Treinar um modelo personalizado de sugestão de conhecimento

O Agent Assist oferece duas opções de modelagem para sugestão de conhecimento: um modelo de referência (padrão) e um modelo personalizado. Este guia orienta você no processo de treinamento de um modelo personalizado usando um conjunto de dados, depois na implantação do modelo e no teste de desempenho.

Visão geral

O Agent Assist tem dois recursos de sugestão de conhecimento: Sugestão de artigos (que sugere documentos), e Assistente 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 a tecnologia de recuperação de informações e não exige que você conclua uma etapa explícita de treinamento de modelo. A opção de modelo personalizado usa a tecnologia de PLN (processamento de linguagem natural) de última geração. Ela exige que você faça o upload das transcrições de conversa e conclua 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

Conclua as etapas a seguir antes de começar este guia:

  1. Ative a API Dialogflow para o Google Cloud projeto.

Criar uma base de conhecimento e treinar um modelo personalizado

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

As etapas a seguir descrevem essas ações usando chamadas diretas da API, usando o recurso de sugestão de artigos como exemplo. Se preferir, você pode criar uma base de conhecimento e documentos usando o console do Agent Assist em vez disso.

Criar uma base de conhecimento

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

REST

Antes de usar os dados da solicitação abaixo, faça estas substituições:

  • 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. Se quiser 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 de pedido de devolução que foi enviado para um bucket do Cloud Storage compartilhado publicamente. Ao configurar a sugestão de artigos no seu próprio sistema, os documentos precisam estar em um dos seguintes formatos. Consulte a documentação de documentos de conhecimento para mais informações sobre as práticas recomendadas de documentos.

Formatos de documentos de conhecimento:

  • Um arquivo armazenado em um bucket do Cloud Storage. Você pode 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 estas substituições:

  • 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 a conclusão.

Python

Para autenticar no Agent Assist, configure o Application Default Credentials. Se quiser 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. Navegue até 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 novo modelo, clique no botão +Criar novo no canto superior direito.

  3. Em Tipo de modelo , selecione Sugestão de artigos. 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 conversa, assim como um modelo de Resposta Inteligente. Em vez de mostrar sugestões de palavras aos agentes, como o recurso de Resposta Inteligente, os modelos de sugestão de conhecimento mostram artigos ou respostas a perguntas frequentes.

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

  5. O novo modelo agora aparece na lista de modelos na página Modelos. O status do novo modelo vai aparecer como Pendente e, em seguida, Criando até que o modelo seja treinado. O treinamento leva um dia ou mais, dependendo dos recursos de computação. Para implantar o modelo treinado, clique no ícone composto por três pontos verticais associados ao modelo na extremidade direita da página e clique em Implantar.

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

O simulador do Agent Assist permite visualizar o desempenho do modelo antes de implementá-lo. O simulador pode ser usado com qualquer recurso do Agent Assist. As etapas a seguir orientam você no processo de teste do modelo de assistência de conhecimento personalizado usando o simulador.

  1. Antes de executar o simulador, é necessário criar 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 atuais aparece. Se você quiser usar um perfil pré-existente, pule para a etapa 4. 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 o 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 valores de Limite de confiança e Sugestões máximas. As sugestões máximas são o número de artigos de resposta ou respostas a 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 mais alto aumenta a probabilidade de respostas relevantes serem retornadas, mas pode resultar em menos ou nenhuma resposta retornada 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 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. O 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 de clientes e agentes. Você pode usar essas caixas para testar os recursos do Agent Assist selecionados ao configurar o perfil de conversa. Para mudar a combinação de recursos que estão sendo testados, 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 retornar à página principal de perfis de conversa.