Benutzerdefiniertes Modell für Wissensempfehlungen trainieren

Agent Assist bietet zwei Modellierungsoptionen für Wissensempfehlungen: ein Standardmodell (Standard) und ein benutzerdefiniertes Modell. In dieser Anleitung wird beschrieben, wie Sie ein benutzerdefiniertes Modell mit einem Dataset trainieren, das Modell bereitstellen und seine Leistung testen.

Übersicht

Agent Assist bietet zwei Wissensvorschlagsfunktionen: Artikelvorschlag (mit dem Dokumente vorgeschlagen werden) und FAQ Assist (mit dem Antworten auf Endnutzerfragen vorgeschlagen werden). Wenn Sie diese Funktionen implementieren, verwendet Agent Assist standardmäßig ein vortrainiertes Baseline-Vorschlagsmodell. Das Baseline-Modell verwendet Information Retrieval-Technologie und erfordert keinen expliziten Modelltrainingsschritt. Bei der Option für benutzerdefinierte Modelle wird modernste NLU-Technologie (Natural Language Understanding) verwendet. Dazu müssen Sie Ihre Gesprächstranskripte hochladen und einen expliziten Modelltrainingsschritt ausführen, um ein benutzerdefiniertes NLU-Modell zu erstellen. Im Durchschnitt liefern benutzerdefinierte Modelle Vorschläge von höherer Qualität als das Baseline-Modell.

Hinweis

Führen Sie die folgenden Schritte aus, bevor Sie mit dieser Anleitung beginnen:

  1. Aktivieren Sie die Dialogflow API für IhrGoogle Cloud -Projekt.

Wissensdatenbank erstellen und benutzerdefiniertes Modell trainieren

Damit Sie Vorschläge von Agent Assist erhalten, müssen Sie eine Wissensdatenbank erstellen, Ihre Dokumente in die Wissensdatenbank hochladen und ein Unterhaltungsprofil konfigurieren.

In den folgenden Schritten werden diese Aktionen anhand direkter API-Aufrufe beschrieben. Als Beispiel wird die Funktion „Artikelvorschlag“ verwendet. Alternativ können Sie auch die Agent Assist Console verwenden, um eine Wissensdatenbank und Dokumente dafür zu erstellen.

Wissensdatenbank erstellen

Bevor Sie mit dem Hochladen von Dokumenten beginnen können, müssen Sie zuerst eine Wissensdatenbank erstellen, in die Sie sie einfügen können. Rufen Sie zum Erstellen einer Wissensdatenbank die Methode create für den Typ KnowledgeBase auf.

REST

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • PROJECT_ID: Ihre GCP-Projekt-ID
  • KNOWLEDGE_BASE_DISPLAY_NAME: Name der gewünschten Wissensdatenbank

HTTP-Methode und URL:

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/knowledgeBases

JSON-Text anfordern:

{
  "displayName": "KNOWLEDGE_BASE_DISPLAY_NAME"
}

Wenn Sie die Anfrage senden möchten, maximieren Sie eine der folgenden Optionen:

Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:

{
  "name": "projects/PROJECT_ID/knowledgeBases/NDA4MTM4NzE2MjMwNDUxMjAwMA",
  "displayName": "KNOWLEDGE_BASE_DISPLAY_NAME"
}

Das Pfadsegment nach knowledgeBases enthält Ihre neue Wissensdatenbank-ID.

Python

Richten Sie zur Authentifizierung bei Agent Assist Standardanmeldedaten für Anwendungen ein. Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten. 

def create_knowledge_base(project_id, display_name):
    """Creates a Knowledge base.

    Args:
        project_id: The GCP project linked with the agent.
        display_name: The display name of the Knowledge base."""
    from google.cloud import dialogflow_v2beta1 as dialogflow

    client = dialogflow.KnowledgeBasesClient()
    project_path = client.common_project_path(project_id)

    knowledge_base = dialogflow.KnowledgeBase(display_name=display_name)

    response = client.create_knowledge_base(
        parent=project_path, knowledge_base=knowledge_base
    )

    print("Knowledge Base created:\n")
    print("Display Name: {}\n".format(response.display_name))
    print("Name: {}\n".format(response.name))

Wissensdokument erstellen

Sie können der Wissensdatenbank jetzt Dokumente hinzufügen. Rufen Sie zum Erstellen eines Dokuments in der Wissensdatenbank die Methode create für den Typ Document auf. Legen Sie KnowledgeType auf ARTICLE_SUGGESTION fest. In diesem Beispiel wird eine HTML-Datei mit Informationen zu Retourenbestellungen verwendet, die in einen öffentlich freigegebenen Cloud Storage-Bucket hochgeladen wurde. Wenn Sie die Funktion „Artikelvorschlag“ in Ihrem eigenen System einrichten, müssen Dokumente eines der folgenden Formate haben. Weitere Informationen zu Best Practices für Dokumente finden Sie in der Dokumentation zu Wissensdokumenten.

Formate von Wissensdokumenten:

  • Eine Datei, die in einem Cloud Storage-Bucket gespeichert ist. Sie können den Pfad beim Aufrufen der API angeben.
  • Der Textinhalt eines Dokuments zum Senden in einer API-Anfrage.
  • Eine öffentliche URL.

REST

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

  • PROJECT_ID: Ihre GCP-Projekt-ID
  • KNOWLEDGE_BASE_ID: ID Ihrer Wissensdatenbank (bei der vorherigen Anfrage zurückgegeben)
  • DOCUMENT_DISPLAY_NAME: gewünschter Name des Wissensdokuments

HTTP-Methode und URL:

POST https://dialogflow.googleapis.com/v2/projects/PROJECT_ID/knowledgeBases/KNOWLEDGE_BASE_ID/documents

JSON-Text anfordern:

{
  "displayName": "DOCUMENT_DISPLAY_NAME",
  "mimeType": "text/html",
  "knowledgeTypes": "ARTICLE_SUGGESTION",
  "contentUri": "gs://agent-assist-public-examples/public_article_suggestion_example_returns.html"
}

Wenn Sie die Anfrage senden möchten, maximieren Sie eine der folgenden Optionen:

Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:

{
  "name": "projects/PROJECT_ID/operations/ks-add_document-MzA5NTY2MTc5Mzg2Mzc5NDY4OA"
}

Die Antwort ist ein Vorgang mit langer Ausführungszeit, bei dem Sie prüfen können, ob er abgeschlossen wurde.

Python

Richten Sie zur Authentifizierung bei Agent Assist Standardanmeldedaten für Anwendungen ein. Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten. 

def create_document(
    project_id, knowledge_base_id, display_name, mime_type, knowledge_type, content_uri
):
    """Creates a Document.

    Args:
        project_id: The GCP project linked with the agent.
        knowledge_base_id: Id of the Knowledge base.
        display_name: The display name of the Document.
        mime_type: The mime_type of the Document. e.g. text/csv, text/html,
            text/plain, text/pdf etc.
        knowledge_type: The Knowledge type of the Document. e.g. FAQ,
            EXTRACTIVE_QA.
        content_uri: Uri of the document, e.g. gs://path/mydoc.csv,
            http://mypage.com/faq.html."""
    from google.cloud import dialogflow_v2beta1 as dialogflow

    client = dialogflow.DocumentsClient()
    knowledge_base_path = dialogflow.KnowledgeBasesClient.knowledge_base_path(
        project_id, knowledge_base_id
    )

    document = dialogflow.Document(
        display_name=display_name, mime_type=mime_type, content_uri=content_uri
    )

    document.knowledge_types.append(
        getattr(dialogflow.Document.KnowledgeType, knowledge_type)
    )

    response = client.create_document(parent=knowledge_base_path, document=document)
    print("Waiting for results...")
    document = response.result(timeout=120)
    print("Created Document:")
    print(" - Display Name: {}".format(document.display_name))
    print(" - Knowledge ID: {}".format(document.name))
    print(" - MIME Type: {}".format(document.mime_type))
    print(" - Knowledge Types:")
    for knowledge_type in document.knowledge_types:
        print("    - {}".format(KNOWLEDGE_TYPES[knowledge_type]))
    print(" - Source: {}\n".format(document.content_uri))

Neues benutzerdefiniertes Modell erstellen und bereitstellen

  1. Rufen Sie die Agent Assist-Benutzeroberfläche auf und klicken Sie ganz links auf der Seite auf die Menüoption Modelle.

  2. Im Menü Modelle werden alle Ihre Modelle angezeigt. Klicken Sie rechts oben auf die Schaltfläche + Neu erstellen, um ein neues Modell zu erstellen.

  3. Wählen Sie unter Modelltyp die Option Artikelvorschlag aus. Geben Sie im Feld Name einen eindeutigen Namen für Ihr neues Modell ein. Wählen Sie schließlich den Namen bzw. die Namen der Wissensdatenbank(en) aus, die Sie zum Trainieren Ihres Modells verwenden möchten. Wenn Sie auf dieses Feld klicken, wird ein Menü mit einer Liste aller bereits erstellten Datasets angezeigt.

  4. Ein Modell für Wissensvorschläge wird mithilfe von Unterhaltungs-Datasets trainiert, genau wie ein Modell für intelligente Antworten. Anstatt Kundenservicemitarbeitern wie bei der Funktion „Intelligente Antwort“ Wortvorschläge zu machen, werden bei Modellen für Wissensvorschläge Artikel oder FAQ-Antworten angezeigt.

    Wählen Sie beliebig viele Unterhaltungsdatasets aus, die Sie zum Trainieren Ihres Modells verwenden möchten. Klicken Sie auf Erstellen, um das neue Modell zu erstellen.

  5. Das neue Modell wird jetzt auf der Seite Modelle in der Liste der Modelle angezeigt. Der Status des neuen Modells wird als Ausstehend und dann als Wird erstellt angezeigt, bis das Modell trainiert ist. Das Training dauert je nach Ihren Computing-Ressourcen einen Tag oder länger. Klicken Sie zum Bereitstellen des trainierten Modells ganz rechts auf der Seite auf das Symbol mit den drei vertikalen Punkten, das mit Ihrem Modell verknüpft ist, und dann auf Bereitstellen.

Benutzerdefiniertes Knowledge Assist-Modell mit dem Agent Assist-Simulator testen

Mit dem Agent Assist-Simulator können Sie die Leistung Ihres Modells in der Vorschau ansehen, bevor Sie es implementieren. Der Simulator kann mit jeder Agent Assist-Funktion verwendet werden. In den folgenden Schritten wird beschrieben, wie Sie Ihr benutzerdefiniertes Wissensassistenzmodell mit dem Simulator testen.

  1. Bevor Sie den Simulator ausführen können, müssen Sie ein oder mehrere Unterhaltungsprofile erstellen. Ein Konversationsprofil stellt ein trainiertes und bereitgestelltes Knowledge Assist-Modell dar. Im Gegensatz zu Modellen für intelligente Antworten haben Modelle für Wissensunterstützung keine zugehörige Zulassungsliste.

    Wenn Sie ein Unterhaltungsprofil erstellen möchten, klicken Sie im Hauptmenü links auf der Seite auf Unterhaltungsprofile.

  2. Eine Liste Ihrer vorhandenen Unterhaltungsprofile wird angezeigt. Wenn Sie ein vorhandenes Profil verwenden möchten, können Sie später mit Schritt 4 fortfahren. Andernfalls erstellen Sie ein neues Unterhaltungsprofil, indem Sie rechts auf der Seite auf den Button + Neu erstellen klicken.

  3. Geben Sie im eingeblendeten Menü einen eindeutigen Namen für Ihr Unterhaltungsprofil in das Feld Anzeigename ein. Wählen Sie im Feld Vorschlagstyp entweder Artikel oder FAQs aus (je nachdem, welchen Modelltyp Sie trainiert haben). Sie werden außerdem aufgefordert, Werte für Konfidenzschwellenwert und Maximale Anzahl von Vorschlägen einzugeben. „Maximale Anzahl der Vorschläge“ bezieht sich auf die Anzahl der zurückgegebenen Antwortartikel oder FAQ-Antworten. Der Konfidenzschwellenwert bezieht sich auf das Konfidenzniveau des Modells, dass jede Antwort für die Anfrage des Kundenservicemitarbeiters relevant ist. Ein höherer Konfidenzwert erhöht die Wahrscheinlichkeit, dass relevante Antworten zurückgegeben werden. Wenn jedoch keine verfügbare Option den hohen Grenzwert erfüllt, kann es sein, dass weniger oder gar keine Antworten zurückgegeben werden. Für eine höhere Genauigkeit und eine geringere Abdeckung empfehlen wir einen Konfidenzschwellenwert von 0, 8. Für eine geringere Genauigkeit und eine höhere Abdeckung empfehlen wir einen Konfidenzschwellenwert von 0, 2.

    Wählen Sie Ihre Abrufmethode aus (inline oder Pub/Sub), ob Sie die Sentimentanalyse aktivieren möchten und ob Sie einen virtuellen Kundenservicemitarbeiter verwenden möchten. Klicken Sie auf die Schaltfläche Erstellen, um das Unterhaltungsprofil zu erstellen.

  4. Ihr Unterhaltungsprofil wird jetzt in der Liste der Profile auf der Hauptseite Unterhaltungsprofile angezeigt. Wenn Sie den Simulator verwenden möchten, klicken Sie ganz rechts neben dem Namen des Unterhaltungsprofils, das Sie testen möchten, auf das Dreipunkt-Menü und dann auf Simulator verwenden.

  5. Das daraufhin angezeigte Fenster enthält Eingabefelder für Antworten von sowohl Kunden als auch Kundenservicemitarbeitern. Mit diesen Feldern können Sie die Agent Assist-Funktionen testen, die Sie beim Konfigurieren des Unterhaltungsprofils ausgewählt haben. Wenn Sie ändern möchten, welche Kombination von Funktionen getestet wird, klicken Sie rechts oben auf die Schaltfläche Optionen und wählen Sie die gewünschten Funktionen im Menü Ansicht konfigurieren aus.

  6. Klicken Sie rechts oben auf die Schaltfläche Fertig, um zur Hauptseite „Unterhaltungsprofile“ zurückzukehren.