Treinar um modelo personalizado de sugestão de conhecimento

O Agent Assist oferece duas opções de modelagem para sugestão de conhecimento: um modelo de base (padrão) e um modelo personalizado. Este guia mostra o processo de treinamento de um modelo personalizado usando um conjunto de dados, a implantação do modelo e o teste de desempenho.

Visão geral

O Agent Assist tem dois recursos de sugestão de conhecimento: Sugestão de artigos (que sugere documentos) e Assistência de perguntas frequentes (que sugere respostas a perguntas do usuário final). Ao implementar esses recursos, o Agent Assist usa um modelo de sugestão de referência pré-treinado por padrão. O modelo de referência usa tecnologia de recuperação de informações e não exige que você conclua uma etapa explícita de treinamento de modelo. A opção de modelo personalizado usa tecnologia de PLN (processamento de linguagem natural) de última geração. É necessário fazer upload das transcrições de conversa e concluir uma etapa explícita de treinamento de modelo para criar um modelo de PLN personalizado. Em média, os modelos personalizados oferecem sugestões de melhor qualidade do que o modelo de referência.

Antes de começar

Antes de começar este guia, faça o seguinte:

  1. Ative a API Dialogflow no seu projeto do Google Cloud .

Criar uma base de conhecimento e treinar um modelo personalizado

Para receber sugestões do Agent Assist, crie uma base de conhecimento, faça upload dos documentos nela e configure um perfil de conversa.

As etapas a seguir descrevem essas ações usando chamadas diretas de API, com o recurso de sugestão de artigo como exemplo. Se preferir, crie uma base de conhecimento e documentos usando o console do Agent Assist.

Criar uma base de conhecimento

Antes de começar a fazer upload de documentos, é necessário criar uma base de conhecimento para armazená-los. Para criar uma base de conhecimento, chame o método create no tipo KnowledgeBase.

REST

Antes de usar os dados da solicitação abaixo, faça as substituições a seguir:

  • PROJECT_ID: ID do projeto do GCP
  • KNOWLEDGE_BASE_DISPLAY_NAME: nome desejado para a base de conhecimento

Método HTTP e URL:

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

Corpo JSON da solicitação:

{
  "displayName": "KNOWLEDGE_BASE_DISPLAY_NAME"
}

Para enviar a solicitação, expanda uma destas opções:

Você receberá uma resposta JSON semelhante a esta:

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

O segmento de caminho após knowledgeBases contém o novo ID da base de conhecimento.

Python

Para autenticar no Agent Assist, configure o Application Default Credentials. Para mais informações, consulte Configurar a autenticação para um ambiente de desenvolvimento local. 

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))

Criar um documento de conhecimento

Agora você pode adicionar documentos à base de conhecimento. Para criar um documento na base de conhecimento, chame o método create no tipo Document. Defina KnowledgeType como ARTICLE_SUGGESTION. Este exemplo usa um arquivo HTML com informações do pedido de devolução que foi enviado para um bucket do Cloud Storage compartilhado publicamente. Ao configurar a Sugestão de artigo no seu próprio sistema, os documentos precisam estar em um dos seguintes formatos: Consulte a documentação sobre documentos de conhecimento para mais informações sobre práticas recomendadas.

Formatos de documentos de conhecimento:

  • Um arquivo armazenado em um bucket do Cloud Storage. É possível especificar o caminho ao chamar a API.
  • O conteúdo de texto de um documento, que pode ser enviado em uma solicitação de API.
  • Um URL público.

REST

Antes de usar os dados da solicitação abaixo, faça as substituições a seguir:

  • PROJECT_ID: ID do projeto do GCP
  • KNOWLEDGE_BASE_ID: o código da base de conhecimento retornado pela solicitação anterior
  • DOCUMENT_DISPLAY_NAME: nome do documento de conhecimento desejado

Método HTTP e URL:

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

Corpo JSON da solicitação:

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

Para enviar a solicitação, expanda uma destas opções:

Você receberá uma resposta JSON semelhante a esta:

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

A resposta é uma operação de longa duração, que pode ser pesquisada para verificar se foi concluída.

Python

Para autenticar no Agent Assist, configure o Application Default Credentials. Para mais informações, consulte Configurar a autenticação para um ambiente de desenvolvimento local. 

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))

Criar e implantar um novo modelo personalizado

  1. Acesse a interface do Agent Assist e clique na opção de menu Modelos na margem esquerda da página.

  2. O menu Modelos mostra todos os seus modelos. Para criar um modelo, clique no botão +Criar novo no canto superior direito.

  3. Em Tipo de modelo, selecione Sugestão de artigo. Insira um nome exclusivo para o novo modelo no campo Nome. Por fim, selecione os nomes das bases de conhecimento que você quer usar para treinar o modelo. Quando você clica nesse campo, um menu aparece com uma lista de todos os conjuntos de dados já criados.

  4. Um modelo de sugestão de conhecimento é treinado usando conjuntos de dados de conversas, assim como um modelo de Resposta inteligente. Em vez de mostrar sugestões de palavras para os agentes, como o recurso Resposta inteligente, os modelos de sugestão de conhecimento mostram artigos ou respostas de perguntas frequentes.

    Selecione quantos conjuntos de dados de conversas você quiser usar para treinar seu modelo. Clique em Criar para criar o modelo.

  5. O novo modelo aparece na lista de modelos na página Modelos. O status do novo modelo vai aparecer como Pendente e depois Criando até que o modelo seja treinado. O treinamento leva um dia ou mais, dependendo dos seus recursos de computação. Para implantar o modelo treinado, clique no ícone com três pontos verticais associado ao modelo no canto direito da página e clique em Implantar.

Testar seu modelo personalizado de assistência de conhecimento usando o simulador do Agent Assist

Com o simulador do Agent Assist, é possível conferir uma prévia da performance do modelo antes de implementá-lo. O simulador pode ser usado com qualquer recurso do Agent Assist. As etapas a seguir mostram como testar seu modelo personalizado de assistente de conhecimento usando o simulador.

  1. Antes de executar o simulador, crie um ou mais perfis de conversa. Um perfil de conversa representa um modelo de assistência de conhecimento treinado e implantado. Ao contrário dos modelos de Resposta inteligente, os modelos de assistência de conhecimento não têm uma lista de permissão associada.

    Para criar um perfil de conversa, clique em Perfis de conversa no menu principal à esquerda da página.

  2. Uma lista dos seus perfis de conversa vai aparecer. Se você quiser usar um perfil preexistente, pule para a Etapa 4 mais tarde. Caso contrário, crie um novo perfil de conversa clicando no botão +Criar novo no lado direito da página.

  3. No menu que aparece, insira um nome exclusivo para seu perfil de conversa na caixa Nome de exibição. Selecione Artigos ou Perguntas frequentes (dependendo do tipo de modelo treinado) na caixa Tipo de sugestão. Você também precisa inserir os valores de Limite de confiança e Sugestões máximas. O número máximo de sugestões é a quantidade de artigos de resposta ou respostas de perguntas frequentes retornadas, e o limite de confiança se refere ao nível de confiança do modelo de que cada resposta é relevante para a solicitação do agente. Um valor de confiança maior aumenta a probabilidade de respostas relevantes serem retornadas, mas pode resultar em menos ou nenhuma resposta se nenhuma opção disponível atender ao valor de limite alto. Para maior acurácia e menor cobertura, recomendamos um limite de confiança de 0,8. Para menor acurácia e maior cobertura, recomendamos um limite de confiança de 0,2.

    Escolha o Método de recuperação (inline ou Pub/Sub), se quer ativar ou não a análise de sentimentos e se quer usar ou não um agente virtual do Dialogflow. Clique no botão Criar para criar o perfil de conversa.

  4. Seu perfil de conversa agora aparece na lista de perfis na página principal Perfis de conversa. Para usar o simulador, clique nos três pontos verticais à direita do nome do perfil de conversa que você quer testar e clique em Usar simulador.

  5. A janela que aparece oferece caixas de entrada para respostas do cliente e do agente. Você pode usar essas caixas para testar os recursos do Agent Assist que selecionou ao configurar o perfil de conversa. Para mudar a combinação de recursos que está sendo testada, clique no botão Opções no canto superior direito e escolha os recursos no menu Configurar visualização que aparece.

  6. Clique no botão Concluído no canto superior direito para voltar à página principal de perfis de conversa.