Esto se traduce en menos turnos de diálogo y un chatbot más eficiente.

Roles de entidad de Rasa

El punto de partida de las entidades es que puedes agregar etiquetas a las palabras. Por lo tanto, puedes definir conceptos en tus datos.

En el siguiente ejemplo, tienes diferentes tipos de ciudades definidos con otras entidades.

## intent:travel_details- I want to travel by [train](travel_mode) from [Berlin](from_city) to [Stuttgart](to_city) on [Friday](date_time)

Esto no es elegante, ya que es necesario crear varias entidades que tendrán un mismo valor, el de ciudad. Y en este ejemplo, la ciudad tiene dos roles, la ciudad de salida y la ciudad de llegada. Con Rasa, puedes definir estas entidades con roles específicos en el archivo nlu.md de su proyecto.

## intent:travel_details- I want to travel by [train](travel_mode) from [Berlin]{"entity": "city", "role": "depart"} to [Stuttgart]{"entity": "city", "role": "arrive"} on [Friday](date_time)

La salida se ve así:

I want to travel by train from Berlin to Stuttgart on next week Wednesday.  {   "intent": {   "name": "travel_details",   "confidence": 0.9981381893157959   },   "entities": [   {   "entity": "travel_mode",   "start": 20,   "end": 25,   "value": "train",   "extractor": "DIETClassifier"   },   {   "entity": "city",   "start": 31,   "end": 37,  "role": "depart",   "value": "Berlin",   "extractor": "DIETClassifier"   },   {  "entity": "city",   "start": 41,   "end": 49,  "role": "arrive",   "value": "Stuttgart",   "extractor": "DIETClassifier"   }   ],   "intent_ranking": [   {   "name": "travel_details",   "confidence": 0.9981381893157959   },

Grupos de entidades de Rasa

Esta función permite que las entidades se agrupen con una etiqueta de grupo específica. La mejor manera de explicar esto es con un ejemplo…

Nuevamente, definido en tu archivo /data/nlu.md :

## intent:teams- The first team will be [John]{"entity": "teamMember", "group": "1"}, [Mary]{"entity": "teamMember", "group": "1"} and [Geoff]{"entity": "teamMember", "group": "1"} and the second groupto travel will be [Martha]{"entity": "teamMember", "group": "2"}, [Adam]{"entity": "teamMember", "group": "2"} and [Frank]{"entity": "teamMember", "group": "2"}.

Y la salida de Rasa NLU:

The first team will be John, Mary and Geoff and the second group to travel will be Martha, Adam and Frank.  {   "intent": {   "name": "teams",   "confidence": 0.9999754428863525   },   "entities": [   {   "entity": "teamMember",   "start": 23,   "end": 33,   "group": "1",   "value": "John, Mary",   "extractor": "DIETClassifier"   },   {   "entity": "teamMember",   "start": 38,   "end": 43,  "group": "1",   "value": "Geoff",   "extractor": "DIETClassifier"   },   {   "entity": "teamMember",   "start": 83,   "end": 95,   "group": "2",   "value": "Martha, Adam",   "extractor": "DIETClassifier"   },   {   "entity": "teamMember",   "start": 100,   "end": 105,   "group": "2",   "value": "Frank",   "extractor": "DIETClassifier"   }

Cabe señalar… En general, se están introduciendo estructuras de datos en las Entidade . Las entidades pueden tener subentidades y sub-subentidades y se pueden descomponer. Esta tendencia es visible en Rasa, la herramienta de conversaciones de Alexa y Microsoft LUIS. Rasa lo llama Entidades, Roles y Grupos. AWS lo llama Slots with Properties. Y Microsoft LUIS, entidades que se pueden descomponer.

4: Desaprovechamiento de la máquina de estados

Hay dos áreas en las que los chatbots tendrán que avanzar significativamente para ser realmente conversacionales y manejar conversaciones no estructuradas de varios turnos. La única área son entidades complejas y compuestas.

El segundo, pero más importante, es la state machine, el flujo de diálogo o también denominado sistema de gestión de diálogo. Este es el árbol de nodos con bloques de decisión en cada nodo que decide dónde debe ir la conversación en función de un conjunto de condiciones.

Este es el talón de Aquiles de las plataformas de chatbot. Es el único elemento que obliga al chatbot a ser flexible y resistente. Mientras que otros proveedores de plataformas intentan optimizar la gestión del estado del diálogo, Rasa está haciendo lo contrario. Lo están despreciando.

No puedes escribir reglas para cada ruta de diálogo posible. La yuxtaposición es evidente; queremos presentar la IA conversacional, pero con un gran conjunto de reglas para administrar nuestro árbol conversacional.

Rasa utiliza el aprendizaje automático para aprender patrones de conversación y predecir la respuesta; basado en el contexto, etc. Los datos de entrenamiento se presentan en forma de ejemplos de conversaciones definidas en un formato simple.

5: Lenguaje agnóstico

Los grandes proveedores de chatbots en la nube prevén un conjunto de idiomas. Estos idiomas se eligen en función de lo que tenga sentido comercial. Un dialecto no tiene posibilidades de ser implementado. Y para una gran parte del mercado, esto es un requisito.

Ejemplo de una canalización Rasa para cualquier idioma que no sea inglés:

language: "xx" # your two-letter language codepipeline:  - name: WhitespaceTokenizer  - name: RegexFeaturizer  - name: LexicalSyntacticFeaturizer  - name: CountVectorsFeaturizer  - name: CountVectorsFeaturizer   analyzer: "char_wb"   min_ngram: 1   max_ngram: 4  - name: DIETClassifier   epochs: 100  - name: EntitySynonymMapper  - name: ResponseSelector  epochs: 100

Otras vías de aprendizaje automático exigen conocimientos especializados, hardware o son difíciles de empaquetar o producir.

Con Rasa puedes entrenar a tu chatbot en cualquier idioma que elijas. O puede optar por utilizar las incrustaciones de BytePair con acceso a 275 idiomas.

Choosing a Pipeline