لماذا تخلصنا من مصنفات النوايا

أحد الأسئلة الأكثر شيوعًا التي نتلقاها من العملاء والمستخدمين المحتملين هو "أين مصنفات النوايا الخاصة بكم؟

ليس لدينا أي منها. ونعم، عن قصد. 

Botpress يستخدم LLMs لتحديد نية المستخدم. لماذا؟ لأنه أفضل بكثير لكل من بناة ومستخدمي وكيل الذكاء الاصطناعي. 

نحن نشعر بقوة حول هذا الموقف، لذا أود أن أستغرق بضع دقائق لتوضيح عدم وجود مصنفات النية لدينا. 

خلاصة القول؛ إنه أسهل في البناء، وأكثر دقة، وأسهل في الصيانة. 

الأيام الخوالي (قبلLLM)

(إذا كنت على دراية بماهية مصنفات النوايا وما تقوم به، فلا تتردد في تخطي هذا القسم). 

مصنف النوايا هو أداة تصنف مدخلات المستخدم إلى نوايا محددة مسبقًا بناءً على بيانات التدريب.

يتعين على المطورين تنظيم وتسمية عدد لا يحصى من الأمثلة لكل غرض محتمل، على أمل أن يتمكن النظام من مطابقة مدخلات المستخدم مع هذه الأمثلة. 

على سبيل المثال، مع التجارة الإلكترونية chatbot ، قد يقوم المطورون بتعريف القصد مثل "TrackOrder". قد تتضمن الأمثلة على ذلك ما يلي: "أين الطرد الخاص بي؟ "تتبع طلبي"، و"هل يمكنك التحقق من حالة التسليم من أجلي؟

إنهم يقومون بشكل أساسي بتدريب وكيل الذكاء الاصطناعي على التعرف على نية المستخدم من خلال إعطاء أمثلة. ونعم، عليهم إدخال كل ذلك يدوياً.

لحسن الحظ، اختفت الحاجة إلى القيام بهذا التعيين اليدوي للألفاظ المحتملة إلى نية ما مع تطور LLMs .

لكن الكثير من من منصات الذكاء الاصطناعي التخاطبية لا تزال تستخدمها. لماذا؟ سنتطرق إلى ذلك. 

4 عيوب مصنفات النوايا

لا يقتصر الأمر على أنها عملية أطول - فمصنفات النوايا سيئة لأسباب كثيرة. إليك بعضها:

1. تبعية البيانات

مصنفات النوايا متعطشة للبيانات. فهي تحتاج إلى مجموعة بيانات ضخمة وتمثيلية من أمثلة المستخدمين لكل نية للعمل بدقة. بدونها، فإنها تكافح لتصنيف المدخلات بشكل صحيح.

وبناء مجموعات البيانات هذه أمر شاق. يقضي المطورون ساعات لا نهاية لها في جمع الأمثلة وتصنيفها، وهو - بلا شك - ليس استخدامًا جيدًا لوقتهم.

2. قابلية التوسع المحدودة 

كما أن مصنفات المقاصد ليست مصممة لتوسيع نطاقها. فإضافة مقاصد جديدة يعني جمع المزيد من البيانات وإعادة تدريب النموذج، الأمر الذي سرعان ما يصبح عنق الزجاجة للتطوير. Plus كما أنها يمكن أن تكون مشكلة في الصيانة - لأنه مع تطور استخدام اللغة، تتطور الألفاظ أيضًا.

3. ضعف الفهم اللغوي 

تفتقر مصنفات المقاصد إلى الفهم الحقيقي للغة. فهم يعانون من الاختلافات في اللغة، مثل:

• المترادفات
• إعادة الصياغة
• صياغة غامضة
• الأخطاء المطبعية 
• التعبيرات العامية غير المألوفة
• المدخلات المجزأة

كما أنهم عادةً ما يعالجون كل كلمة بمعزل عن الأخرى، مما يعني أنهم يفتقرون إلى القدرة على الحفاظ على السياق خلال المحادثة. 

4. الإفراط في التركيب

تكون مصنفات المقاصد عرضة للإفراط في التركيب، حيث تقوم بحفظ أمثلة التدريب بدلاً من تعلم الأنماط العامة. 

وهذا يعني أنها تعمل بشكل جيد على العبارات الدقيقة التي رأوها، ولكنها تعاني مع المدخلات الجديدة أو المتنوعة. وهذا يجعلها أكثر هشاشة مما هو مناسب لحالة استخدام احترافية.

6 أسباب تجعل LLMs أفضل 

LLMs حل جميع هذه المشكلات. فهي تفهم السياق والفوارق الدقيقة، ولا يحتاج المطورون إلى ملئها ببيانات التدريب لبدء تشغيلها. يمكن للوكيل المستند إلى LLM أن يبدأ المحادثة من لحظة إنشائه. 

1. قدرات التعلم القصيرة الصفرية 

LLMs لا يحتاجون إلى أمثلة للتعلم. إن تدريبهم المسبق المكثف يعني أنهم يفهمون بالفعل السياق والفوارق الدقيقة والقصد دون الحاجة إلى المطورين لتزويدهم بأمثلة محددة.

2. شيء صغير يسمى الفارق البسيط

LLMs التفوق حيث تقصر مصنفات المقاصد. حيث يمكنهم تفسير التعابير الاصطلاحية والسخرية واللغة الغامضة بسهولة. 

ويمنحهم تدريبهم المكثف على مجموعات بيانات متنوعة القدرة على فهم الفروق الدقيقة في التواصل البشري التي غالبًا ما تفوتها مصنفات النوايا.

3. سياق أفضل

LLMs لا تفقد مسار المحادثة. فهم يتذكرون ما قيل سابقًا، مما يجعل التفاعلات تتدفق بشكل طبيعي وتشعر بأنها أكثر تماسكًا.

يساعدهم هذا السياق أيضًا في توضيح أوجه الغموض. فحتى عندما تكون المدخلات غامضة أو معقدة، يمكنهم تجميعها من خلال النظر إلى المحادثة الأوسع نطاقاً.

4. قابلية التوسع

LLMs أفضل بنسبة 100% في التوسع. فهم لا يحتاجون إلى إعادة التدريب لتناول موضوعات جديدة، وذلك بفضل فهمهم الواسع للغة. 

وهذا يجعلها جاهزة للتعامل مع أي حالة استخدام تقريبًا خارج الصندوق مباشرةً. بالنسبة للأنظمة متعددة العوامل، من غير المنطقي استخدام LLM بدلاً من مصنف النوايا.

5. المرونة

LLMs لا تعتمد على قوالب جامدة. فمرونتها تعني أن الردود تبدو طبيعية ومتنوعة ومصممة بشكل مثالي للمحادثة. إنها تجربة أفضل بكثير للمستخدمين من مصنفات النوايا الهشة.

6. بيانات تدريب أقل

LLMs لا تحتاج إلى بيانات موسومة خاصة بالمهام لإنجاز المهمة. تأتي قوتها من التدريب المسبق الضخم على نصوص متنوعة، لذا فهي لا تعتمد على مجموعات البيانات المشروحة بشق الأنفس.

إذا لزم الأمر، يمكن للمطورين دائمًا تخصيص LLM لمشروعهم. على سبيل المثال، يمكن ضبط LLMs بالحد الأدنى من البيانات، بحيث يمكن أن تتكيف بسرعة مع حالات الاستخدام أو الصناعات المتخصصة.

لماذا تستخدم الشركات الأخرى مصنفات النوايا؟

سؤال جيد. إذا كان LLMs أفضل بكثير في تصنيف النوايا، فلماذا لا تزال العديد من الشركات تستخدم مصنفات النوايا؟ 

الإجابة ليست جميلة، وليست الإجابة الأكثر دبلوماسية: إنها مشكلة تقنية قديمة. 

معظم الشركات لديها مصلحة راسخة في استخدام مصنفات النوايا. لقد قاموا ببناء قواعد تثبيت ضخمة تعمل عليها. ليس لديهم سبب لإثناء مستخدميهم عن النظام الذي قاموا ببنائه.

ولكن Botpress هو LLM-أولاً

LLMs أفضل بكثير في تحديد النوايا من مصنفات النوايا القديمة. لهذا السبب أعدنا كتابتها من الصفر لتكون LLM- أولاً في عام 2020. 

كنا نعلم أن التكنولوجيا الأفضل قد وصلت، وبدلاً من التشبث بالتكنولوجيا القديمة، استثمرنا في تحقيق قفزة نوعية.

هل سنضيف مصنفات النوايا؟

لا، نحن نهتم كثيراً بتجربة الباني وتجربة المستخدمين.

مستقبل تصنيف النوايا

مصنفات النوايا هي أداة من أدوات الماضي. لهذا السبب ذهبنا إلى LLMs. 

مع استمرار تحسُّن LLMs ، سيستمر وكلاء الذكاء الاصطناعي المبني على Botpress. نحن مستعدون ومتحمسون لمواصلة رفع مستوى ما يمكن للذكاء الاصطناعي التخاطبي القيام به.

إذا كنت تبحث عن بناء وكلاء ذكاء اصطناعي مرن مدعوم من LLMs ، فلا تتردد في البدء في البناء على Botpress. إنه مجاني. 

بناء وكلاء الذكاء الاصطناعي

إنشاء وكلاء مخصصين مستقلين

ابدأ الآن

بطاقة الائتمان غير مطلوبة