Pelatih AI: Praktik terbaik

Untuk mengoptimalkan saran pelatih AI, Anda harus memberikan informasi berikut:

• Sekumpulan petunjuk tertulis
• Transkrip percakapan
• Data dari API

Sebagai gantinya, pelatih AI memberikan petunjuk yang berlaku dan saran respons agen.

Penggunaan yang direkomendasikan

Untuk menerima saran yang paling berguna, gunakan pelatih AI dalam skenario berikut.

Upselling dan cross-selling

Saat agen pusat kontak harus menawarkan produk atau layanan lain, pelatih AI dapat memberikan informasi bermanfaat berikut.

• Menyarankan kapan harus memulai penjualan dan kapan tidak boleh mencoba penjualan sama sekali.
• Ajukan pertanyaan penyelidikan untuk memahami kebutuhan pelanggan.
• Merekomendasikan produk dari daftar singkat berdasarkan konteks percakapan.
• Sarankan cara menangani keberatan.

Retensi pelanggan

Saat agen pusat panggilan mencoba meyakinkan seseorang untuk tetap menggunakan layanan perusahaan mereka, pelatih AI dapat memberikan informasi bermanfaat berikut.

• Menyarankan kapan harus membuat penawaran retensi.
• Ajukan pertanyaan penyelidikan untuk memahami alasan pembatalan pelanggan.
• Merekomendasikan penawaran retensi berdasarkan konteks percakapan.

Otomatisasi satu langkah dengan alat

Pelatih AI juga dapat mengotomatiskan proses bisnis berulang berdasarkan percakapan layanan pelanggan.

• Mengambil status pesanan saat pelanggan diautentikasi dan memberikan nomor pesanan.
• Membatalkan pesanan saat nomor pesanan dan alasan pembatalan tersedia.
• Konfigurasi otomatisasi berisiko agar memerlukan peninjauan dan persetujuan manual.

Operasi berisiko

Operasi berisiko adalah proses bisnis otomatis, yang dapat menyebabkan kerugian finansial yang besar, pelanggaran data, atau ketidakpatuhan terhadap peraturan. Beberapa contohnya mencakup menulis database dan mengambil informasi sensitif tanpa autentikasi. Pelatih AI dapat menyarankan waktu dan mengekstrak parameter dari percakapan, tetapi operasi berisiko memerlukan peninjauan dan persetujuan manual serta tidak boleh sepenuhnya otomatis.

Petunjuk pelatih AI

Tulis serangkaian petunjuk untuk mengajari pelatih AI tindakan yang harus dilakukan agen dan kapan tindakan tersebut diperlukan selama percakapan layanan pelanggan. Petunjuk dapat menentukan tindakan agen apa pun, seperti meminta PIN akun pelanggan, memeriksa status pesanan dan memberi tahu pelanggan, atau mengirimkan permintaan pembatalan.

Petunjuk pelatih AI mencakup informasi berikut:

• Judul tampilan: Membantu Anda mengelola beberapa petunjuk. Judul tampilan tidak terlihat oleh LLM.

• Detail tampilan: Menentukan konten statis yang harus ditampilkan model saat petunjuk berlaku. Detail tampilan dapat mencakup URL, pintasan ke alat atau sistem internal, lembar contekan untuk agen, atau panggilan API backend. Detail ini hanya dapat diakses oleh agen manusia. Detail tampilan tidak terlihat oleh model.

• Kondisi: Menentukan kapan dalam percakapan sebuah petunjuk berlaku. Kondisi ini terlihat oleh model.

• Tindakan agen: Menentukan langkah-langkah yang harus dilakukan agen saat petunjuk berlaku. Tindakan agen terlihat oleh model.

• Tindakan sistem: Menentukan alat yang akan digunakan untuk otomatisasi saat petunjuk berlaku. Tindakan sistem terlihat oleh model.

Kondisi, tindakan agen, dan tindakan sistem memengaruhi saran pelatih AI.

Kondisi

Kondisi harus jelas, ringkas, dan mandiri. Anda dapat menggunakan deskripsi singkat masalah pelanggan. Tulis kondisi seolah-olah Anda mendeskripsikannya kepada orang biasa yang tidak terbiasa dengan produk Anda. Berikut beberapa contoh kondisi yang berguna:

• Pelanggan ingin membatalkan pesanan.
• Pelanggan ingin membeli ponsel baru.
• Pelanggan memiliki koneksi internet yang sangat lambat.

Contoh

Berikut adalah contoh kondisi dan tindakan agen yang dapat Anda gunakan.

• Kondisi: Pelanggan meminta untuk memperbarui alamat pengiriman ke alamat baru.
• Tindakan agen: Jika alamat baru belum diberikan, tanyakan kepada pelanggan alamat baru mana yang ingin mereka gunakan untuk pengiriman.

Secara umum, hanya tampilkan teks kebijakan perusahaan setelah kondisi yang relevan terpenuhi. Dalam contoh ini, berarti pelatih AI hanya menampilkan kebijakan pembatalan setelah pelanggan menyatakan bahwa mereka ingin membatalkan. Dalam contoh input berikut, topik percakapan yang dimaksudkan tercermin dalam judul tampilan dan kondisi. Konten teks yang ditampilkan kepada agen ditentukan dalam detail tampilan.

Input untuk pelatih AI:

display_title: order cancellation
display_detail: Company cancellation policy: Orders cannot be canceled more than 30 days after they have been placed. Only the cancellation team can process order cancellations.
condition: the customer wants to cancel an order
agent_action: N/A

Tindakan agen

Idealnya, Anda dapat memverifikasi setiap langkah tindakan agen berdasarkan tiga sumber informasi berikut:

• Petunjuk: Lihat detail di bagian sebelumnya.
• Transkrip percakapan: Mendokumentasikan apa yang dikatakan agen dan pelanggan selama percakapan layanan pelanggan.
• Data yang diserap: Terdiri dari data pelanggan yang relevan yang tidak ditemukan secara langsung dalam percakapan, seperti transaksi terbaru, tagihan, dan promosi yang sedang berlangsung.

Contoh beberapa data yang diserap yang dapat digunakan oleh pelatih AI:

ingested_data_key: Product Recommendation
ingested_data_value:
* Microwave-safe, glass food container set, $29.99
* Gila Complete Window Film Application Kit, $19.99

Data tidak ada

Jika tindakan agen memerlukan informasi yang tidak ada dalam bagian petunjuk dan transkrip percakapan lainnya, maka API yang menyediakan data yang dimasukkan juga harus menyediakan informasi yang tidak ada tersebut.

• Hindari menulis tindakan apa pun yang memerlukan informasi yang tidak ditemukan dalam sumber tersebut.

• Jika Anda tidak dapat menemukan data yang sesuai, hindari:

  • Menjelaskan tagihan kepada pelanggan.
  • Memberi tahu pelanggan tentang saldo, tanggal jatuh tempo, atau status pesanan mereka.

Beberapa kata kerja

Meskipun daftar tindakan agen sebelumnya hanya berisi satu kata kerja, yang menunjukkan tindakan yang harus dilakukan agen, satu langkah dapat memiliki lebih dari satu kata kerja. Misalnya, jika bisnis ingin agennya merekomendasikan produk tertentu dan mengaitkan produk tersebut kembali dengan kondisi dalam satu respons, Anda dapat menulis satu langkah tindakan agen seperti pada input berikut.

display_title: recommend device protection
display_detail:
 trade-in process: [list steps for trade-in]
 device protection plan: [list plan details]
condition: the customer has issues/questions about trade-in
agent_action:
Recommend the device protection plan and tell the customer it can help them get better trade-in values in the future.

Contoh output respons

Tindakan agen juga dapat memanfaatkan data yang diserap dan menentukan template untuk output respons sampel. Misalnya, jika bisnis memiliki beberapa produk untuk direkomendasikan dan ingin agennya membuat rekomendasi yang relevan dengan konteks percakapan, tindakan agen dapat meminta pelatih AI untuk membuat saran tertentu dalam output respons contoh. Selain itu, contoh ini mengilustrasikan cara menulis tindakan agen yang meminta pelatih AI untuk membuat contoh respons yang mengikuti template.

display_title: cross-selling
display_detail: see `Product Recommendations` for a relevant product
condition: the customer is inquiring about product availability
agent_action:
Summarize to the customer what product you have been discussing, then recommend a relevant product from the section titled "Product Recommendation" and provide a brief explanation of how the two products are relevant to each other. Use this template for sample responses: "Since we've been talking about ..., I'd like to recommend ... because ...".

Some examples:
- For TVs, recommend TV stands.
- For storage, recommend label writers.
- For slow cookers and microwaves, recommend food container sets.
- For air conditioners, recommend humidifiers.

Tindakan multi-langkah

Terakhir, tindakan agen dapat terdiri dari lebih dari satu langkah. Tindakan agen multi-langkah menunjukkan cara agen harus melanjutkan percakapan saat satu kondisi terpenuhi.

Pertimbangkan contoh berikut untuk percakapan pembatalan pesanan. Agen perlu mengajukan serangkaian pertanyaan sebelum dapat memproses pembatalan. Setiap langkah akan menghasilkan contoh respons yang berbeda.

display_title: order cancellation
display_detail:
 cancellation policy: [list policies]
 look up `[order number]` in ordering system
 how to cancel an order [list steps]
condition: the customer wants to cancel an order
agent_action:
1. Ask the customer for the order number.
2. Ask the customer why they want to cancel the order.
3. Inform the customer you are working on the cancellation.
4. Inform the customer that you have canceled the order.
5. Inform the customer that they will receive the refund in 5-7 business days.

Perhatikan bahwa langkah seperti batalkan pesanan sulit diverifikasi tanpa integrasi tambahan. Pada contoh sebelumnya, kami menggantinya dengan langkah beri tahu pelanggan bahwa Anda sedang memproses pembatalan.

Tindakan sistem

Dalam tindakan sistem, kita dapat mereferensikan alat yang sudah ditentukan. Bagian ini dalam petunjuk menentukan alat yang harus dipertimbangkan saat kondisi petunjuk terpenuhi. Referensi ke alat harus dalam format ini: ${tool:tool_name|action_name}. Untuk mengetahui detail cara menyiapkan alat, lihat halaman Alat OpenAPI dan Integration Connectors.

Berikut adalah beberapa contoh tindakan sistem:

Contoh 1: Mencantumkan nama alat dan tindakan.

...
system_action:
${tool:order_management|cancel_order}, ${tool:order_management|check_order}

Contoh 2: Menambahkan perilaku kondisional.

...
system_action:
* if "RESPONSE TO ${TOOL:ORDER_MANAGEMENT|CANCEL_ORDER}" is already present without any error, skip ${tool:order_management|cancel_order} 
* if the order number has been provided, use ${tool:order_management|cancel_order} 
* if "RESPONSE TO ${TOOL:GETORDERDETAILS|GETORDERDETAILS}" shows errors or failures, retry ${tool: order_management | cancel_order}

Penggunaan panduan menyeluruh dalam pelatih AI

Pelatih AI menambahkan bagian perintah yang dapat dikonfigurasi yang disebut panduan menyeluruh, yang menentukan hal berikut:

• Glosarium
• Pedoman gaya, format, dan nada bahasa untuk saran respons contoh
• Catatan penting tentang cara menggunakan dan mengikuti petunjuk

Glosarium

Glosarium berikut mendefinisikan pelanggan rentan dan autentikasi akun dengan jelas. Dengan adanya glosarium ini dalam panduan menyeluruh, Anda dapat menggunakan istilah dalam petunjuk tanpa perlu mendefinisikannya berulang kali seperti dalam versi sebelumnya dari pelatih AI.

#### Vulnerable customer

A customer is considered a vulnerable customer when at least one of the following is true:

- The customer is experiencing financial hardship.
- The customer has a physical disability or chronic health condition.
- The customer is facing domestic abuse or is in an unsafe situation.

#### Account authentication

Account authentication is considered completed if the account PIN provided by the customer matches the account PIN in the data section *Account PIN*.

Panduan gaya, format, dan nuansa

Ikuti pedoman gaya, format, dan nada bahasa berikut dalam contoh respons Anda:

• Selalu berempati, sabar, dan meyakinkan.
• Hindari bahasa atau slang yang terlalu kasual. Pertahankan gaya bahasa yang sopan namun ramah.
• Respons harus selalu mengakui perasaan atau kekhawatiran pelanggan secara eksplisit (contoh: "Saya mengerti Anda merasa frustrasi").
• Gunakan kalimat pendek, dan hindari bahasa atau jargon yang rumit.
• Jangan pernah menyalahkan atau membantah pelanggan. Sebaliknya, arahkan mereka secara perlahan ke informasi yang benar.
• Mulai setiap respons dengan pengakuan yang jelas atas masalah utama pelanggan.

Catatan mengikuti petunjuk

Tambahkan catatan tentang cara mengikuti petunjuk Anda. Untuk meningkatkan saran otomatis, Anda juga dapat menggunakan catatan untuk menentukan proses pemikiran atau penalaran.

Contoh

Contoh 1: Mengonfigurasi perilaku model

### Follow instructions
* An instruction is applicable if and only if both of the following are true:
  * The condition is met by the conversation and the contexts.
  * Some of the agent actions are not completed yet. (If all the agent actions are done, then the instruction no longer applies.)
* Notes on following the applicable instructions:
  * Do not suggest any sample responses or agent actions that are not specified in the applicable instructions.
  * Do not ask for information not specified in the instructions.
  * If an agent action step is to ask for information that the customer has already provided, then the step should be skipped.
  * **Your suggested responses should fit into the conversation flow**. For example, if the customer and the support agent has moved on to a new issue, you should stop making suggestions for the old issue.
* Each sample response (or agent action suggestion) must be concise and only carry out one step in the applicable instruction. Do not cover multiple steps within one sample response (or agent action suggestion).
* Avoid repetition:
  * Do not suggest sample responses or agent actions that the agent has already said or done earlier in the conversation.
  * Do not ask for information that is already available in the conversation or the contexts.
* For product names, when you provide parameters in system action suggestions, provide the full names, including available specs.
* If multiple instructions lead to the same or similar suggestion, give one suggestion, but with multiple sources.

Contoh 2: Menyesuaikan prioritas perintah dan menentukan proses berpikir untuk mendapatkan saran yang lebih akurat

### Notes on how to use or follow instructions
If there are multiple instructions applicable at the same time, **suggest only one instruction as applicable based on the following priority (from highest to lowest)**:
* [Highest priority] security related

Example: Account authentication is required before anything else.

* [High priority] customer retention
* [Medium priority] issue resolution
* [Low priority] upselling or cross-selling

### Thinking process
Before you make any suggestions, answer the following questions in this output section:
* For each instruction, is it applicable? If yes, what is its priority?
* Which instruction has the highest priority?

Contoh berikut menggambarkan prioritas perintah yang sama dengan contoh tentang apa yang harus disarankan model dalam keadaan tertentu.

### Notes on how to use or follow instructions
If there are multiple instructions applicable at the same time, **suggest only one instruction as applicable based on the following priority (from highest to lowest)**:
* [Highest priority] security related

Examnple: Account authentication is required before anything else.

* [High priority] customer retention
* [Medium priority] issue resolution
* [Low priority] up-selling or cross-selling

#### Examples to follow
<example_1>
<instructions>
...
instruction I1
condition: the customer wants to inquire about their current plan
agent action: inform the customer of what plan they have and what features they get
...
instruction I2
condition: the authentication is not done yet
agent action: ask for the account PIN
...
</instructions>
<conversation>
customer: can you tell me what plan I have?
</conversation>
<good_suggestion>
may I have your account PIN, please?
</good_suggestion>
<bad_suggestion>
sure, let me pull up your account information.
</bad_suggestion>
<comment>
Both instructions I1 and I2 are applicable, but I1 should have the highest priority because it's security related. Therefore, asking for the account PIN is a good suggestion.
</comment>
</example_1>

Bahasa output pelatih AI

Pelatih AI membuat saran dalam bahasa output yang ditentukan. Model akan menentukan bahasa output saran jika bahasa output tidak ditentukan.

Output pelatih AI

Pelatih AI menampilkan salah satu atau kedua hasil berikut:

• Petunjuk yang berlaku: Beberapa petunjuk yang berlaku dapat ditampilkan dan masing-masing memiliki judul dan detail tampilan.

• Contoh respons: Pelatih AI juga membuat contoh cara agen dapat merespons dalam percakapan. Contoh respons ini didasarkan pada petunjuk, konteks percakapan, dan data yang dimasukkan. Contoh respons juga bisa kosong.

Kasus penggunaan

Pelatih AI memiliki tiga kasus penggunaan utama:

• Deteksi maksud: Ini terjadi saat Anda hanya ingin menampilkan petunjuk mana yang berlaku saat ini kepada agen dan Anda tidak memerlukan contoh respons. Anda dapat mengandalkan data yang di-ingest (URL, webhook, ringkasan, dll.) yang disimpan dalam detail tampilan untuk memberikan saran kepada agen atau memicu panggilan API yang di-ingest.

• Panduan langkah demi langkah: Ini adalah saat Anda ingin menunjukkan panduan langkah demi langkah kepada agen melalui contoh respons.

• Rekomendasi produk: Ini adalah saat Anda ingin menggunakan pelatih AI untuk memandu agen tentang kapan harus merekomendasikan produk dan produk apa yang harus direkomendasikan kepada pelanggan mereka. Kandidat rekomendasi produk dapat dihasilkan oleh sistem rekomendasi pengguna atau katalog statis.

Peningkatan kualitas

Rekomendasi berikut untuk menulis petunjuk pelatih AI dapat membantu meningkatkan kualitas respons contoh, tetapi tidak mencegah pelatih AI memberikan saran yang tidak terduga.

Pemformatan teks untuk menampilkan detail

Gunakan sintaksis Markdown untuk menampilkan detail dalam format lengkap (link, teks tebal, dll.). Hal ini dirender di simulator konsol Google Cloud , tetapi juga membantu penerapan di antarmuka web.

Pemformatan teks untuk tindakan agen

Jika pelatih AI sering melewatkan langkah atau persyaratan tertentu, gunakan teks tebal untuk membantu memandu model agar lebih memperhatikan bagian teks tertentu. Untuk membuat teks tebal dengan sintaks Markdown, tambahkan dua tanda bintang di kedua sisi teks.

display_title: order cancellation
display_detail:
 cancellation policy: [list policies]
 look up `[order number]` in ordering system
 how to cancel an order [list steps]
condition: the customer wants to cancel an order
agent_action:
1. ask the customer for the order number
2. **ask the customer why they want to cancel the order**
3. inform the customer you are working on the cancellation
4. inform the customer that you have canceled the order
5. inform the customer that they will receive the refund in 5-7 business days

Teks tebal menjadi kurang efektif jika, misalnya, setiap langkah tindakan agen dibuat tebal. Jadi, gunakan teknik ini dengan hemat.

Menambahkan contoh konkret

Jika pelatih AI gagal memberikan contoh respons yang Anda harapkan, menambahkan beberapa contoh yang ingin Anda lihat ke tindakan agen dapat membantu. Contoh mendetail berikut mengilustrasikan cara penggunaan contoh ringan (ditandai):

display_title: smartwatch recommendation
display_detail: see `Smartwatch Catalog` for a relevant smartwatch
condition: the customer recently purchased phones
agent action:
recommend a specific smartwatch from the section titled "Smartwatch Catalog"; the recommendation should match the recently purchased phones from the section titled "Recent Purchases".
Following are some examples:
- For Galaxy phones, recommend Galaxy watch.
- For iPhones, recommend Apple Watch.
- For Pixel phones, recommend Pixel Watch. 
- For other phones, recommend Fitbit Sense.

Tanpa contoh ringan, pelatih AI akan menyarankan Apple Watch untuk Android atau mencantumkan semua smartwatch yang tersedia. Dengan contoh ringan, saran yang diberikan akurat.

Template pesan

Untuk mengontrol kata-kata dan format respons contoh yang dihasilkan, tambahkan template pesan atau bahkan pesan tetap statis ke tindakan agen. Tidak seperti contoh ringan, template ini menunjukkan kata-kata persis yang harus digunakan dalam contoh respons. Berikut adalah contoh dengan template pesan yang ditandai.

display_title: bill explanation
display_detail:
 look up `[account number]`
 check `Recent Bills` to compare amounts
 https://www.[company name].com/promos
condition: the customer wonders why the bill is getting higher this month
agent_action:
1. ask the customer for the account number. use this fixed message for sample responses: "May I have your account number, please?"
2. compare the bills in the last two months from the section titled "Recent Bills" and inform the customer of the extra charge. use this template for sample responses: "Compared with last month, this month you have an extra charge for ..., which costs ..."

Penalaran terpandu

Jika satu atau beberapa petunjuk menentukan sasaran tanpa langkah yang cukup atau tanpa mengklarifikasi alasan tersembunyi untuk mencapai sasaran, ubah langkah-langkahnya agar lebih jelas. Misalnya, saat agen diminta untuk merekomendasikan produk, produk yang disarankan harus relevan dengan percakapan. Bantu pelatih AI memberikan saran yang relevan dengan menambahkan sub-tugas di awal tindakan agen yang merujuk pada konteks percakapan.

display_title: cross-selling
display_detail: sample response
condition: the customer is inquiring about product availability
agent_action:
summarize to the customer what product you have been discussing, then recommend a relevant product from the section titled "Product Recommendation" and provide a brief explanation of how the two products are relevant to each other. Use this template for sample responses: "Since we've been talking about ..., I'd like to recommend ... because ...".

Dalam contoh, tugas utamanya adalah menyarankan produk yang relevan dengan percakapan. Pelatih AI dapat salah memahami maksud dan merekomendasikan produk pertama yang tercantum di bagian Rekomendasi Produk. Menambahkan sub-tugas dapat meningkatkan relevansi secara signifikan. Tambahkan juga template pesan di akhir tindakan agen sehingga hasil sub-tugas cocok dengan lancar ke dalam contoh respons.

Menambahkan penghapusan duplikat saran

Fitur penghapusan duplikat saran pelatih AI mencegah agen menampilkan saran yang duplikat atau sangat mirip. Gunakan kolom SuggestionDedupingConfig di proto generator untuk membandingkan komponen saran (petunjuk, contoh respons, dll.) dengan histori saran terbaru. Anda dapat menyesuaikan sensitivitas kemiripan menggunakan nilai minimum yang dapat dikonfigurasi. Pesan DuplicateCheckResult memberikan hasil pemeriksaan penghapusan duplikat dalam respons saran.

Mengonfigurasi penghapusan duplikat saran

Untuk mengelola saran duplikat dari pelatih AI, konfigurasikan SuggestionDedupingConfig dalam konfigurasi generator Anda.

Kolom konfigurasi

SuggestionDedupingConfig memiliki kolom berikut:

• enable_deduping: Tetapkan kolom boolean ini ke benar untuk mengaktifkan fitur penghapusan duplikat saran. Jika disetel ke salah (false) atau tidak disetel, deduplikasi akan dinonaktifkan. Contoh:

  suggestion_deduping_config {
  enable_deduping: true
  }
  

• similarity_threshold: Gunakan nilai minimum jenis float ini untuk penghapusan duplikat berbasis kemiripan pada kolom tertentu. Proses penghapusan duplikat menganggap saran dengan skor kemiripan yang lebih tinggi dari nilai ini sebagai duplikat. Skor berkisar dari 0,0 hingga 1,0. Menyetel kolom ini ke 0,0 atau membiarkannya tidak disetel akan menggunakan nilai minimum default 0,8. Contoh:

  suggestion_deduping_config {
  enable_deduping: true
  similarity_threshold: 0.85
  }
  

Cara kerja penghapusan duplikat

Jika enable_deduping benar, Anda dapat membandingkan saran dengan saran historis. Proses penghapusan duplikat menilai duplikasi untuk setiap kolom saran berikut:

• Petunjuk (applicable_instructions): Memeriksa kecocokan persis dengan saran histori.
• Contoh respons (sample_responses): Memeriksa kesamaan antara saran saat ini dan saran histori. Penghapusan duplikat menandai hasil duplikat jika skor kemiripan melebihi nilai minimum kemiripan.
• Tindakan agen (agent_action_suggestions): Memeriksa kemiripan antara saran saat ini dan saran histori, mirip dengan respons contoh. Penghapusan duplikat menandai hasil duplikat jika skor kemiripan melebihi nilai minimum kemiripan. Hasil pemeriksaan penghapusan duplikat ditampilkan dalam pesan DuplicateCheckResult.

Output: DuplicateCheckResult

Pesan AgentCoachingSuggestion berisi kolom untuk berbagai jenis saran (misalnya, AgentActionSuggestion, SampleResponse). Setiap kolom ini akan menyertakan pesan DuplicateCheckResult untuk memberikan informasi tentang potensi duplikat yang ditemukan dalam histori. Contoh:

// Example within AgentActionSuggestion
message AgentActionSuggestion {
  // ... other fields ...
  DuplicateCheckResult duplicate_check_result = 3;
}

// Duplication check for the suggestion.
message DuplicateCheckResult {
  // The duplicate suggestions.
  repeated DuplicateSuggestion duplicate_suggestions = 1 [
    (google.api.field_behavior) = OUTPUT_ONLY,
    (datapol.semantic_type) = ST_NOT_REQUIRED
  ];

  // The duplicate suggestion details.
  message DuplicateSuggestion {
    // The answer record ID of the past duplicate suggestion.
    string answer_record = 1 [
      (google.api.field_behavior) = OUTPUT_ONLY,
      (datapol.semantic_type) = ST_IDENTIFYING_ID
    ];
    // Sources for the suggestion.
    Sources sources = 2 [(google.api.field_behavior) = OUTPUT_ONLY];
    // The index of the duplicate suggestion in the past suggestion list.
    int32 suggestion_index = 3 [(google.api.field_behavior) = OUTPUT_ONLY];
    // The similarity score of between the past and current suggestion.
    // This is only populated for fields using similarity checks.
    float similarity_score = 4 [(google.api.field_behavior) = OUTPUT_ONLY];
  }
}

Contoh konfigurasi

Konfigurasi generator contoh mengaktifkan fitur penghapusan duplikat saran dengan menyetel enable_deduping ke benar (true). Selain itu, nilai similarity_threshold ditetapkan ke 0,75. Artinya, jika teks saran baru (untuk contoh respons dan tindakan agen) memiliki skor kemiripan lebih besar dari atau sama dengan 0,75 dengan salah satu saran historis, penghapusan duplikat akan menandainya sebagai duplikat dengan DuplicateCheckResult.

# Example Generator configuration with Deduping enabled
generator {
  # ... other generator fields ...

  suggestion_deduping_config {
    enable_deduping: true
    similarity_threshold: 0.75 # Optional: Adjusts sensitivity for similarity checks
  }

  # ... rest of generator config ...
}