訓練自訂知識建議模型

Agent Assist 提供兩種知識建議模型選項：基準模型 (預設) 和自訂模型。本指南會逐步說明如何使用資料集訓練自訂模型，然後部署模型並測試效能。

總覽

Agent Assist 提供兩項知識建議功能：文章建議 (建議文件) 和常見問題輔助 (建議使用者問題的答案)。導入這些功能後，Agent Assist 預設會使用預先訓練的基準建議模型。基線模型使用資訊檢索技術，因此您不必完成明確的模型訓練步驟。自訂模型選項採用最先進的 NLU (自然語言理解) 技術。您必須上傳對話轉錄稿，並完成明確的模型訓練步驟，才能建構自訂 NLU 模型。平均來說，自訂模型提供的建議品質優於基準模型。

事前準備

開始閱讀本指南前，請先完成下列步驟：

  1. 為Google Cloud 專案啟用 Dialogflow API。

建立知識庫並訓練自訂模型

如要取得 Agent Assist 的建議，請建立知識庫、將文件上傳至知識庫，並設定對話設定檔。

下列步驟說明如何使用直接 API 呼叫執行這些動作，並以「文章建議」功能為例。如要建立知識庫並新增文件，也可以改用 Agent Assist 主控台。

建立知識庫

上傳文件前，請先建立知識庫，如要建立知識庫，請呼叫 KnowledgeBase 類型的 create 方法。

REST

使用任何要求資料之前，請先修改下列項目的值：

  • PROJECT_ID：您的 GCP 專案 ID
  • KNOWLEDGE_BASE_DISPLAY_NAME：所需的知識庫名稱

HTTP 方法和網址：

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

JSON 要求主體：

{
  "displayName": "KNOWLEDGE_BASE_DISPLAY_NAME"
}

請展開以下其中一個選項，以傳送要求：

您應該會收到如下的 JSON 回覆：

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

knowledgeBases 後方的路徑區段包含了您的新知識庫 ID。

Python

如要向 Agent Assist 進行驗證，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定驗證機制」。

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))

建立知識文件

你現在可以將文件新增至知識庫。如要在知識庫中建立文件，請在 Document 類型上呼叫 create 方法。 將 KnowledgeType 設為 ARTICLE_SUGGESTION。這個範例使用含有退貨單資訊的 HTML 檔案，該檔案已上傳至公開共用的 Cloud Storage bucket。在自家系統中設定文章建議時，文件必須採用下列其中一種格式。如要進一步瞭解文件最佳做法，請參閱知識文件說明文件。

知識文件格式：

  • 儲存在 Cloud Storage bucket 中的檔案。呼叫 API 時，您可以指定路徑。
  • 文件的文字內容，可透過 API 要求傳送。
  • 公開網址。

REST

使用任何要求資料之前，請先修改下列項目的值：

  • PROJECT_ID：您的 GCP 專案 ID
  • KNOWLEDGE_BASE_ID：從之前要求傳回的知識庫 ID
  • DOCUMENT_DISPLAY_NAME：所需的知識文件名稱

HTTP 方法和網址：

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

JSON 要求主體：

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

請展開以下其中一個選項，以傳送要求：

您應該會收到如下的 JSON 回覆：

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

回應是長時間執行的作業，您可以輪詢檢查作業是否完成。

Python

如要向 Agent Assist 進行驗證，請設定應用程式預設憑證。詳情請參閱「為本機開發環境設定驗證機制」。

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))

建立及部署新的自訂模型

  1. 前往 Agent Assist 使用者介面，然後按一下頁面最左側邊緣的「模型」選單選項。

  2. 「模型」選單會顯示所有模型。如要建立新模型，請按一下右上方的「+ 建立新模型」按鈕。

  3. 在「Model type」(模型類型) 下方，選取「Article suggestion」(文章建議)。在「名稱」欄位中，為新模型輸入專屬名稱。最後，選取要用來訓練模型的知識庫名稱。按一下這個欄位後，系統會顯示選單，其中列出所有已建立的資料集。

  4. 知識建議模型與智慧回覆模型一樣，都是使用對話資料集訓練而成。知識建議模型不會像智慧回覆功能一樣向服務專員提供字詞建議，而是會顯示文章或常見問題的答案。

    選取要用來訓練模型的對話資料集，數量不限。按一下「建立」，即可建立新模型。

  5. 新模型現在會顯示在「模型」頁面的模型清單中。新模型的狀態會顯示為「待處理」，接著顯示「建立中」，直到模型訓練完成為止。訓練時間取決於運算資源，可能需要一天以上。如要部署訓練好的模型，請按一下頁面最右側與模型相關聯的 3 個垂直圓點圖示，然後點選「部署」。

使用 Agent Assist 模擬工具測試自訂 knowledge assist 模型

Agent Assist 模擬器可讓您在實作模型前，先預覽模型效能。模擬工具可搭配任何 Agent Assist 功能使用。下列步驟會逐步說明如何使用模擬器測試自訂知識輔助模型。

  1. 您必須先建立一或多個對話個人資料，才能執行模擬器。對話設定檔代表經過訓練及部署的 knowledge assist 模型。與智慧回覆模型不同，知識輔助模型沒有相關聯的許可清單。

    如要建立對話設定檔，請按一下頁面左側主選單中的「對話設定檔」。

  2. 系統會顯示現有的對話設定檔清單。如要使用現有設定檔，請跳到後續的步驟 4。如要建立新的對話設定檔，請按一下頁面右側的「+ 建立新設定檔」按鈕。

  3. 在隨即顯示的選單中，於「顯示名稱」方塊中輸入對話設定檔的專屬名稱。從「建議類型」方塊中選取「文章」或「常見問題」(視您訓練的模型類型而定)。系統也會要求您輸入「信心門檻」和「最多建議」值。建議數量上限是指系統傳回的回覆文章或常見問題解答數量，而信賴度門檻是指模型對每則回覆與服務專員要求相關的信賴程度。信心值越高，傳回相關回覆的機率就越高，但如果沒有任何選項符合高門檻值，可能就不會傳回任何回覆。如要提高準確度並降低涵蓋範圍，建議將可信度門檻設為 0.8；如要降低準確度並提高涵蓋範圍，建議將可信度門檻設為 0.2。

    選擇擷取方法 (內嵌或 Pub/Sub)、是否啟用情緒分析，以及是否使用 Dialogflow 虛擬代理程式。按一下「建立」按鈕，建立對話設定檔。

  4. 現在，您的對話設定檔會顯示在「對話設定檔」頁面的設定檔清單中。如要使用模擬工具，請按一下要測試的對話設定檔名稱最右側的三個直向點，然後按一下「使用模擬工具」。

  5. 隨即顯示的視窗會提供客戶和服務專員回覆的輸入框。您可以使用這些方塊，測試設定對話設定檔時選取的 Agent Assist 功能。如要變更測試的功能組合，請按一下右上方的「選項」按鈕，然後從顯示的「設定檢視畫面」選單中選擇功能。

  6. 按一下右上方的「完成」按鈕，返回主要對話設定檔頁面。