Hay algunos Grandes, así que armé una compilación, la compartí con algunos codificadores y antes de que te des cuenta … se volvió viral.
El tutorial incluye: Fragmentos de código y Github
Guía definitiva para aprovechar NLP y Machine Learning para su Chatbot
- ¿El uso del aprendizaje automático creará alguna vez una máquina en el comercio de acciones / materias primas / FX que expulse completamente a los humanos del juego?
- ¿Son los sistemas de IA de alguna manera estúpidos? ¿Cómo define la estupidez artificial?
- ¿Los bots de IA están estafando el póker y los casinos en línea mientras pueden pasar desapercibidos?
- Cómo aprender aprendizaje profundo en 2 meses
- ¿Qué investigaciones respaldan o refutan la teoría del "Valle misterioso"?
Aquí hay algunos fragmentos de gama alta del tutorial:
BASADO EN LA RECUPERACIÓN VS. MODELOS GENERATIVOS
Los modelos basados en la recuperación (más fácil) utilizan un repositorio de respuestas predefinidas y algún tipo de heurística para elegir una respuesta adecuada basada en la entrada y el contexto. La heurística podría ser tan simple como una coincidencia de expresión basada en reglas, o tan compleja como un conjunto de clasificadores de Machine Learning. Estos sistemas no generan ningún texto nuevo, simplemente seleccionan una respuesta de un conjunto fijo.
Los modelos generativos (más difíciles) no se basan en respuestas predefinidas. Generan nuevas respuestas desde cero. Los modelos generativos generalmente se basan en técnicas de traducción automática, pero en lugar de traducir de un idioma a otro, “traducimos” de una entrada a una salida (respuesta).
Dominio abierto : puedo hacer una pregunta sobre cualquier tema … y esperar una respuesta relevante. (Más difícil) Piense en una larga conversación sobre la refinanciación de mi hipoteca donde podría pedir cualquier cosa.
Dominio cerrado : puede hacer un conjunto limitado de preguntas sobre temas específicos. (Más fácil). ¿Qué tiempo hace en Miami?
Square 1 es un gran primer paso para un chatbot porque está contenido, puede que no requiera la complejidad de las máquinas inteligentes y puede ofrecer valor comercial y de usuario.
Cuadrado 2, se hacen preguntas y el Chatbot tiene tecnología de máquina inteligente que genera respuestas. Las respuestas generadas le permiten al Chatbot manejar tanto las preguntas comunes como algunos casos imprevistos para los cuales no hay respuestas predefinidas. La máquina inteligente puede manejar conversaciones más largas y parece ser más humana. Pero la respuesta generativa aumenta la complejidad, a menudo en gran medida.
La forma de solucionar este problema en el centro de contacto de hoy es cuando hay un caso imprevisto para el que no hay respuestas predefinidas en autoservicio, pasamos la llamada a un agente.
CONTEXTO INCORPORANTE
Para producir respuestas sensatas, los sistemas pueden necesitar incorporar tanto el contexto lingüístico como el contexto físico . En largos diálogos, las personas realizan un seguimiento de lo que se ha dicho y de la información que se ha intercambiado. Ese es un ejemplo de contexto lingüístico. El enfoque más común es integrar la conversación en un vector, pero hacerlo con conversaciones largas es un desafío. Los experimentos en la construcción de sistemas de diálogo de extremo a extremo utilizando modelos de red neuronal jerárquica generativa y atención con intención para un modelo de conversación de red neuronal van en esa dirección. También es posible que sea necesario incorporar otros tipos de datos contextuales, como la fecha / hora, la ubicación o la información sobre un usuario.
Puede ver el resto del tutorial con Code & Github aquí: Guía definitiva para aprovechar la PNL y el aprendizaje automático para su Chatbot
Para las herramientas de Chatbot, consulte : Herramientas de Chatbot
