Skapa en live chatbot för din webbplats (del 2): ​​Modifiera, träna och testa din chatbot...

Hallå! Välkommen till den andra delen av en serie i tre delar som involverar att skapa och distribuera en chatbot för ditt företag eller din personliga webbplats med Rasa, Docker och Heroku. I den första delen, talade jag om att ställa in chatbot lokalt på ditt system och göra ändringar i den med hjälp av en textredigerare. I den här andra delen kommer jag att prata om hur du gör ändringar i din chatbot med plattformen Rasa X. Jag kommer att lära dig hur du lägger till ny data, tränar din bot och använder den nygenererade modellen för att prata med din chatbot, genomgående Rasa X.

Rasa X är ett verktyg för konversationsdriven utveckling (CDD) som hjälper dig att förbättra din chatbot. Rasa X tillhandahåller ett användargränssnitt för dig att interagera med din bot. Med Rasa X kan du chatta med din lokala chatbot som slutanvändare, du kan även lägga in ny data och träna om din chatbot.

För att installera Rasa X, gör följande:

1. Öppna Anaconda-prompten och cd i din Rasa-projektkatalog (skapad i den första delen av den här serien).

2. Aktivera den virtuella miljön du skapade i den sista delen av den här serien.

conda aktivera rasavirtualenv

3. Installera Rasa X genom att köra kommandot nedan

pip installera rasa-x — extra-index-url https://pypi.rasa.com/simple

Du kan behöva nedgradera pip om installationen tar för lång tid

pip installation — uppgradera pip==20.2

När Rasa X har installerats, kör kommandot nedan

rasa X

Detta kommando kommer att dyka upp ett användargränssnitt i din webbläsare. I det här användargränssnittet kommer du att se flera flikar. I den här handledningen kommer jag att fokusera på Nlu data, Responser, Upplevelser för livet, Modeller, prata med din bot flik och Tåg knapp.

Fliken NLU Data

Här anger du träningsdata för användaren. Träningsdata här är exempelmeddelanden som användaren eventuellt kan skicka till chatboten. Detta motsvarar nlu.yml fil på ditt lokala system. När du anger ett nytt meddelande måste du också klassificera uppsåt, detta hjälper chatboten att förutsäga vad innebörden bakom en användares meddelande är när den får ett liknande meddelande i framtiden.

På bilden ovan kan du se att jag skrev in ett nytt meddelande 'Hej' och jag klassificerade avsikten som 'hälsa'. Efter att ha angett denna information kommer jag att spara den. Du kan ange så många exempel du vill, ju fler desto bättre. Du kan också skapa nya avsikter.

Fliken Svar

Det är här du anger exempelsvar för chatboten, dvs de meddelanden som chatboten ska skicka tillbaka till användaren när den tar emot något meddelande. Liknar NLU-data tab, varje svar kategoriseras efter avsikt; till exempel, 'helt_hälsa' omfattar de svar som chatboten ska ge till användaren när den tar emot ett meddelande med avsikt 'hälsa'. Du kan ange nya svar genom att välja en svarskategori och klicka på plusknappen. När du går in i en ny svarsvariant trycker du helt enkelt 'Spara'. Du kan också skapa nya svarskategorier.

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

Fliken Berättelser

Detta motsvarar stories.yml filen i din lokala filkatalog. Det är här du samlar data från de två föregående flikarna. Här skapar du i princip en storyline eller en handling, där chatboten måste ge ett lämpligt svar beroende på avsikten med meddelandet som skickas av användaren. Detta hjälper till att lära chatboten vad den ska göra i olika scenarier. Till exempel om chatboten får ett meddelande med avsikt 'hälsa' den måste svara genom att skicka en hälsning tillbaka till användaren genom åtgärden 'helt_hälsa".

Du måste skapa så många berättelser som möjligt. Du ska ha en glad väg/storyline dvs där det går som planerat. Du behöver också ha en sorglig väg/historia som hanterar undantagen. Du kan skapa en ny berättelse genom att klicka på plusknappen.

Tågknapp

När du är klar med att ange alla dina nya data i NLU-data, Responser och Upplevelser för livet fliken måste du trycka på Tåg knappen kommer den här knappen att träna om din chatbot och spara den nygenererade modellen i Modeller flik. Det fina med Rasa X är att när du tränar din chatbot så läggs även all ny data du angett in och lagras lokalt i motsvarande filer på ditt lokala system.

Fliken Modeller

Här kan du hitta alla dina genererade modeller. Den mest aktuella modellen är alltid den överst. Du kan aktivera denna modell genom att klicka på uppåtpilen.

Chatta med din bot Tab

När du har aktiverat den nya modellen kan du testa den i Chatta med din bot flik. Som du kan se på bilden nedan är svaret som boten gav det nya svaret jag skrev in tidigare.

Där har du det! Så här anger du ny data, tränar och testar din chatbot med Rasa X. I nästa del av den här serien kommer jag att prata om hur du distribuerar din chatbot på en liveserver Heroku med Docker, och även hur du kommunicerar med denna bot via en chattwidget på din webbplats. Håll utkik!!

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

Ditt lilla bidrag kommer att uppmuntra mig att skapa mer sådant här innehåll.

Source: https://chatbotslife.com/creating-a-live-chatbot-for-your-website-part-2-modifying-training-and-testing-your-chatbot-5d5463a83873?source=rss—-a49517e4c30b—4