인텐트 분류기를 없앤 이유

1. 데이터 종속성

인텐트 분류기는 데이터를 많이 사용합니다. 정확하게 작동하려면 각 인텐트에 대한 방대한 양의 대표적인 사용자 예시 데이터 세트가 필요합니다. 그렇지 않으면 입력을 정확하게 분류하는 데 어려움을 겪습니다.

그리고 이러한 데이터세트를 구축하는 것은 매우 힘든 일입니다. 개발자는 예제를 수집하고 라벨을 붙이는 데 끝없이 많은 시간을 소비하는데, 이는 의심할 여지 없이 좋은 시간 활용이 아닙니다.

2. 제한된 확장성 

인텐트 분류기는 또한 확장할 수 있도록 만들어지지 않았습니다. 새로운 인텐트를 추가하려면 더 많은 데이터를 수집하고 모델을 재학습해야 하므로 개발의 병목 현상이 빠르게 발생합니다. Plus 언어 사용이 진화함에 따라 발화도 진화하기 때문에 유지 관리에 골칫거리가 될 수 있습니다.

3. 언어 이해력 부족 

인텐트 분류기는 진정한 언어 이해가 부족합니다. 다음과 같은 다양한 언어에 어려움을 겪습니다:

• 동의어
• 패러프레이즈
• 모호한 문구
• 오타 
• 익숙하지 않은 구어체 표현
• 조각난 입력

또한 일반적으로 각 발화를 개별적으로 처리하기 때문에 대화 전반에 걸쳐 문맥을 유지하는 기능이 부족합니다. 

4. 오버피팅

의도 분류기는 일반적인 패턴을 학습하는 대신 학습 예제를 암기하는 과적합이 발생하기 쉽습니다. 

즉, 이전에 본 정확한 문구에는 잘 작동하지만 새롭거나 다양한 입력에는 어려움을 겪습니다. 따라서 전문적인 사용 사례에 적합한 것보다 훨씬 더 취약합니다.

1. 제로 샷 학습 기능 

LLMs 학습을 위해 예제가 필요하지 않습니다. 광범위한 사전 교육을 통해 개발자가 구체적인 예제를 제공하지 않아도 맥락, 뉘앙스, 의도를 이미 이해하고 있습니다.

2. 뉘앙스라는 작은 것

LLMs 는 인텐트 분류기가 부족한 부분을 탁월하게 보완합니다. 관용구, 풍자, 모호한 언어도 쉽게 해석할 수 있습니다. 

다양한 데이터 세트에 대한 광범위한 훈련을 통해 의도 분류기가 종종 놓치는 인간 커뮤니케이션의 미묘한 뉘앙스를 파악할 수 있습니다.

3. 더 나은 컨텍스트

LLMs 대화를 놓치지 마세요. 이전에 말한 내용을 기억하기 때문에 대화가 자연스럽게 흐르고 일관된 느낌을 줍니다.

이러한 맥락은 모호한 부분을 정리하는 데도 도움이 됩니다. 입력 내용이 모호하거나 복잡한 경우에도 더 넓은 대화 내용을 살펴봄으로써 이를 종합적으로 파악할 수 있습니다.

4. 확장성

LLMs 는 확장성이 100% 더 뛰어납니다. 언어에 대한 폭넓은 이해 덕분에 새로운 주제를 다루기 위해 재교육을 받을 필요가 없습니다. 

따라서 거의 모든 사용 사례를 즉시 처리할 수 있습니다. 멀티 에이전트 시스템의 경우 인텐트 분류기 대신 LLM 을 사용하는 것은 당연한 일입니다.

5. 유연성

LLMs 딱딱한 템플릿에 의존하지 마세요. 유연성이 뛰어나 응답이 자연스럽고 다양하며 대화에 완벽하게 맞춰진다는 것을 의미합니다. 이는 딱딱한 의도 분류기보다 훨씬 더 나은 사용자 경험을 제공합니다.

6. 적은 훈련 데이터

LLMs 작업별 레이블이 지정된 데이터 없이도 작업을 완료할 수 있습니다. 다양한 텍스트에 대한 방대한 사전 학습을 통해 그 힘을 발휘하므로 공들여 주석이 달린 데이터 세트에 의존하지 않아도 됩니다.

필요한 경우 개발자는 언제든지 프로젝트에 맞게 LLM 을 사용자 지정할 수 있습니다. 예를 들어 LLMs 은 최소한의 데이터로 미세 조정할 수 있으므로 특수한 사용 사례나 산업에 빠르게 적응할 수 있습니다.

하지만 Botpress 는 LLM

LLMs 는 구식 인텐트 분류기보다 인텐트를 훨씬 더 잘 식별할 수 있습니다. 이것이 바로 2020년에 처음으로 LLM 로 처음부터 다시 작성한 이유입니다. 

우리는 더 나은 기술이 등장했음을 알고 레거시 기술에 집착하는 대신 도약을 위해 투자했습니다.