Potansiyel müşterilerimizden ve kullanıcılarımızdan en sık aldığımız sorulardan biri "Amaç sınıflandırıcılarınız nerede?" sorusudur.
Bizde hiç yok. Ve evet, bilerek yapıyorum.
Botpress , kullanıcı niyetini belirlemek için LLMs 'leri kullanır. Neden mi? Bir sohbet robotu veya yapay zeka aracısı oluşturuyorsanız, bu hem oluşturucular hem de kullanıcılar için çok daha iyidir.
Bu duruşumuz konusunda kendimizi güçlü hissediyoruz, bu nedenle niyet sınıflandırıcıları konusundaki eksikliğimizi açıklamak için birkaç dakikanızı ayırmak istiyorum.
TLDR; Oluşturması daha kolay, daha doğru ve bakımı daha basittir.
Eski (LLM öncesi) Günler
(Amaç sınıflandırıcıların ne olduğunu ve ne işe yaradığını biliyorsanız bu bölümü atlayabilirsiniz).
Amaç sınıflandırıcı, kullanıcı girdilerini eğitim verilerine dayalı olarak önceden tanımlanmış amaçlar halinde kategorize eden bir araçtır.
Geliştiriciler, sistemin kullanıcı girdilerini bu örneklerle eşleştirebilmesini umarak, her olası amaç için sayısız örneği seçip etiketlemek zorundadır.
Örneğin, bir e-ticaret sohbet robotunda, geliştiriciler "Siparişi Takip Et" gibi bir amaç tanımlayabilirler. Örnek ifadeleri şunları içerebilir: "Paketim nerede?" "Siparişimi takip et" ve "Benim için teslimat durumunu kontrol edebilir misin?"
Esasen yapay zeka ajanını örnekler vererek kullanıcının niyetini tanıması için eğitiyorlar. Ve evet, bunların hepsini elle girmek zorundalar.
Neyse ki, LLMs daha gelişmiş hale geldikçe, olası ifadelerin bir niyetle bu manuel eşleştirmesini yapma ihtiyacı neredeyse ortadan kalktı.
Ancak pek çok diyalogsal yapay zeka platformu hala bunları kullanıyor. Neden kullanıyorlar? Bu konuya geleceğiz.
4 Niyet Sınıflandırıcılarının Dezavantajları
Sadece daha uzun bir süreç olması değil, niyet sınıflandırıcıları birçok nedenden dolayı berbattır. İşte bunlardan birkaçı:
1. Veri bağımlılığı
Niyet sınıflandırıcıları veriye açtır. Her bir amacın doğru bir şekilde çalışması için kullanıcı örneklerinden oluşan büyük ve temsili bir veri kümesine ihtiyaç duyarlar. Bu olmadan, girdileri doğru şekilde sınıflandırmakta zorlanırlar.
Ve bu veri kümelerini oluşturmak zorlu bir iştir. Geliştiriciler örnekleri toplamak ve etiketlemek için sonsuz saatler harcıyor, bu da şüphesiz zamanlarını iyi bir şekilde kullanmıyor.
2. Sınırlı ölçeklenebilirlik
Niyet sınıflandırıcıları da ölçeklendirilmek üzere tasarlanmamıştır. Yeni niyetler eklemek, daha fazla veri toplamak ve modeli yeniden eğitmek anlamına gelir, bu da geliştirme için hızla bir darboğaz haline gelir. Plus Ayrıca, dil kullanımı geliştikçe ifadeler de geliştiği için bakım açısından da baş ağrıtıcı olabilirler.
3. Zayıf dil anlayışı
Niyet sınıflandırıcıları gerçek dil anlayışından yoksundur. Dildeki varyasyonlarla mücadele ederler, örneğin:
- Eşanlamlılar
- Paraphrases
- Belirsiz ifadeler
- Yazım Hataları
- Tanıdık olmayan günlük ifadeler
- Parçalanmış girdiler
Ayrıca tipik olarak her bir ifadeyi izole bir şekilde işlerler, bu da bir konuşma boyunca bağlamı koruma becerisinden yoksun oldukları anlamına gelir.
4. Aşırı Uyum
Niyet sınıflandırıcıları, genel kalıpları öğrenmek yerine eğitim örneklerini ezberledikleri aşırı uyuma eğilimlidir.
Bu, gördükleri tam ifadelerde iyi performans gösterdikleri, ancak yeni veya çeşitli girdilerle mücadele ettikleri anlamına gelir. Bu da onları profesyonel bir kullanım durumu için uygun olandan çok daha kırılgan hale getirir.
LLMs Daha İyi Olmasının 6 Nedeni
LLMs bu sorunları neredeyse tamamen çözdü. Bağlamı ve nüansı anlıyorlar ve geliştiricilerin onları başlatmak için eğitim verileriyle doldurmaları gerekmiyor. LLM tabanlı bir ajan oluşturulduğu andan itibaren konuşmaya başlayabilir.
1. Sıfır atış öğrenme yetenekleri
LLMs öğrenmek için örneklere ihtiyaç duymazlar. Kapsamlı ön eğitimleri, geliştiricilerin onlara belirli örnekler vermesine gerek kalmadan bağlamı, nüansı ve amacı zaten anladıkları anlamına gelir.
2. Nüans denilen küçük bir şey
LLMs Niyet sınıflandırıcılarının yetersiz kaldığı yerlerde üstünlük sağlar. Deyimleri, iğnelemeleri ve muğlak dili kolaylıkla yorumlayabilirler.
Çeşitli veri kümeleri üzerindeki kapsamlı eğitimleri, onlara insan iletişiminin niyet sınıflandırıcılarının genellikle gözden kaçırdığı ince nüanslarını kavrama yeteneği verir.
3. Daha iyi bağlam
LLMs konuşmanın izini kaybetmezler. Daha önce söylenenleri hatırlarlar, bu da etkileşimlerin doğal bir şekilde akmasını ve daha tutarlı hissetmelerini sağlar.
Bu bağlam aynı zamanda belirsizlikleri gidermelerine de yardımcı olur. Girdi belirsiz veya karmaşık olsa bile, daha geniş konuşmaya bakarak onu bir araya getirebilirler.
4. Ölçeklenebilirlik
LLMs ölçeklendirmede %100 daha iyidir. Geniş dil anlayışları sayesinde yeni konuları ele almak için yeniden eğitime ihtiyaç duymazlar.
Bu, onları kutudan çıkar çıkmaz hemen hemen her kullanım durumunu ele almaya hazır hale getirir. Çok etmenli sistemler için amaç sınıflandırıcı yerine LLM kullanmak hiç de zor değildir.
5. Esneklik
LLMs katı şablonlara dayanmaz. Esneklikleri, yanıtların doğal, çeşitli ve konuşmaya mükemmel şekilde uyarlanmış hissettirdiği anlamına gelir. Kullanıcılar için kırılgan niyet sınıflandırıcılarından çok daha iyi bir deneyim sunuyorlar.
6. Daha az eğitim verisi
LLMs işi yapmak için göreve özel etiketlenmiş verilere ihtiyaç duymaz. Güçleri, çeşitli metinler üzerinde büyük çaplı ön eğitimden gelir, bu nedenle özenle açıklanmış veri kümelerine bağımlı değildirler.
Gerekirse, geliştiriciler her zaman projeleri için bir LLM adresini özelleştirebilirler. Örneğin, LLMs minimum veri ile ince ayar yapılabilir, böylece özel kullanım durumlarına veya sektörlere hızla adapte olabilirler.
Diğer şirketler neden niyet sınıflandırıcıları kullanıyor?
Güzel bir soru. Eğer LLMs niyetleri sınıflandırmada çok daha iyiyse, o zaman neden bu kadar çok şirket hala niyet sınıflandırıcıları kullanıyor?
Cevap pek hoş değil ve söylenmesi de pek diplomatik değil: bu bir eski teknoloji sorunu.
Çoğu şirketin amaç sınıflandırıcıları kullanma konusunda çıkarları vardır. Bu sistemle çalışan büyük bir kurulum tabanı oluşturmuşlardır. Kullanıcılarını kendi kurdukları sistemden vazgeçirmek için hiçbir sebepleri yok.
Ama Botpress LLM -önce
LLMs eski moda niyet sınıflandırıcılara göre niyetleri belirlemede çok daha iyidir. Bu nedenle 2020'de ilk olarak LLM olacak şekilde sıfırdan yeniden yazdık.
Daha iyi teknolojinin geldiğini biliyorduk ve eski teknolojiye bağlı kalmak yerine sıçrama yapmak için yatırım yaptık.
Amaç sınıflandırıcıları ekleyecek miyiz?
Hayır. İnşaatçılarımızın ve onların kullanıcılarının deneyimini çok fazla önemsiyoruz.
Niyet sınıflandırmasının geleceği
Niyet sınıflandırıcıları geçmişin bir aracıdır. Bu yüzden LLMs adresine girdik.
LLMs daha iyi olmaya devam ettikçe, Botpress üzerine kurulu yapay zeka aracıları da daha iyi olacak. Diyaloğa dayalı yapay zekanın yapabilecekleri konusunda çıtayı yükseltmeye devam etmek için hazır ve heyecanlıyız.
LLMs tarafından desteklenen esnek yapay zeka aracıları oluşturmak istiyorsanız, Botpress adresinde oluşturmaya başlamaktan çekinmeyin. Ücretsizdir.
.png)
