เหตุใดเราจึงกำจัดตัวจำแนกเจตนา

1. การพึ่งพาข้อมูล

ตัวจำแนกประเภทความตั้งใจนั้นต้องการข้อมูลมาก พวกมันต้องการชุดข้อมูลตัวอย่างผู้ใช้จำนวนมากที่เป็นตัวแทนเพื่อให้แต่ละความตั้งใจทำงานได้อย่างแม่นยำ หากไม่มีสิ่งนี้ พวกมันก็จะประสบปัญหาในการจัดประเภทอินพุตอย่างถูกต้อง

การสร้างชุดข้อมูลเหล่านี้เป็นเรื่องยุ่งยาก นักพัฒนาต้องใช้เวลาหลายชั่วโมงในการรวบรวมและติดป้ายกำกับตัวอย่าง ซึ่งแน่นอนว่าไม่ใช่การใช้เวลาอย่างคุ้มค่า

2. ความสามารถในการปรับขนาดที่จำกัด 

ตัวจำแนกประเภทความตั้งใจไม่ได้ถูกสร้างมาเพื่อปรับขนาด การเพิ่มความตั้งใจใหม่หมายถึงการรวบรวมข้อมูลเพิ่มเติมและฝึกอบรมโมเดลใหม่ ซึ่งจะกลายเป็นคอขวดสำหรับการพัฒนาอย่างรวดเร็ว Plus สิ่งเหล่านี้อาจทำให้คุณปวดหัวกับการบำรุงรักษาได้ เนื่องจากเมื่อการใช้ภาษาเปลี่ยนแปลงไป คำพูดก็เปลี่ยนแปลงตามไปด้วย

3. ไม่เข้าใจภาษา 

ตัวจำแนกประเภทเจตนาขาดความเข้าใจภาษาที่แท้จริง พวกมันมีปัญหาในการเปลี่ยนแปลงภาษา เช่น:

• คำพ้องความหมาย
• การพาราเฟรส
• การใช้คำที่คลุมเครือ
• การพิมพ์ผิด 
• สำนวนภาษาพูดที่ไม่คุ้นเคย
• อินพุตที่กระจัดกระจาย

โดยทั่วไปแล้ว พวกเขายังประมวลผลคำพูดแต่ละคำอย่างแยกส่วน ซึ่งหมายความว่า พวกเขาขาดความสามารถในการรักษาบริบทตลอดการสนทนา 

4. การติดตั้งมากเกินไป

ตัวจำแนกเจตนาจะมีแนวโน้มที่จะโอเวอร์ฟิตติ้ง โดยจะจดจำตัวอย่างการฝึกอบรมแทนที่จะเรียนรู้รูปแบบทั่วไป 

นั่นหมายความว่าพวกมันทำงานได้ดีกับวลีที่ตรงกันเป๊ะกับที่เคยเห็น แต่มีปัญหาในการรับข้อมูลใหม่หรือข้อมูลที่หลากหลาย ซึ่งทำให้พวกมันเปราะบางเกินกว่าจะเหมาะสำหรับกรณีการใช้งานระดับมืออาชีพ

1. ความสามารถในการเรียนรู้แบบ Zero-Shot 

LLMs ไม่จำเป็นต้องมีตัวอย่างเพื่อเรียนรู้ การฝึกอบรมเบื้องต้นที่ครอบคลุมทำให้พวกเขาเข้าใจบริบท ความแตกต่าง และเจตนาแล้วโดยไม่ต้องให้ผู้พัฒนาป้อนตัวอย่างเฉพาะเจาะจงให้พวกเขา

2. สิ่งเล็กๆ ที่เรียกว่า nuance

LLMs โดดเด่นตรงที่ตัวจำแนกเจตนามีข้อบกพร่อง พวกเขาสามารถตีความสำนวน ถ้อยคำเสียดสี และภาษาที่คลุมเครือได้อย่างง่ายดาย 

การฝึกอบรมอย่างครอบคลุมเกี่ยวกับชุดข้อมูลที่หลากหลายทำให้พวกเขามีความสามารถในการเข้าใจความแตกต่างที่ละเอียดอ่อนของการสื่อสารของมนุษย์ที่ผู้จำแนกเจตนามักมองข้าม

3. บริบทที่ดีขึ้น

LLMs อย่าหลงประเด็นการสนทนา พวกเขาจำสิ่งที่พูดไปก่อนหน้านี้ได้ ซึ่งทำให้การโต้ตอบดำเนินไปอย่างเป็นธรรมชาติและรู้สึกสอดคล้องกันมากขึ้น

บริบทนี้ยังช่วยให้พวกเขาชี้แจงความคลุมเครือได้ แม้ว่าข้อมูลที่ป้อนจะคลุมเครือหรือซับซ้อน พวกเขาสามารถรวบรวมเข้าด้วยกันได้โดยพิจารณาจากบทสนทนาที่กว้างขึ้น

4. ความสามารถในการปรับขนาด

LLMs ดีขึ้น 100% ในการปรับขยาย พวกเขาไม่จำเป็นต้องฝึกอบรมใหม่เพื่อเรียนรู้หัวข้อใหม่ ขอบคุณความเข้าใจภาษาที่กว้างขวางของพวกเขา 

ซึ่งทำให้พร้อมรับมือกับกรณีการใช้งานเกือบทุกกรณีได้ทันที สำหรับ ระบบหลายเอเจนต์ การ ใช้ LLM แทนการใช้ตัวจำแนกเจตนา

5. ความยืดหยุ่น

LLMs อย่าพึ่งพาเทมเพลตที่ยืดหยุ่น ความยืดหยุ่นของเทมเพลตทำให้การตอบกลับดูเป็นธรรมชาติ หลากหลาย และเหมาะกับการสนทนาอย่างสมบูรณ์แบบ เทมเพลตเหล่านี้มอบประสบการณ์ที่ดีกว่ามากสำหรับผู้ใช้เมื่อเทียบกับตัวจำแนกเจตนาที่เปราะบาง

6. ข้อมูลการฝึกอบรมน้อยลง

LLMs ไม่จำเป็นต้องมีข้อมูลที่มีป้ายกำกับเฉพาะงานเพื่อให้ทำงานสำเร็จ พลังของข้อมูลเหล่านี้มาจากการฝึกอบรมล่วงหน้าจำนวนมากสำหรับข้อความที่หลากหลาย ดังนั้นจึงไม่ต้องพึ่งพาชุดข้อมูลที่มีคำอธิบายประกอบอย่างละเอียดถี่ถ้วน

หากจำเป็น นักพัฒนาสามารถ ปรับแต่ง LLM ให้กับโครงการของตนได้เสมอ ตัวอย่างเช่น LLMs สามารถปรับแต่งได้โดยใช้ข้อมูลขั้นต่ำ จึงสามารถปรับให้เข้ากับกรณีการใช้งานเฉพาะทางหรืออุตสาหกรรมต่างๆ ได้อย่างรวดเร็ว

แต่ Botpress เป็น LLM -อันดับแรก

LLMs ดีกว่าตัวจำแนกประเภทเจตนาแบบเก่ามากในการระบุเจตนา นั่นเป็นเหตุผลว่าทำไมเราจึงเขียนใหม่ตั้งแต่ต้น LLM -ครั้งแรกในปี 2020 

เรารู้ว่ามีเทคโนโลยีที่ดีกว่ามาถึงแล้ว และแทนที่จะยึดติดกับเทคโนโลยีแบบเดิม เราได้ลงทุนกับการก้าวกระโดดนั้น