Consiglieri basati sugli intenti conversazionali

Perché le conversazioni necessitano di un segnale diverso

La personalizzazione del Web si basa su segnali impliciti come clic, visualizzazioni e tempo trascorso sulla pagina. Le conversazioni funzionano in modo diverso.

• Gli utenti dichiarano ciò che desiderano in un linguaggio semplice
• L'intento può estendersi su più turni e utilizzare un linguaggio informale o ambiguo
• La richiesta corrente dell'utente ha la precedenza sul comportamento storico quando i due sono in conflitto

Ad esempio, un cliente che acquista un regalo non vuole consigli basati sulle preferenze personali.

Per gestire questa differenza, DLPR considera l'intento conversazionale come un segnale di coinvolgimento principale e lo consuma in tempo reale.

Funzionamento di un suggeritore conversazionale

Un suggeritore conversazionale ha due flussi distinti: un flusso di addestramento e un flusso di inferenza. La formazione viene eseguita offline con cadenza regolare e determina se il suggeritore serve consigli basati su DLPR o su ricerca semantica. L'inferenza viene eseguita in tempo reale durante ogni conversazione Agentforce.

Flusso di addestramento

L'addestramento prepara il suggeritore e determina se funziona in avvio a freddo. Il suggeritore valuta se i dati di coinvolgimento sono abbastanza solidi da supportare un modello DLPR. Quando i dati soddisfano questo standard, il suggeritore attiva DLPR. In caso contrario, il suggeritore utilizza la ricerca semantica per fornire consigli.

Flusso di inferenza

L'inferenza viene eseguita ogni volta che un utente interagisce con l'agente.

1. Avviare la chat dell'agente: L'agente Agentforce recupera i dettagli dell'utente utilizzando variabili pre-chat nascoste.
2. Classificare l'enunciazione: L'agente classifica l'enunciazione dell'utente nel sottoagente Consigli personalizzati e attiva le azioni del sottoagente in sequenza.
3. Estrai intento utente: L'azione Agentforce Understand User Intent (Comprendi intento utente) utilizza un LLM per estrarre un intento conciso e strutturato dalle enunciazioni dell'utente. Questa azione consente di colmare i gap di vocabolario tra l'enunciazione dell'utente e il catalogo e supporta traduzioni in più lingue.
4. Ottieni consigli: L'agente invoca Ottieni consigli, che chiama la pipeline decisionale di personalizzazione. Il motore di consigli instrada la richiesta in base all'esito dell'addestramento del suggeritore.
5. Consigli di reso: Se il suggeritore è in avvio a freddo, l'agente riceve consigli basati su modelli semantici. In caso contrario, l'agente riceve il DLPR più i consigli basati sull'incorporamento di testo. L'agente presenta i consigli all'interno della conversazione.

Avvio a freddo nei suggeritori conversazionali

Un consulente conversazionale determina l'avvio a freddo al momento della formazione, non al momento della richiesta. Se la metrica di valutazione di DLPR nella ripartizione del test non supera la base di riferimento della ricerca semantica, il suggeritore rimane in fase di avvio e fornisce consigli basati sulla ricerca semantica. Man mano che i dati di coinvolgimento si accumulano e la successiva serie di addestramento produce una metrica DLPR più forte, il suggeritore esce dall'avvio a freddo e passa a DLPR più consigli basati sull'incorporamento di testo.

Input modello

• Conversazione in diretta: Le enunciazioni dell'utente nella sessione corrente.
• Metadati catalogo: Titoli, descrizioni, categorie e attributi degli elementi incorporati per la corrispondenza semantica.
• Cronologia coinvolgimento: Interazioni precedenti, se disponibili.

Guida per il catalogo

Poiché l'intento corrisponde semanticamente agli elementi catalogo, la ricchezza delle descrizioni del catalogo determina direttamente la qualità del consiglio.

• Scrivere titoli e descrizioni completi che rispecchino i termini che gli utenti richiedono naturalmente.
• Includere metadati di categoria e attributo per ogni elemento.
• Mantenere aggiornati i metadati man mano che il catalogo si evolve.