Latih model saran pengetahuan kustom

Agent Assist menyediakan dua opsi pemodelan untuk saran pengetahuan: model dasar (default) dan model kustom. Panduan ini memandu Anda melalui proses melatih model kustom menggunakan set data, lalu men-deploy model dan menguji performanya.

Ringkasan

Agent Assist memiliki dua fitur saran pengetahuan: Saran Artikel (yang menyarankan dokumen), dan Bantuan FAQ (yang menyarankan jawaban atas pertanyaan pengguna akhir ). Saat Anda menerapkan fitur ini, Agent Assist menggunakan model saran dasar yang telah dilatih sebelumnya secara default. Model dasar menggunakan teknologi pengambilan informasi dan tidak mengharuskan Anda menyelesaikan langkah pelatihan model eksplisit. Opsi model kustom menggunakan teknologi NLU (Natural Language Understanding) canggih. Anda harus mengupload transkrip percakapan dan menyelesaikan langkah pelatihan model eksplisit untuk membuat model NLU yang disesuaikan. Rata-rata, model kustom memberikan saran berkualitas lebih baik daripada model dasar.

Sebelum memulai

Selesaikan langkah-langkah berikut sebelum memulai panduan ini:

  1. Aktifkan Dialog Flow API untuk Google Cloud project Anda.

Membuat pusat informasi dan melatih model kustom

Untuk mendapatkan saran dari Agent Assist, Anda harus membuat pusat informasi, mengupload dokumen ke pusat informasi, dan mengonfigurasi profil percakapan.

Langkah-langkah berikut menguraikan tindakan ini menggunakan panggilan API langsung, dengan menggunakan fitur Saran Artikel sebagai contoh. Jika mau, Anda dapat membuat pusat informasi dan dokumen ke pusat informasi menggunakan Konsol Agent Assist sebagai gantinya.

Membuat pusat informasi

Sebelum dapat mulai mengupload dokumen, Anda harus membuat pusat informasi terlebih dahulu untuk menempatkannya. Untuk membuat pusat informasi, panggil metode create pada KnowledgeBase jenis.

REST

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

  • PROJECT_ID: project ID GCP Anda
  • KNOWLEDGE_BASE_DISPLAY_NAME: nama pusat informasi yang diinginkan

Metode HTTP dan URL: 

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

Meminta isi JSON: 

{
  "displayName": "KNOWLEDGE_BASE_DISPLAY_NAME"
}

Untuk mengirim permintaan Anda, perluas salah satu opsi berikut:

Anda akan melihat respons JSON seperti berikut:

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

Segmen jalur setelah knowledgeBases berisi ID pusat informasi baru Anda.

Python

Untuk melakukan autentikasi ke Agent Assist, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan autentikasi untuk lingkungan pengembangan lokal. 

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))

Membuat dokumen pengetahuan

Anda kini dapat menambahkan dokumen ke pusat informasi. Untuk membuat dokumen di pusat informasi, panggil metode create pada jenis Document. Tetapkan KnowledgeType ke ARTICLE_SUGGESTION. Contoh ini menggunakan file HTML dengan informasi pesanan pengembalian yang diupload ke bucket Cloud Storage yang dibagikan secara publik. Saat Anda menyiapkan Saran Artikel di sistem Anda sendiri, dokumen harus dalam salah satu format berikut. Lihat dokumentasi dokumen pengetahuan untuk mengetahui informasi selengkapnya tentang praktik terbaik dokumen.

Format dokumen pengetahuan:

  • File yang disimpan di bucket Cloud Storage. Anda dapat menentukan jalur saat memanggil API.
  • Konten teks dokumen, yang dapat Anda kirim dalam permintaan API.
  • URL publik.

REST

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

  • PROJECT_ID: project ID GCP Anda
  • KNOWLEDGE_BASE_ID: ID pusat informasi Anda yang ditampilkan dari permintaan sebelumnya
  • DOCUMENT_DISPLAY_NAME: nama dokumen pengetahuan yang diinginkan

Metode HTTP dan URL: 

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

Meminta isi JSON: 

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

Untuk mengirim permintaan Anda, perluas salah satu opsi berikut:

Anda akan melihat respons JSON seperti berikut:

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

Responsnya adalah operasi yang berjalan lama, yang dapat Anda polling untuk memeriksa penyelesaian.

Python

Untuk melakukan autentikasi ke Agent Assist, siapkan Kredensial Default Aplikasi. Untuk mengetahui informasi selengkapnya, lihat Menyiapkan autentikasi untuk lingkungan pengembangan lokal. 

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))

Membuat &men-deploy model kustom baru

  1. Buka UI Agent Assist dan klik opsi menu Models di margin paling kiri halaman.

  2. Menu Models menampilkan semua model Anda. Untuk membuat model baru, klik tombol +Create new di kanan atas.

  3. Di bagian Model type , pilih Article suggestion. Masukkan nama unik untuk model baru Anda di kolom Name. Terakhir, pilih nama pusat informasi yang ingin Anda gunakan untuk melatih model. Saat Anda mengklik kolom ini, menu akan muncul yang berisi daftar semua set data yang telah Anda buat.

  4. Model saran pengetahuan dilatih menggunakan set data percakapan, sama seperti model Smart Reply. Alih-alih menampilkan saran kata kepada agen seperti fitur Smart Reply, model saran pengetahuan akan menampilkan artikel atau jawaban FAQ.

    Pilih set data percakapan sebanyak yang Anda inginkan untuk melatih model. Klik Create untuk membuat model baru.

  5. Model baru kini muncul dalam daftar model di halaman Models. Status model baru akan muncul sebagai Pending , lalu Creating hingga model dilatih. Pelatihan memerlukan waktu satu hari atau lebih, bergantung pada resource komputasi Anda. Untuk men-deploy model terlatih, klik ikon yang terdiri dari 3 titik vertikal yang terkait dengan model Anda di paling kanan halaman, lalu klik Deploy.

Uji model knowledge assist kustom Anda menggunakan simulator Agent Assist

Simulator Agent Assist memungkinkan Anda melihat pratinjau performa model sebelum menerapkannya. Simulator dapat digunakan dengan fitur Agent Assist apa pun. Langkah-langkah berikut memandu Anda melalui proses pengujian model knowledge assist kustom menggunakan simulator.

  1. Sebelum dapat menjalankan simulator, Anda harus membuat satu atau beberapa profil percakapan. Profil percakapan mewakili model knowledge assist yang terlatih dan di-deploy. Tidak seperti model Smart Reply, model knowledge assist tidak memiliki daftar yang diizinkan terkait.

    Untuk membuat profil percakapan, klik Conversation profiles di menu utama di sisi kiri halaman.

  2. Daftar profil percakapan yang ada akan muncul. Jika ingin menggunakan profil yang sudah ada, Anda dapat langsung ke Langkah 4. Jika tidak, buat profil percakapan baru dengan mengklik tombol +Create new di sisi kanan halaman.

  3. Di menu yang muncul, masukkan nama unik untuk profil percakapan Anda di kotak Display name. Pilih Articles atau FAQs (bergantung pada jenis model yang Anda latih) dari kotak Suggestion type. Anda juga akan diminta untuk memasukkan nilai Confidence threshold dan Maximum suggestions. Maximum suggestions adalah jumlah artikel respons atau jawaban FAQ yang ditampilkan, dan confidence threshold mengacu pada tingkat keyakinan model bahwa setiap respons relevan dengan permintaan agen. Nilai keyakinan yang lebih tinggi akan meningkatkan kemungkinan respons yang relevan ditampilkan, tetapi dapat menghasilkan lebih sedikit atau tidak ada respons yang ditampilkan jika tidak ada opsi yang tersedia yang memenuhi nilai minimum yang tinggi. Untuk akurasi yang lebih tinggi dan cakupan yang lebih rendah, sebaiknya gunakan confidence threshold 0,8; untuk akurasi yang lebih rendah dan cakupan yang lebih tinggi, sebaiknya gunakan confidence threshold 0,2.

    Pilih Retrieval method (inline atau Pub/Sub), apakah akan mengaktifkan analisis sentimen atau tidak, dan apakah akan menggunakan agen virtual Dialogflow atau tidak Klik tombol Create untuk membuat profil percakapan.

  4. Profil percakapan Anda kini muncul dalam daftar profil di halaman Conversation profiles utama. Untuk menggunakan simulator, klik tiga titik vertikal di paling kanan nama profil percakapan yang ingin Anda uji, lalu klik Use simulator.

  5. Jendela yang muncul akan memberi Anda kotak input untuk respons pelanggan dan agen. Anda dapat menggunakan kotak ini untuk menguji fitur Agent Assist yang Anda pilih saat mengonfigurasi profil percakapan. Untuk mengubah kombinasi fitur yang sedang diuji, klik tombol Options di kanan atas dan pilih fitur dari menu Configure view yang muncul.

  6. Klik tombol Done di kanan atas untuk kembali ke halaman profil percakapan utama.