4. Ett expertsystem: Conversational AI Vs Chatbots

Om du tittar på den sista delen av skärmen ovan, när du blir ombedd att ange sökväg som du vill skapa projekt, ange periodtecknet (.), Detta betyder att du vill skapa projekt i den aktuella katalogen. På frågan om du vill träna modell kan du antingen välja 'y' eller 'n'.

När kommandot ovan har slutförts och det nya projektet har skapats kommer du att bli tillfrågad om du vill prata med chatbot i terminalen. Om du svarar ja, börjar en dialog mellan dig och den nyskapade chatboten.

Nu när projektet har skapats ser du att flera filer har lagts till om du kontrollerar din projektkatalog. Jag kommer snabbt att diskutera tre filer som jag tycker att du behöver för att förstå deras innehåll; filen domän.yml i huvudkatalogen och filerna nlu.yml och stories.yml i datum mapp.

Smakämnen nlu.yml filen är där all träningsinformation lagras. Utbildningsdata är exempelmeddelanden som användare kan skicka till din chatbot. I den här filen kategoriseras meddelandena efter avsikt. Ett utdrag ur filen kan ses nedan. Som du kan se, avsikt: hälsar har flera exempel t.ex. 'hej', 'hej', 'hej' etc. Syfte: hejdå har exempel 'hejdå', 'hejdå', 'cu' etc.

nlu:
- avsikt: hälsa
exempel: |
- Hallå
- Hej
- Hej
- Hej där
- god morgon
- god kväll
- Hallå där
- nu går vi
- Hej kompis
- god morgon
- god kväll
- god eftermiddag
- Hallå där- avsikt: adjö
exempel: |
- god eftermiddag
- cu
- Hej då
- Cee dig senare
- godnatt
- Hejdå
- adjö
- Ha en bra dag
- vi ses
- hejdå
- vi ses senare
- Adios

Smakämnen domän.yml filen definierar projektets omfattning. Den innehåller framträdande information om ditt projekt, såsom avsikter, enheter, ankomst- och avgångstider, och framför allt exemplet responser att boten ska skicka tillbaka till användaren när den får ett meddelande. Liknande nlu.yml, bot-svar kategoriseras efter avsikt. Till exempel svar: utter_greet skickas när botten vill skicka tillbaka en hälsning till användaren. Detta visas i kodsegmentet nedan.

avsikter:
- hälsar:
use_entities: sant
- adjö:
use_entities: sant
- bekräfta:
use_entities: sant
- förneka:
use_entities: sant
- mood_great:
use_entities: sant
- humör_nöjd:
use_entities: sant
- bot_challenge:
use_entities: santenheter: []
platser: {}svar:
utter_greet:
- text: Hej! Hur mår du?
- text: Hej! Hur mår du idag?
utter_cheer_up:
- bild: https://i.imgur.com/nGF1K8f.jpg
text: 'Här är något som uppmuntrar dig:'
utter_did_that_help:
- text: Hjälpte det dig?
ytterst_nöjd:
- text: Bra, fortsätt!
utter_adjö:
- text: Hejdå
utter_iamabot:
- text: Jag är en bot, som drivs av Rasa.insatser: []
formulär: {}
e2e_actions: []

Smakämnen stories.yml fil sammanför användarens meddelanden och bot-svar. Det skapar en storyline eller en plot av de flera interaktioner som kan uppstå mellan botten och användaren. Den anger vilket svar chatboten ska ge baserat på avsikten med meddelandet som skickas av användaren. Detta hjälper dig att lära chatboten vad du ska göra i olika scenarier. Om du till exempel tittar på kodsegmentet nedan om chatboten får ett meddelande med avsikt 'hälsa', den måste utföra den åtgärd som skickar svaret 'helt_hälsatillbaka till användaren.

historier:- berättelse: lycklig väg
steg:
- avsikt: hälsa
- action: utter_greet
- avsikt: mood_great
- action: utter_happy

Vid denna punkt kan din chatbot bara hantera mycket grundläggande och generiska konversationer. För att passa dina personliga eller affärsbehov måste du göra några ändringar i standardchattbotten. Du kan göra detta genom att ändra innehållet i nlu.yml, story.yml, domän.yml filer som nämns ovan med hjälp av en textredigerare. Det bästa sättet att göra dessa ändringar är dock via plattformen Rasa X.

I nästa del av denna tredelade serie kommer jag att prata om hur du kan modifiera, träna och testa din chatbot med Rasa X. Du hittar inlägget här.!

Om du gillar det här inlägget, HIT Köp mig en kaffe! Tack för att du läser.

Ditt bidrag kommer att uppmuntra mig att skapa mer innehåll så här.

Source: https://chatbotslife.com/creating-a-chatbot-for-your-website-part-1-setting-up-rasa-chatbot-locally-on-your-system-6731b0bafa44?source=rss—-a49517e4c30b—4