Tại sao chúng tôi loại bỏ các bộ phân loại ý định

1. Sự phụ thuộc dữ liệu

Các bộ phân loại ý định rất cần dữ liệu. Chúng cần một tập dữ liệu lớn, đại diện cho các ví dụ người dùng cho mỗi ý định để hoạt động chính xác. Nếu không có nó, chúng sẽ gặp khó khăn trong việc phân loại đầu vào chính xác.

Và việc xây dựng các tập dữ liệu này là một công việc khó khăn. Các nhà phát triển dành vô số thời gian để thu thập và dán nhãn các ví dụ, điều này – chắc chắn – không phải là cách sử dụng thời gian hiệu quả.

2. Khả năng mở rộng hạn chế 

Bộ phân loại ý định cũng không được xây dựng để mở rộng quy mô. Việc thêm ý định mới có nghĩa là thu thập thêm dữ liệu và đào tạo lại mô hình, điều này nhanh chóng trở thành nút thắt cổ chai cho quá trình phát triển. Plus , chúng có thể là vấn đề đau đầu khi bảo trì – vì khi cách sử dụng ngôn ngữ phát triển, các phát ngôn cũng phát triển theo.

3. Hiểu ngôn ngữ kém 

Các bộ phân loại ý định thiếu sự hiểu biết ngôn ngữ thực sự. Chúng gặp khó khăn với các biến thể trong ngôn ngữ, như:

• Từ đồng nghĩa
• Diễn giải
• Câu văn mơ hồ
• Lỗi đánh máy 
• Những cách diễn đạt thông tục không quen thuộc
• Đầu vào bị phân mảnh

Họ cũng thường xử lý từng lời nói một cách riêng lẻ, nghĩa là họ không có khả năng duy trì ngữ cảnh trong suốt cuộc trò chuyện. 

4. Quá phù hợp

Bộ phân loại ý định có xu hướng quá khớp, khi đó chúng ghi nhớ các ví dụ đào tạo thay vì học các mẫu chung. 

Điều đó có nghĩa là chúng hoạt động tốt với các cụm từ chính xác mà chúng đã thấy nhưng lại gặp khó khăn với các đầu vào mới hoặc đa dạng. Điều này khiến chúng dễ vỡ hơn nhiều so với trường hợp sử dụng chuyên nghiệp.

1. Khả năng học tập không cần bắn 

LLMs không cần ví dụ để học. Việc đào tạo trước mở rộng của họ có nghĩa là họ đã hiểu ngữ cảnh, sắc thái và mục đích mà không cần nhà phát triển cung cấp cho họ các ví dụ cụ thể.

2. Một điều nhỏ gọi là sắc thái

LLMs excel khi bộ phân loại ý định còn thiếu sót. Chúng có thể diễn giải thành ngữ, châm biếm và ngôn ngữ mơ hồ một cách dễ dàng. 

Việc đào tạo chuyên sâu về nhiều tập dữ liệu khác nhau giúp họ có khả năng nắm bắt những sắc thái tinh tế trong giao tiếp của con người mà các bộ phân loại ý định thường bỏ qua.

3. Bối cảnh tốt hơn

LLMs Đừng mất dấu cuộc trò chuyện. Họ nhớ những gì đã nói trước đó, điều này khiến các tương tác diễn ra tự nhiên và mạch lạc hơn.

Bối cảnh này cũng giúp họ làm sáng tỏ sự mơ hồ. Ngay cả khi thông tin đầu vào mơ hồ hoặc phức tạp, họ có thể ghép chúng lại với nhau bằng cách xem xét cuộc trò chuyện rộng hơn.

4. Khả năng mở rộng

LLMs có khả năng mở rộng quy mô tốt hơn 100%. Họ không cần đào tạo lại để tiếp nhận các chủ đề mới, nhờ vào sự hiểu biết rộng về ngôn ngữ của họ. 

Điều đó làm cho chúng sẵn sàng xử lý hầu như mọi trường hợp sử dụng ngay khi xuất xưởng. Đối với các hệ thống đa tác nhân , việc sử dụng LLM thay vì bộ phân loại ý định.

5. Tính linh hoạt

LLMs Đừng dựa vào các mẫu cứng nhắc. Tính linh hoạt của chúng có nghĩa là phản hồi sẽ tự nhiên, đa dạng và hoàn toàn phù hợp với cuộc trò chuyện. Chúng mang lại trải nghiệm tốt hơn nhiều cho người dùng so với các trình phân loại ý định dễ vỡ.

6. Ít dữ liệu đào tạo hơn

LLMs không cần dữ liệu được gắn nhãn theo nhiệm vụ cụ thể để hoàn thành công việc. Sức mạnh của chúng đến từ quá trình đào tạo trước hàng loạt trên nhiều văn bản khác nhau, do đó chúng không phụ thuộc vào các tập dữ liệu được chú thích tỉ mỉ.

Nếu cần, các nhà phát triển luôn có thể tùy chỉnh LLM cho dự án của họ. Ví dụ, LLMs có thể được tinh chỉnh với lượng dữ liệu tối thiểu, do đó chúng có thể nhanh chóng thích ứng với các ngành công nghiệp hoặc trường hợp sử dụng chuyên biệt.

Nhưng Botpress là LLM -Đầu tiên

LLMs tốt hơn nhiều trong việc xác định ý định so với các bộ phân loại ý định lỗi thời. Đó là lý do tại sao chúng tôi viết lại từ đầu để LLM -Đầu tiên vào năm 2020. 

Chúng tôi biết công nghệ tốt hơn đã xuất hiện và thay vì bám vào công nghệ cũ, chúng tôi đã đầu tư để thực hiện bước đột phá.