Pelatihan

Setelah agen Anda dilatih, Dialogflow menggunakan data pelatihan Anda untuk membangun model machine learning khusus untuk agen Anda. Data pelatihan ini terutama terdiri dari maksud (intent), frasa pelatihan maksud (intent training phrases), dan entitas yang dirujuk dalam agen; yang secara efektif digunakan sebagai label data machine learning. Namun, model agen dibuat menggunakan respons perintah parameter, setelan agen, dan banyak data lain yang terkait dengan agen Anda.

Setiap kali Anda mengubah agen, Anda harus memastikan bahwa agen dilatih sebelum mencoba menggunakannya. Bergantung pada setelan agen Anda, pelatihan dapat terjadi secara otomatis atau manual.

Anda juga dapat menggunakan Alat Pelatihan untuk menganalisis dan mengimpor data percakapan sebenarnya, serta meningkatkan kualitas data pelatihan Anda.

Draf pelatihan otomatis agen

Secara default, pelatihan agen untuk agen draf dieksekusi secara otomatis setiap kali Anda memperbarui dan menyimpan agen dari konsol. Dialog pop-up akan menampilkan status pelatihan ini.

Namun, mengupdate agen dengan API tidak akan memicu pelatihan otomatis.

Pelatihan manual agen draf

Anda dapat memperbarui setelan ML agen untuk menonaktifkan pelatihan otomatis bagi agen draf.

Jika agen Anda memiliki lebih dari 780 maksud, atau jika Anda telah menonaktifkan setelan pelatihan otomatis, Anda harus menjalankan pelatihan secara manual.

Untuk melatih agen secara manual dari konsol, klik tombol Train di setelan ML.

Untuk melatih agen secara manual dengan API, panggil metode train pada jenis Agent.

Pelatihan otomatis versi agen

Setiap kali versi agen baru dibuat, versi agen baru akan dilatih secara otomatis.

Untuk membuat versi agen baru dari konsol, klik tombol Publish a version di tab Environments.

Untuk membuat versi agen baru dengan API, panggil metode create untuk jenis Versi guna membuat versi agen baru.

Alat Pelatihan

Alat Pelatihan digunakan untuk meninjau input pengguna akhir yang dikirim ke agen Anda dan untuk meningkatkan kualitas data pelatihan Anda. Dengan alat ini, Anda dapat:

Tinjau input pengguna akhir yang sebenarnya dan maksud yang cocok untuk setiap giliran percakapan dengan model agen saat ini.
Tambahkan ekspresi pengguna akhir dari percakapan ini ke frasa pelatihan intent yang cocok, intent yang berbeda, atau intent penggantian.
Mengimpor ekspresi pengguna akhir yang telah Anda siapkan atau direkam dari percakapan sebenarnya.

Alat ini menggunakan data histori agen untuk memuat percakapan, sehingga pencatatan interaksi harus diaktifkan untuk menggunakan alat ini. Alat Pelatihan hanya menampilkan ekspresi pengguna akhir. Untuk melihat data percakapan agen dan pengguna akhir, lihat histori agen yang lebih lengkap.

Untuk membuka Alat Pelatihan:

Buka konsol Dialogflow ES.
Pilih agen Anda di dekat bagian atas menu sidebar kiri.
Klik Pelatihan di menu sidebar kiri.

Daftar percakapan

Saat Anda membuka alat ini, daftar percakapan akan ditampilkan. Ini adalah daftar percakapan terbaru dalam urutan kronologis terbalik. Setiap baris dalam daftar memberikan ringkasan percakapan. Tabel berikut menjelaskan setiap elemen UI:

Elemen UI	Deskripsi
Percakapan	Ekspresi pengguna akhir pertama dalam percakapan.
Tanggal	Tanggal percakapan terjadi atau diimpor.
	Jika percakapan digunakan untuk memperbarui data pelatihan (seperti yang dijelaskan di bawah), indikator status untuk baris akan menampilkan tanda centang hijau.

Tampilan pelatihan

Saat Anda mengklik baris dalam daftar percakapan, percakapan akan terbuka dalam tampilan pelatihan. Tampilan pelatihan menampilkan daftar giliran percakapan dan menyediakan kontrol untuk menambahkan data ini ke data pelatihan Anda.

Saat Anda mengedit data yang ditampilkan atau mengklik tombol tugas di sebelah kanan, Anda membuat tugas pembaruan data pelatihan yang dimasukkan ke dalam antrean untuk disimpan. Setelah selesai membuat tugas, klik tombol Setujui untuk menjalankan semua tugas yang diantrekan. Setelah disetujui, Anda harus melatih agen secara manual.

Screenshot tampilan pelatihan

Tabel berikut menjelaskan setiap elemen UI:

Elemen UI	Deskripsi
Tanggal	Tanggal percakapan terjadi atau diimpor.
Permintaan	Jumlah baris untuk percakapan.
Tidak Cocok	Jumlah baris yang tidak cocok dengan maksud apa pun.
Pengguna Berkata	Ekspresi pengguna akhir untuk baris.
Intent	Maksud untuk baris ini cocok dengan model agen saat ini. Anda dapat mengklik link untuk mengubah maksud terkait ke maksud baru atau yang sudah ada.
	Mengantrekan tugas untuk menambahkan ekspresi pengguna akhir untuk baris sebagai frasa pelatihan ke intent yang saat ini dipilih. Ikon akan berubah menjadi hijau saat tugas dimasukkan dalam antrean.
	Mengantrekan tugas untuk menambahkan ekspresi pengguna akhir untuk baris sebagai frasa pelatihan ke maksud penggantian default. Tindakan ini akan membuat contoh negatif. Ikon akan berubah menjadi oranye saat tugas dimasukkan dalam antrean.
	Mengantrekan tugas untuk menghapus baris. Ikon akan berubah menjadi merah saat tugas dimasukkan dalam antrean.
Setujui	Menjalankan tugas dalam antrean untuk semua baris.

Anotasi

Saat melihat percakapan dalam tampilan pelatihan, ekspresi pengguna akhir menampilkan entity yang cocok sebagai anotasi yang ditandai. Untuk menambahkan atau mengedit anotasi:

Klik anotasi atau pilih kata yang ingin Anda beri anotasi.
Pilih entitas yang ada dari menu.

Screenshot anotasi

Mengimpor percakapan

Anda dapat mengimpor file data percakapan yang telah Anda siapkan atau ambil ke Alat Pelatihan. Mengimpor percakapan dapat digunakan untuk meningkatkan kualitas agen yang sudah ada. Untuk mengupload percakapan, klik tombol Upload di bagian atas halaman. Kemudian, Anda dapat menganalisis data ini untuk ditambahkan ke data pelatihan seperti yang dijelaskan di atas.

Berikut ini menjelaskan format konten file, batasannya, dan hasilnya:

Setiap file yang diupload akan menghasilkan satu percakapan di Alat Pelatihan.
Permintaan tidak dikirim ke API deteksi maksud, sehingga tidak ada konteks yang diaktifkan dan tidak ada maksud yang cocok.
Satu file teks atau arsip zip yang dapat berisi hingga 10 file teks.
Satu upload tidak boleh melebihi 3 MB.
File hanya boleh berisi ekspresi pengguna akhir yang dibatasi oleh newline.
Idealnya, file hanya boleh menyertakan data yang berguna sebagai frasa pelatihan.
Urutan ekspresi pengguna akhir tidaklah penting.

Berikut adalah contoh file:

I want information about my account.
What is my checking account balance?
How do I transfer money to my savings account?

Batasan

Alat Pelatihan hanya tersedia untuk region global.
Alat Pelatihan tidak mempertimbangkan setelan Nilai Minimum Klasifikasi ML untuk pencocokan maksud. Anda mungkin melihat maksud yang berbeda yang cocok saat runtime dan di alat Pelatihan, meskipun model agen tidak berubah.
Input pengguna akhir yang berisi nilai parameter wajib mungkin tidak cocok dengan intent yang diharapkan di alat Pelatihan, tetapi cocok dengan benar saat runtime. Hal ini dapat terjadi dalam situasi berikut:
- Tidak ada frasa pelatihan yang dianotasi dalam intent tersebut.
- Input sangat berbeda dengan frasa pelatihan.

Praktik terbaik

Menggunakan Alat Pelatihan di berbagai tahap pengembangan

Gunakan Alat Pelatihan di berbagai tahap pengembangan agen, dan sempurnakan data pelatihan Anda di setiap tahap:

Sebelum agen dirilis ke produksi, uji agen dengan sekelompok kecil pengguna.
Segera setelah agen Anda dirilis ke produksi, periksa apakah percakapan nyata berperilaku seperti yang diharapkan.
Setiap kali perubahan signifikan dilakukan pada agen Anda, periksa apakah perubahan baru tersebut berfungsi seperti yang diharapkan.
Jalankan alat ini secara berkala untuk agen produksi, guna melakukan analisis rutin.

Mengimpor data kualitas

Berikut ini sering kali dapat menjadi sumber data yang berguna:

Log percakapan dengan agen layanan pelanggan manusia.
Percakapan dukungan pelanggan online (email, forum, FAQ).
Pertanyaan pelanggan di media sosial.

Anda harus menghindari jenis data berikut:

Ekspresi pengguna akhir panjang non-percakapan.
Ekspresi pengguna akhir yang tidak relevan dengan maksud (intent) apa pun di agen Anda.
Log hal-hal yang tidak diucapkan oleh pengguna akhir (misalnya, respons dari agen layanan pelanggan).