Qu'est-ce qu'un « énoncé » en IA ? Exemples, ensembles de données et bonnes pratiques

Vous êtes-vous déjà demandé comment les chatbots et les assistants virtuels se réveillent lorsque vous dites « Dis Siri » ou « Alexa » ? C'est en raison de la collecte d'énoncés de texte ou de mots déclencheurs intégrés dans le logiciel qui active le système dès qu'il entend le mot de réveil programmé.

Cependant, le processus global de création de sons et de données d'énoncé n'est pas si simple. C'est un processus qui doit être réalisé avec la bonne technique pour obtenir les résultats souhaités. Par conséquent, ce blog partagera la voie à suivre pour créer de bons énoncés/mots déclencheurs qui fonctionnent de manière transparente avec votre IA conversationnelle.

Qu’est-ce qu’un « énoncé » en IA ?

En IA conversationnelle (chatbots, assistants vocaux), un énoncé est un court extrait de saisie utilisateur : les mots exacts prononcés ou saisis par une personne. Les modèles utilisent ces énoncés pour comprendre l'intention de l'utilisateur (objectif) et ses entités (détails tels que les dates, les noms de produits et les quantités).

Exemples simples

Bot de commerce électronique

Énonciation : «Suivre ma commande 123-456. »

• Intention : Suivi de la commande
• Entité : order_id = 123-456

Bot télécom

Énonciation : «Mettre à niveau mon forfait de données. »

• Intention : ChangePlan
• Entité : plan_type = données

Assistant vocal bancaire

Énonciation (parlée) : « WQuel est mon solde courant aujourd'hui ? »

• Intention : CheckBalance
• Entités : account_type = vérification, date = aujourd'hui

Pourquoi votre IA conversationnelle a besoin de données d'élocution de qualité

Pour que votre chatbot ou assistant vocal soit utile, et non fragile, commencez par de meilleures données d'énonciations. Les énonciations sont les phrases brutes que les utilisateurs prononcent ou tapent pour accomplir leurs tâches (« Réservez-moi une chambre pour demain », « Changer mon forfait », « Quel est le statut ? »). Elles optimisent la classification des intentions, l'extraction d'entités et, in fine, l'expérience client. Lorsque les énonciations sont diversifiées, représentatives et bien étiquetées, vos modèles apprennent à délimiter les intentions et gèrent avec assurance les entrées complexes et concrètes.

Créer votre référentiel d'énoncés : un flux de travail simple

1. Commencez par le langage réel de l'utilisateur

Mine journaux de discussion, requêtes de recherche, transcriptions IVR, notes des agentset les e-mails des clients. Regroupez-les par objectif utilisateur pour amorcer les intentions. (Vous capturerez des expressions familières et des schémas mentaux auxquels vous n'auriez pas pensé en public.)

2. Créez des variations intentionnelles

Pour chaque intention, l'auteur donne divers exemples :

• Reformulez les verbes et les noms (« annuler », « arrêter », « terminer » ; « planifier », « abonnement »).
• Mélangez les longueurs et les structures des phrases (questionnaire, directive, fragment).
• Incluez les fautes de frappe, les abréviations, les émojis (pour le chat) et les changements de code, le cas échéant.
• Ajoutez des cas négatifs qui semblent similaires mais qui devraient pas carte à cette intention.

3. Équilibrez vos cours

Une formation extrêmement déséquilibrée (par exemple, 500 exemples pour une intention et 10 pour les autres) nuit à la qualité de la prédiction. tailles d'intention relativement uniformes et faites-les grandir ensemble au fur et à mesure que le trafic vous l'apprend.

4. Valider la qualité avant la formation

Bloquez les données à faible signal avec validateurs pendant la rédaction/collecte :

• Détection de la langue : s'assurer que les exemples sont dans la langue cible.
• Détecteur de charabia : attraper les chaînes absurdes.
• Contrôles en double/quasi-double : Maintenir une grande variété.
• Regex/orthographe et grammaire : appliquer les règles de style si nécessaire.
  Les validateurs intelligents (tels qu'utilisés par Appen) peuvent automatiser une grande partie de ce contrôle.

5. Étiqueter les entités de manière cohérente

Définir les types de créneaux horaires (dates, produits, adresses) et afficher les annotateurs comment marquer les limitesDes motifs comme Modèle n'importe lequel dans LUIS, il est possible de lever l'ambiguïté des étendues longues et variables (par exemple, les noms de documents) qui perturbent les modèles.

6. Testez comme si c'était une production

Push invisible des énoncés réels à un point de terminaison de prédiction ou à un robot de préparation, examiner les erreurs de classification et promouvoir Intégrez des exemples ambigus à l'entraînement. Créez une boucle : collecter → entraîner → examiner → développer.

Ce que signifie réellement la « réalité chaotique » (et comment la gérer)

Les vrais utilisateurs s'expriment rarement avec des phrases parfaites. Attendez-vous à :

• Fragment : « remboursement des frais d'expédition »
• Objectifs composés : « Annuler la commande et commander à nouveau en bleu »
• Entités implicites : « expédier à mon bureau » (vous devez savoir dans quel bureau)
• Ambiguïté: « changer mon plan » (quel plan ? en vigueur quand ?)

Solutions pratiques

• Fournir un clarification des invites seulement quand c'est nécessaire ; évitez de trop demander.
• Capture report de contexte (des pronoms comme « cet ordre », « le dernier »).
• Utilisez le intentions de secours avec une récupération ciblée : « Je peux vous aider à annuler ou à modifier vos plans. Que souhaitez-vous ? »
• Écran tactile intention santé (confusion, collision) et ajouter des données là où elles sont faibles