Minska biasering i Einstein Bots
Minska mängden biasering i din Einstein bot genom att revidera ditt botskript och syftesmodell. Använd rekommenderade metoder för tillgänglighet och design efter kanal för att skapa en bra botupplevelse varje gång.
Versioner som krävs
| Visa versioner som stöds. |
När du bygger din Einstein Bot är det viktigt att tänka på oavsiktligt inbyggd biasering. Ju fler människor som bygger boten kan minska biasering, desto starkare blir botupplevelsen och desto större blir sannolikheten för kundbehållning. När boten har lanserats, granska botens mått regelbundet och revidera boten enligt behov för att minska biasering. Få reda på mer om olika typer av biasering i Trailhead: Känn igen biasering i artificiell intelligens.
Här följer några sätt att minska risken att introducera biasering till din bot.
Bygg botar med din målgrupp i åtanke.
Team löper risken att förlora målgruppen ur sikte om de är för breda eller för smala i sin implementering. Till exempel kan botar som skrivs så att de hanterar den största mängden målgrupper leda till frustrerande interaktioner för grupper vars samtalsmönster varierar från standardspråket. Team kan också designa för smalt och använda för mycket slang eller jargon, som användare kan associera som svårtillgängligt eller till och med på gränsen till kulturell appropriering.
Finjustera ditt botskript genom att dela det med intressenter från din målgrupp och revidera det baserat på deras feedback. Du kan även lära dig mer om de bästa sätten att skapa botkonversationer genom att använda Trailhead för konversationsdesign och anställa en konversationsdesigner för att granska ditt arbete.
Bygg en balanserad och mångsidig syftesmodell för korrekt syftesanpassning.
Syftesmodeller med obalanserade data eller frånvaro av mångfald kan introducera biasering om boten flyttar konversationen med användare i oväntade riktningar. Obalanserade datamodeller gynnar syftet med fler yttranden, vilket eventuellt kan leda till felaktig syftesigenkänning och bortfall. Botar som inte förstår de många sätten att uttrycka ett syfte flyttas till läget Förvirrad, vilket kan göra användaren frustrerad.
Syftesmodeller balanseras genom att inkludera ungefär samma antal yttranden för varje syfte. Det lägsta antalet yttranden varierar beroende på språk, men fler yttranden resulterar alltid i en mer korrekt och upprepningsbar syftesigenkänning. Du vill att dina yttranden ska innehålla många olika sätt att uttrycka ditt syfte. Utöver detta vill du att de ska varieras med olika dialekter, slang, felstavningar och talsvårigheter för att säkerställa att alla målgrupper inkluderas.
Många mallbotar i Einstein Bots levereras med balanserade syftesdata för specifika syften, men du kan hämta dina egna via intern crowdsourcing eller med ett undersökningsföretag. Se till att de personer som du ber att skapa yttranden för din syftesmodell fångar upp din målgrupp. Bygg till exempel en bot för högskolestudenter som återspeglar målgrupperna som går på högskolan, inte bara personer mellan 18 och 24 år. Få reda på mer om att bygga en bra syftesmodell i Använd syften för att förstå dina kunder.
Bygg en bot som överväger tillgänglighet och kanal.
Botar är utformade för att finnas på en specifik kanal. Varje huvudkanal, inklusive Chatt, SMS, Facebook Messenger, WhatsApp och Slack, har sina egna sätt att göra sin kanal tillgänglig, så att bygga en bot utan att undersöka dessa metoder kan leda till en dålig slutprodukt. Detta är problematiskt när din bot distribuerar på mer än en kanal åt gången.
Vi rekommenderar att team testar sina botar i den avsedda kanalen innan distribution och slår på tillgänglighetsverktyg för att bekräfta att boten fungerar för alla kunder. Om en bot distribuerar till flera kanaler är det bäst att utforma boten så att den passar den mest restriktiva kanalen. Till exempel måste kunder som tittar på en bot med en meny distribuerad på SMS skriva sitt val istället för att klicka på menyobjektet. I ovanliga fall kan anpassningen vara för olika mellan kanaler för att dela en bot. I dessa fall rekommenderar vi att klona boten innan anpassning.
