Tạo một chatbot trực tiếp cho trang web của bạn (Phần 2): Sửa đổi, đào tạo và thử nghiệm chatbot của bạn…

Xin chào! Chào mừng bạn đến với phần thứ hai của loạt bài gồm 3 phần liên quan đến việc tạo và triển khai chatbot cho trang web cá nhân hoặc doanh nghiệp của bạn bằng Rasa, Docker và Heroku. bên trong phần đầu tiên, tôi đã nói về việc thiết lập cục bộ chatbot trên hệ thống của bạn và thực hiện các thay đổi đối với nó bằng trình soạn thảo văn bản. Trong phần thứ hai này, tôi sẽ nói về cách thực hiện các thay đổi đối với chatbot của bạn bằng nền tảng Rasa X. Tôi sẽ hướng dẫn bạn cách thêm dữ liệu mới, đào tạo bot của bạn và sử dụng mô hình mới được tạo để nói chuyện với chatbot của bạn, tất cả thông qua Rasa X.

Rasa X là một công cụ Phát triển theo hướng hội thoại (CDD) giúp bạn cải thiện chatbot của mình. Rasa X cung cấp giao diện người dùng để bạn tương tác với bot của mình. Với Rasa X, bạn có thể trò chuyện với chatbot cục bộ của mình với tư cách là người dùng cuối, bạn cũng có thể nhập dữ liệu mới và đào tạo lại chatbot của mình.

Để cài đặt Rasa X, hãy làm như sau:

1. Mở dấu nhắc Anaconda và cd vào thư mục dự án Rasa của bạn (được tạo trong phần đầu tiên của loạt bài này).

2. Kích hoạt môi trường ảo mà bạn đã tạo trong phần trước của loạt bài này.

conda kích hoạt rasavirtualenv

3. Cài đặt Rasa X bằng cách chạy lệnh bên dưới

cài đặt pip rasa-x — thêm-chỉ mục-url https://pypi.rasa.com/simple

Bạn có thể phải hạ cấp pip nếu quá trình cài đặt diễn ra quá lâu

cài đặt pip — nâng cấp pip==20.2

Khi Rasa X đã được cài đặt thành công, hãy chạy lệnh bên dưới

rasa X

Lệnh này sẽ bật lên một giao diện người dùng trong trình duyệt của bạn. Trong giao diện người dùng này, bạn sẽ thấy một số tab. Trong hướng dẫn này, tôi sẽ tập trung vào dữ liệu NLU, Câu trả lời, Những câu chuyện, Người mẫu, Nói chuyện với bot của bạn tab và Train .

Tab dữ liệu NLU

Đây là nơi bạn nhập dữ liệu đào tạo cho người dùng. Dữ liệu đào tạo ở đây là các tin nhắn mẫu mà người dùng có thể gửi tới chatbot. Điều này tương ứng với nlu.yml tập tin trên hệ thống địa phương của bạn. Khi bạn nhập một tin nhắn mới, bạn cũng phải phân loại ý định, điều này giúp chatbot dự đoán ý nghĩa đằng sau tin nhắn của người dùng khi nó nhận được tin nhắn tương tự trong tương lai.

Trong hình trên, bạn có thể thấy rằng tôi đã nhập một tin nhắn mới 'Xin chào' và tôi đã phân loại mục đích là 'chào'. Sau khi nhập thông tin này, tôi sẽ lưu nó. Bạn có thể nhập bao nhiêu ví dụ tùy thích, càng nhiều càng tốt. Bạn cũng có thể tạo ý định mới.

Thẻ phản hồi

Đây là nơi bạn nhập các câu trả lời mẫu cho chatbot, tức là các tin nhắn mà chatbot sẽ gửi lại cho người dùng khi nhận được bất kỳ tin nhắn nào. Tương tự như dữ liệu ĐHNL tab, mỗi phản hồi được phân loại theo mục đích; Ví dụ, 'thốt_chào' bao gồm các phản hồi mà chatbot sẽ cung cấp cho người dùng khi nhận được tin nhắn có chủ đích 'chào'. Bạn có thể nhập phản hồi mới bằng cách chọn danh mục phản hồi và nhấp vào nút dấu cộng. Khi bạn nhập một biến thể phản hồi mới, bạn chỉ cần nhấn 'Tiết kiệm'. Bạn cũng có thể tạo các danh mục phản hồi mới.

1. Báo cáo Xu hướng Chatbot năm 2021

2. 4 NÊN và 3 KHÔNG NÊN để Đào tạo Mô hình Chatbot NLP

3. Concierge Bot: Xử lý nhiều Chatbots từ một màn hình trò chuyện

4. Một hệ thống chuyên gia: Conversational AI Vs Chatbots

Thẻ câu chuyện

Điều này tương ứng với story.yml tệp trong thư mục tệp cục bộ của bạn. Đây là nơi bạn mang dữ liệu từ hai tab trước lại với nhau. Về cơ bản, ở đây bạn đang tạo một cốt truyện hoặc một cốt truyện, trong đó tùy thuộc vào mục đích của tin nhắn mà người dùng gửi, chatbot phải đưa ra phản hồi thích hợp. Điều này giúp dạy chatbot phải làm gì trong các tình huống khác nhau. Ví dụ: nếu chatbot nhận được một tin nhắn có ý định 'chào' nó phải phản hồi bằng cách gửi lại lời chào cho người dùng thông qua hành động 'thốt_chào'.

Bạn cần tạo ra càng nhiều câu chuyện càng tốt. Bạn nên có một con đường/cốt truyện vui vẻ, tức là mọi thứ diễn ra theo đúng kế hoạch. Bạn cũng cần có một đường dẫn/cốt truyện đáng buồn để xử lý các trường hợp ngoại lệ. Bạn có thể tạo một câu chuyện mới bằng cách nhấp vào nút dấu cộng.

nút xe lửa

Khi bạn nhập xong tất cả dữ liệu mới của mình vào dữ liệu ĐHNL, Câu trả lời và Những câu chuyện tab, bạn cần nhấn phím Train nút, nút này sẽ đào tạo lại chatbot của bạn và lưu mô hình mới được tạo vào mô hình chuyển hướng. Điều tuyệt vời ở Rasa X là khi bạn đào tạo chatbot của mình, tất cả dữ liệu mới bạn nhập cũng được nhập và lưu trữ cục bộ trong các tệp tương ứng trên hệ thống cục bộ của bạn.

tab mô hình

Đây là nơi bạn có thể tìm thấy tất cả các mô hình đã tạo của mình. Mô hình mới nhất luôn là mô hình ở trên cùng. Bạn có thể kích hoạt mô hình này bằng cách nhấp vào mũi tên lên.

Trò chuyện với tab bot của bạn

Khi bạn đã kích hoạt mô hình mới, bạn có thể kiểm tra nó trong Trò chuyện với bot của bạn chuyển hướng. Như bạn có thể thấy trong hình bên dưới, phản hồi mà bot đưa ra là phản hồi mới mà tôi đã nhập trước đó.

Ở đó bạn có nó! Đây là cách nhập dữ liệu mới, đào tạo và kiểm tra chatbot của bạn bằng Rasa X. Trong phần tiếp theo của loạt bài này, tôi sẽ nói về cách triển khai chatbot của bạn trên máy chủ trực tiếp Heroku bằng Docker và cả cách giao tiếp với bot này thông qua tiện ích trò chuyện trong trang web của bạn. Giữ nguyên!!

Nếu bạn thích bài đăng này, HIT Mua cà phê cho tôi! Cảm ơn vì đã đọc.

Đóng góp nhỏ của bạn sẽ khuyến khích tôi tạo ra nhiều nội dung như thế này.

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