為什麼我們擺脫了意圖分類器

1.資料依賴性

意向分類器需要大量資料。它們需要一個龐大且具代表性的使用者範例資料集，才能讓每個意圖準確運作。沒有這些資料集，它們就很難正確地對輸入進行分類。

而建立這些資料集是一件苦差事。開發人員要花費無數的時間來收集和標示範例，毫無疑問，這並不是善用時間的好方法。

2.有限的擴充性 

意圖分類器也無法擴充。增加新的意圖意味著要收集更多的資料，並重新訓練模型，這很快就會成為開發的瓶頸。Plus，它們也是令人頭痛的維護問題 - 因為隨著語言使用的演進，語句也在演變。

3.語言理解能力差 

意圖分類器缺乏真正的語言理解能力。他們對語言的變化感到吃力，例如：

• 同義詞
• 意譯
• 措辭含糊不清
• 錯字 
• 不熟悉的口語表達
• 零散的輸入

他們通常也會孤立地處理每個語句，這表示他們缺乏在整個對話過程中維持上下文的能力。 

4.過度擬合

意圖分類器很容易過度擬合，即記憶訓練範例而非學習一般模式。 

這表示它們對於已見過的精確詞組執行得很好，但對於新的或多變的輸入則很吃力。這使得它們比專業用例更脆弱。

1.零點學習能力 

LLMs 不需要範例來學習。廣泛的預先訓練意味著他們已經了解上下文、細微差別和意圖，而不需要開發人員提供具體的範例。

2.稱為細微差別的小東西

LLMs 擅長於意圖分類器不足之處。他們可以輕鬆詮釋成語、諷刺和模稜兩可的語言。 

他們在不同資料集上所接受的廣泛訓練，讓他們有能力掌握人類溝通中的細微差異，而這些細微差異是意圖分類器經常忽略的。

3.更好的背景

LLMs 不會忘記對話內容。他們會記得之前說過的話，這讓互動自然流暢，感覺更有連貫性。

這種上下文也可以幫助他們釐清含糊不清的地方。即使輸入的訊息含糊不清或複雜，他們也可以從更廣泛的對話中拼湊出來。

4. 可擴展性

LLMs 擴展能力是 100% 的優秀。由於他們對語言的廣泛理解，他們不需要重新訓練就能接手新主題。 

這使得它們開箱即可處理任何用例。對於多機器人系統，使用LLM 而非意向分類器是最簡單不過的方法。

5.彈性

LLMs 不會依賴僵化的範本。它們的彈性意味著回應感覺自然、多樣化，而且完全是針對會談量身打造的。對使用者來說，它們比脆弱的意圖分類器有更好的體驗。

6.訓練資料較少

LLMs 不需要特定任務的標記資料就能完成工作。它們的威力來自於對多樣化文字的大量預訓，因此它們不需要依賴艱苦的注釋資料集。

如果需要，開發人員總是可以針對他們的專案自訂LLM。例如，LLMs 可以使用最少的資料進行微調，因此可以快速適應專門的使用個案或產業。

但Botpress 以LLM

LLMs 在識別意圖方面的能力遠勝於舊式的意圖分類器。這就是我們在 2020 年從頭寫起，以LLM 為LLM原因。 

我們知道更好的技術已經來臨，因此我們不再固守傳統技術，而是投資於躍進。