Risposta rapida

Risposta rapida segue una conversazione tra un agente umano e un utente finale e mostra risposte suggerite all'agente umano. Le risposte suggerite vengono calcolate da un modello personalizzato addestrato sui tuoi dati delle conversazioni.

Questo documento descrive la procedura per utilizzare l'API per implementare Risposta rapida e ricevere suggerimenti da questa funzionalità. Se preferisci, hai la possibilità di utilizzare la console di Agent Assist per caricare i dati, addestrare un modello e testare i risultati di Risposta rapida durante la fase di progettazione. Per visualizzare i suggerimenti di Risposta rapida durante l'esecuzione, devi chiamare direttamente l'API. Per informazioni dettagliate sull'addestramento di un modello e sul test delle sue prestazioni utilizzando la console di Agent Assist, consulta il tutorial su Risposta rapida.

Agent Assist fornisce anche dati delle conversazioni disponibili pubblicamente, nonché un modello preaddestrato e una lista consentita. Puoi utilizzare queste risorse per vedere come funziona Risposta rapida o testare l'integrazione prima di caricare i tuoi dati. Per saperne di più, consulta la documentazione sul formato dei dati delle conversazioni.

Prima di iniziare

Prima di iniziare questa guida, completa i seguenti passaggi:

  1. Crea un set di dati delle conversazioni utilizzando i tuoi dati delle trascrizioni.
  2. Addestra un modello di Risposta rapida utilizzando i tuoi set di dati delle conversazioni.

Informazioni che consentono l'identificazione personale e dati dei bambini

Quando invii dati a questa API, l'API tenta di oscurare tutte le informazioni che consentono l'identificazione personale (PII). Se devi assicurarti che il modello non includa PII, devi sottoporre i dati a sanitizzazione prima di inviarli all'API. Sostituisci le parole oscurate con segnaposto come `REDACTED_NUMBER` o `REDACTED_NAME` anziché rimuoverle semplicemente.

Inoltre, se i dati contengono informazioni raccolte da bambini, devi rimuovere i dati dei bambini prima di inviarli all'API.

Addestrare ed eseguire il deployment di un modello

I modelli di Risposta rapida di Agent Assist vengono addestrati utilizzando set di dati delle conversazioni. Un set di dati delle conversazioni contiene i dati delle trascrizioni che hai caricato. Questa sezione descrive la procedura per creare un set di dati delle conversazioni, caricare i dati delle conversazioni, addestrare ed eseguire il deployment di un modello. Puoi anche eseguire queste azioni utilizzando la console di Agent Assist se preferisci non chiamare direttamente l'API.

Creare un set di dati delle conversazioni

Prima di poter iniziare a caricare le trascrizioni delle conversazioni, devi prima creare un set di dati delle conversazioni in cui inserirle. Chiama il metodo create sulla ConversationDataset risorsa per creare un set di dati delle conversazioni.

La risposta contiene un ID del set di dati delle conversazioni.

Importare le trascrizioni delle conversazioni nel set di dati delle conversazioni

Carica i dati delle conversazioni in chat nel set di dati delle conversazioni in modo che possano essere elaborati da Agent Assist. Assicurati che la trascrizione di ogni conversazione sia in JSON formato e memorizzata in un bucket Cloud Storage. Un set di dati delle conversazioni deve contenere almeno 30.000 conversazioni, altrimenti l'addestramento del modello non andrà a buon fine. In generale, più conversazioni hai, migliore sarà la qualità del modello. Ti consigliamo di caricare almeno 3 mesi di conversazioni per coprire il maggior numero possibile di casi d'uso. Il numero massimo di messaggi in un set di dati delle conversazioni è 1.000.000.

Chiama il metodo importConversationData sulla ConversationDataset risorsa per importare le conversazioni.

Campi obbligatori:

  • L'ID del set di dati delle conversazioni che hai creato in precedenza.
  • Il percorso inputConfig porta ai dati delle trascrizioni delle conversazioni in un bucket Cloud Storage.

La risposta è un' operazione a lunga esecuzione, che puoi eseguire il polling per verificare il completamento.

Creare un modello di conversazione

Chiama il create metodo sulla ConversationModel risorsa per creare un modello di conversazione. Questa azione crea anche la lista consentita del modello .

Campi obbligatori:

  • In datasets, fornisci un singolo set di dati utilizzando l'ID del set di dati delle conversazioni che hai creato in precedenza.
  • Imposta smartReplyModelMetadata su un oggetto vuoto o compila il campo per sostituire il valore predefinito.

La risposta è un' operazione a lunga esecuzione, che puoi eseguire il polling per verificare il completamento. Al termine, l'ID modello e l'ID lista consentita verranno inclusi nei metadati dell'operazione.

  • ID modello: name
  • ID lista consentita: smart_reply_model_metadata.associated_allowlist_info.document

Eseguire il deployment del modello di conversazione

Chiama il metodo deploy sulla ConversationModel risorsa per eseguire il deployment del modello di conversazione.

Campo obbligatorio:

  • Utilizza conversationModels: inserisci l'ID del modello di conversazione che hai creato in precedenza.

Gestire una lista consentita

Ogni modello ha una lista consentita associata, che viene creata automaticamente quando crei un modello di conversazione. La lista consentita contiene tutte le risposte, generate dai set di dati delle conversazioni, che possono essere mostrate a un agente umano durante l'esecuzione. Questa sezione descrive la creazione e la gestione della lista consentita. Puoi anche eseguire queste azioni utilizzando la console di Agent Assist se preferisci non chiamare direttamente l'API.

Esportare i contenuti della lista consentita in un file CSV

La creazione del modello crea automaticamente una lista consentita associata al nuovo modello. La lista consentita è una risorsa Document con un ID univoco. L'ID viene restituito in smart_reply_model_metadata.associated_allowlist_info.document quando viene creato un modello. Per esaminare e apportare modifiche ai messaggi nella lista consentita, devi esportarla in un bucket Cloud Storage.

Chiama il metodo export sulla risorsa Document per esportare il documento in un file CSV in un bucket Cloud Storage. Il campo smart_messaging_partial_update è facoltativo, ma influisce sulla modalità di aggiornamento di questa lista consentita in futuro. Se impostato su true, il file CSV esportato includerà una colonna contenente un ID univoco per ogni messaggio. Puoi utilizzare l'ID messaggio per aggiornare solo i messaggi specificati anziché l'intero documento. Se smart_messaging_partial_update è impostato su false o non è impostato, la colonna aggiuntiva non verrà visualizzata nel file e per qualsiasi aggiornamento della lista consentita sarà necessario aggiornare l'intero documento.

Campo obbligatorio:

  • Il percorso gcsDestination porta al tuo bucket Cloud Storage.

La risposta è un' operazione a lunga esecuzione, che puoi eseguire il polling per verificare il completamento. Successivamente, il file CSV che hai fornito nella richiesta viene compilato con i candidati di risposta.

Esaminare la lista consentita

La lista consentita generata contiene le risposte generate automaticamente da Risposta rapida in base ai dati delle conversazioni. Ora puoi esaminare e aggiornare queste risposte in base alle esigenze. Scarica il file CSV dal bucket Cloud Storage, modificalo in base alle tue esigenze e ricaricalo nel bucket Cloud Storage. Solo le risposte nella lista consentita possono essere mostrate agli agenti umani.

Se modifichi le risposte, ti consigliamo di modificare solo l'ortografia e la grammatica e di non modificare il significato del messaggio. Più il testo modificato si discosta dal significato del modello, meno è probabile che il messaggio venga visualizzato.

Se necessario, puoi anche creare nuovi messaggi. Analogamente ai messaggi modificati, è meno probabile che i messaggi creati vengano visualizzati durante l'esecuzione.

Aggiornare la lista consentita

Dopo aver terminato l'aggiornamento del file CSV, puoi utilizzarlo per aggiornare la risorsa Document. Puoi scegliere di aggiornare l'intera lista consentita o solo i messaggi specificati. Per aggiornare solo i messaggi specificati, devi aver impostato smart_messaging_partial_update su true quando hai esportato la lista consentita. Se hai già eseguito questa operazione, utilizza la colonna generata automaticamente nel file CSV esportato per indicare i messaggi da aggiornare.

Chiama il metodo reload sulla Document risorsa per aggiornare la lista consentita. Per aggiornare solo i messaggi specificati, imposta smart_messaging_partial_update su true in ReloadDocumentRequest. Per aggiornare l'intera lista consentita, lascia smart_messaging_partial_update non impostato o impostalo su false.

Campi obbligatori:

  • gcsSource è il percorso Cloud Storage del file CSV.
  • Per name, utilizza il nome della risorsa della lista consentita generato quando hai creato un modello di conversazione.

Esempio di richiesta:

{
  "name":"projects/project-id/knowledgeBases/knowledge-base-id/documents/allowlist-id",
  "gcsSource" {
      "uri": "gs://revised_smart_reply_allowlist_path"
   }
}

Valutare le prestazioni di un modello addestrato

Puoi testare le prestazioni di un modello dopo aver eseguito il deployment del modello e aver creato una lista consentita. Devi anche fornire un set di dati di test. Le risposte generate dal modello di Risposta rapida addestrato e dalla relativa lista consentita verranno confrontate con i messaggi effettivi dell'agente nel set di dati di test. Il set di dati di test deve essere composto da dati delle conversazioni reali, ma non deve contenere i dati del set di dati delle conversazioni che hai utilizzato per addestrare il modello. Ad esempio, se hai a disposizione i dati del traffico delle conversazioni di un mese, puoi utilizzare i dati delle conversazioni di 3 settimane per creare un set di dati delle conversazioni e i dati della settimana rimanente per creare il set di dati di test. Un set di dati di test deve contenere almeno 1000 conversazioni, ma in generale le metriche di valutazione saranno più affidabili con un numero maggiore di conversazioni nel set di dati di test. Il formato del set di dati di test è lo stesso del formato del set di dati delle conversazioni.

Per creare una nuova valutazione del modello, chiama il CreateConversationModelEvaluation metodo su una risorsa ConversationModel. Questo metodo restituisce un'operazione a lunga esecuzione. Puoi eseguire il polling dell'operazione per verificarne lo stato, che restituirà uno dei seguenti valori: INITIALIZING, RUNNING, SUCCEEDED, CANCELLED, FAILED.

Campi obbligatori:

  • InputDataset: il set di dati di test che verrà utilizzato per testare le prestazioni del modello.
  • allowlist_document: la lista consentita associata al modello di Risposta rapida da testare.

Al termine dell'operazione a lunga esecuzione, viene restituita una risorsa ConversationModelEvaluation. Sono incluse due metriche:

  • allowlist_coverage: la percentuale di messaggi dell'agente nel set di dati di test coperti dalla lista consentita.
  • recall: la percentuale di messaggi dell'agente nel set di dati di test contenuti nella lista consentita e visualizzati nei primi 3 suggerimenti mostrati dal modello di Risposta rapida.

Configurare un profilo di conversazione

Un profilo di conversazione configura un insieme di parametri che controllano i suggerimenti forniti a un agente durante una conversazione. I seguenti passaggi creano un ConversationProfile con un HumanAgentAssistantConfig oggetto. Puoi anche eseguire queste azioni utilizzando la console di Agent Assist se preferisci non chiamare direttamente l'API.

Creare un profilo di conversazione

Per creare un profilo di conversazione, chiama il metodo create sulla ConversationProfile risorsa. Fornisci l'ID della knowledge base, l'ID del documento, l'ID progetto e l'ID modello.

Di seguito è riportato un esempio JSON: 
{
  "displayName":"smart_reply_assist",
  "humanAgentAssistantConfig":{
    "humanAgentSuggestionConfig":{
      "featureConfigs":[
        {
          "suggestionFeature": { "type":"SMART_REPLY" },
          "queryConfig": {
            "documentQuerySource":{
              "documents": ["projects/PROJECT_ID/knowledgeBases/KNOWLEDGE_BASE_ID/documents/DOCUMENT_ID"]
              },
                "maxResults": 3
              },
            }
          },
          "conversationModelConfig":{
            "model": "projects/PROJECT_ID/conversationModels/MODEL_ID"
          }
        }
      ]
    }
  }
}

Ti consigliamo di impostare il SuggestionFeatureConfig.enable_inline_suggestion valore. Se questo valore è true, le chiamate successive a AnalyzeContent genereranno risposte con un elenco di suggerimenti.

La risposta contiene il nuovo ID del profilo di conversazione.

Per istruzioni su come configurare un profilo di conversazione, gestire le conversazioni durante l'esecuzione, testare i risultati e inviare feedback ad Agent Assist, consulta Risposta rapida generativa.