Pourquoi nous nous sommes débarrassés des classificateurs d'intention

L'une des questions les plus fréquentes que nous posent les clients potentiels et les utilisateurs est la suivante : "Où sont vos classificateurs d'intention ?".

Nous n'en avons pas. Et oui, c'est fait exprès. 

Botpress utilise LLMs pour identifier l'intention de l'utilisateur. Pourquoi ? C'est beaucoup mieux pour les concepteurs et les utilisateurs d'un agent d'intelligence artificielle. 

Nous sommes très attachés à cette position, c'est pourquoi j'aimerais prendre quelques minutes pour expliquer notre absence de classificateurs d'intention. 

Il est plus facile à construire, plus précis et plus simple à maintenir. 

L'ancien temps (avantLLM)

(Si vous savez ce que sont les classificateurs d'intention et ce qu'ils font, n'hésitez pas à sauter cette section). 

Un classificateur d'intentions est un outil qui classe les entrées des utilisateurs dans des intentions prédéfinies sur la base de données d'apprentissage.

Les développeurs doivent sélectionner et étiqueter d'innombrables exemples pour chaque intention possible, en espérant que le système puisse faire correspondre les entrées de l'utilisateur à ces exemples. 

Par exemple, dans le cas d'un chatbot de commerce électronique, les développeurs peuvent définir une intention telle que "TrackOrder". Leurs exemples d'énoncés pourraient être les suivants : "Où est mon colis ?" "Suivre ma commande" et "Pouvez-vous vérifier l'état de la livraison pour moi ?".

Il s'agit essentiellement de former l'agent d'intelligence artificielle à reconnaître l'intention de l'utilisateur en lui donnant des exemples. Et oui, ils doivent tous les saisir à la main.

Heureusement, la nécessité d'effectuer cette mise en correspondance manuelle des énoncés possibles avec une intention a pratiquement disparu au fur et à mesure que LLMs devenait plus avancé.

Mais de nombreuses plateformes d'IA conversationnelle les utilisent encore. Pourquoi ? Nous y reviendrons. 

4 inconvénients des classificateurs d'intention

Ce n'est pas seulement parce que le processus est plus long - les classificateurs d'intention sont mauvais pour de nombreuses raisons. En voici quelques-unes :

1. Dépendance à l'égard des données

Les classificateurs d'intentions sont gourmands en données. Ils ont besoin d'un vaste ensemble de données représentatives d'exemples d'utilisateurs pour chaque intention afin de fonctionner avec précision. Sans cela, ils peinent à classer correctement les entrées.

Et la constitution de ces ensembles de données est une tâche ardue. Les développeurs passent des heures interminables à rassembler et à étiqueter des exemples, ce qui, sans aucun doute, n'est pas une bonne utilisation de leur temps.

2. Extensibilité limitée 

Les classificateurs d'intentions ne sont pas non plus conçus pour évoluer. L'ajout de nouvelles intentions implique de collecter davantage de données et d'entraîner à nouveau le modèle, ce qui devient rapidement un goulot d'étranglement pour le développement. Plus En outre, les classificateurs d'intentions peuvent être un casse-tête pour la maintenance, car les énoncés évoluent en même temps que l'utilisation de la langue.

3. Mauvaise compréhension de la langue 

Les classificateurs d'intention ne comprennent pas vraiment la langue. Ils se débattent avec les variations de la langue, comme par exemple :

• Synonymes
• Paraphrases
• Formulation ambiguë
• Fautes de frappe 
• Expressions familières inconnues
• Des apports fragmentés

En outre, ils traitent généralement chaque énoncé de manière isolée, ce qui signifie qu'ils n'ont pas la capacité de maintenir le contexte tout au long d'une conversation. 

4. Surajustement

Les classificateurs d'intention sont enclins à l'ajustement excessif, c'est-à-dire qu'ils mémorisent des exemples d'apprentissage au lieu d'apprendre des modèles généraux. 

Cela signifie qu'ils fonctionnent bien avec des phrases exactes qu'ils ont déjà vues, mais qu'ils ont du mal avec des entrées nouvelles ou variées. Ils sont donc beaucoup plus fragiles qu'ils ne le devraient dans le cadre d'une utilisation professionnelle.

6 raisons pour lesquelles LLMs est meilleur 

LLMs ont pratiquement résolu ces problèmes. Ils comprennent le contexte et les nuances, et les développeurs n'ont pas besoin de les remplir de données de formation pour les faire démarrer. Un agent basé sur LLM peut commencer à converser dès sa création. 

1. Capacités d'apprentissage à court terme nulles 

LLMs n'ont pas besoin d'exemples pour apprendre. Grâce à leur formation préalable approfondie, ils comprennent déjà le contexte, les nuances et l'intention, sans que les développeurs aient besoin de leur donner des exemples précis.

2. Une petite chose appelée nuance

LLMs excellent là où les classificateurs d'intention échouent. Ils peuvent interpréter facilement les expressions idiomatiques, le sarcasme et le langage ambigu. 

Leur formation approfondie sur divers ensembles de données leur permet de saisir les nuances subtiles de la communication humaine qui échappent souvent aux classificateurs d'intention.

3. Meilleur contexte

LLMs ne perdent pas le fil de la conversation. Ils se souviennent de ce qui a été dit précédemment, ce qui rend les interactions plus naturelles et plus cohérentes.

Ce contexte les aide également à lever les ambiguïtés. Même lorsque les données sont vagues ou complexes, ils peuvent les reconstituer en examinant la conversation dans son ensemble.

4. L'évolutivité

LLMs sont 100 % plus aptes à s'adapter. Ils n'ont pas besoin de se recycler pour aborder de nouveaux sujets, grâce à leur compréhension étendue de la langue. 

Ils sont donc prêts à traiter à peu près n'importe quel cas d'utilisation dès leur sortie de la boîte. Pour les systèmes multi-agents, l'utilisation d'un LLM au lieu d'un classificateur d'intention est une évidence.

5. La flexibilité

LLMs ne reposent pas sur des modèles rigides. Grâce à leur flexibilité, les réponses semblent naturelles, variées et parfaitement adaptées à la conversation. Elles constituent une expérience bien meilleure pour les utilisateurs que les classificateurs d'intention rigides.

6. Moins de données de formation

LLMs n'ont pas besoin de données étiquetées spécifiques à une tâche pour accomplir leur travail. Leur puissance provient d'un pré-entraînement massif sur des textes divers, de sorte qu'ils ne dépendent pas d'ensembles de données minutieusement annotés.

Si nécessaire, les développeurs peuvent toujours personnaliser un LLM pour leur projet. Par exemple, LLMs peut être affiné avec un minimum de données, de sorte qu'il peut rapidement s'adapter à des cas d'utilisation ou à des secteurs spécialisés.

Pourquoi d'autres entreprises utilisent-elles des classificateurs d'intention ?

Bonne question. Si LLMs est tellement plus efficace pour classer les intentions, pourquoi tant d'entreprises utilisent-elles encore des classificateurs d'intentions ? 

La réponse n'est pas belle à voir, et elle n'est pas des plus diplomatiques : il s'agit d'un problème d'héritage technologique. 

La plupart des entreprises ont tout intérêt à utiliser des classificateurs d'intentions. Elles ont construit d'énormes bases d'installation qui fonctionnent avec eux. Elles n'ont aucune raison de dissuader leurs utilisateurs d'utiliser le système qu'elles ont construit.

Mais Botpress est LLM-first

LLMs sont beaucoup plus efficaces pour identifier les intentions que les classificateurs d'intentions traditionnels. C'est pourquoi nous avons tout réécrit pour être les premiers sur LLM en 2020. 

Nous savions qu'une meilleure technologie était arrivée, et au lieu de nous accrocher à la technologie existante, nous avons investi pour faire le saut.

Allons-nous ajouter des classificateurs d'intention ?

Non. Nous nous soucions trop de l'expérience de notre site créateur et de celle de ses utilisateurs.

L'avenir de la classification des intentions

Les classificateurs d'intention sont un outil du passé. C'est pourquoi nous nous sommes lancés à corps perdu dans LLMs. 

Alors que LLMs s'améliore, les agents d'intelligence artificielle construits sur Botpress s'améliorent également. Nous sommes prêts et enthousiastes à l'idée de continuer à relever la barre de ce que l'IA conversationnelle peut faire.

Si vous cherchez à créer des agents d'intelligence artificielle flexibles basés sur LLMs, n'hésitez pas à commencer à construire sur Botpress. C'est gratuit. 

Construire des agents d'IA

Créer des agents autonomes personnalisés

Commencer maintenant

Aucune carte de crédit n'est requise