Vous êtes ici :
Utilisation d'intentions pour comprendre les clients
L'utilisation du traitement en langage naturel (NLP) via la gestion des intentions est inédit pour la plupart des administrateurs. Il est important de rappeler que l'élaboration de robots est un processus itératif. Commencer par un petit robot pour le développer en machine plus complexe fait partie du processus. À mesure que vous recueillez les commentaires de vos clients et révisez les données, vos robots se développent à un rythme insoupçonnable !
Éditions requises
| Afficher les éditions prises en charge. |
Les chatbots ou agents conversationnels peuvent être classés dans les catégories suivantes :
- Robots basés sur un menu, dans lesquels les utilisateurs sélectionnent un parcours basé sur un menu d'options que le robot livre à l'utilisateur. Ces robots sont faciles à configurer, augmentent la valeur des tâches de niveau inférieur, telles que les réinitialisations de mots de passe, et offrent une expérience organisée au client.
- Les robots NLP, qui s'appuient sur le traitement en langage naturel pour interpréter un texte libre. Les robots NLP permettent à l'utilisateur de définir les orientations du robot et de mieux contrôler l'expérience. De plus, les robots NLP peuvent interpréter plusieurs éléments d'information dans une phrase envoyée par le client, ce qui peut réduire du nombre d'étapes requises pour exécuter une tâche.
- Les robots hybrides, qui utilisent des méthodes basées sur un menu et des méthodes NLP selon le cas pour créer une expérience mixte. L'insertion d'un menu peut aider les clients à comprendre les capacités du robot. De plus, l'intégration du traitement en langage naturel offre au robot un style plus intelligent et plus conversationnel.
Vous découvrez les robots ? Commencez ici
Si vous faites vos premiers pas avec les robots Einstein, commencez par les robots basés sur un menu. Si vous maîtrisez l'élaboration de workflows, l'utilisation du Générateur de processus ou l'élaboration de flux, la création d'un robot basé sur un menu est similaire. Lorsque vous élaborez un robot basé sur un menu, l'utilisation de la vue de la carte est utile pour observer le fonctionnement des dialogues.
Vous commencez avec un menu, mais les clients peuvent écrire à votre robot avec un texte. Dans les canaux de Messagerie, l'utilisateur active le robot en écrivant d'abord une question. En outre, les utilisateurs curieux testent un robot en tapant un texte. Utilisez le dialogue Confus pour capturer le texte d'entrée et inviter l'utilisateur à sélectionner une tâche que le robot peut accomplir en le redirigeant vers le menu.
Création d'un robot hybride : commencer par la correspondance exacte
Lorsque vous maîtrisez votre robot basé sur le menu, vous pouvez passer au niveau supérieur, le robot hybride. L'une des méthodes les plus simples pour passer à un robot hybride consiste à élaborer des énoncés pour des phrases courantes, par exemple Menu principal, Transférer à un agent ou Terminer la conversation.
Ajoutez manuellement ces énoncés à l'intention. Dans l'industrie du chatbot, un énoncé est un terme réservé aux entrées de votre client. Pour plus d'informations, consultez Utilisation de la correspondance exacte pour les intentions.
Pour déterminer si vous êtes prêt(e) à passer à un modèle d'intention, la méthode la plus efficace consiste à consulter vos journaux de chat. Quels sont les phrases les plus fréquentes que vos clients posent au robot ? Il est probable qu'ils posent au robot les mêmes questions qu'à vos agents de service. Si les énoncés concernent une tâche que vous pensez le robot capable de traiter, par exemple annuler un rendez-vous, ils peuvent représenter un ajout important pour votre modèle d'intention.
Vous êtes prêt à élaborer un modèle d'intention lorsque vous pensez avoir suffisamment d'énoncés ou être en mesure de créer suffisamment d'énoncés pour compléter de deux à cinq intentions.
Élaboration d'un modèle d'intention
Les robots Einstein offrent deux modèles d'intention : le modèle d'intention d'origine et le modèle d'intention interlinguistique. Les deux modèles peuvent être utilisés pour des robots à langue unique ou multilingue, mais leurs prérequis et cas d'utilisation sont différents.
Depuis la semaine du 30 octobre 2023, les robots créés ou clonés et les versions de robot appliquent par défaut le modèle d'intention interlinguistique, y compris les robots à langue unique et multilingue.
| Modèle d'intention d'origine | Modèle d'intention interlinguistique | |
|---|---|---|
| Prérequis | 3 à 5 intentions 20 énoncés par langue et par intention |
2 intentions ou plus 1 énoncé par intention et par langue |
| Entraînement | Lors de l'élaboration du modèle, 80 % de vos énoncés sont utilisés et les autres sont retenus de façon aléatoire pour les tests. | Tous les énoncés sont utilisés pour élaborer le modèle. |
| Test de saisie | Pour tester un énoncé, vous devez inclure 20 énoncés dans la langue de l'intention, puis élaborer le modèle. | Vous pouvez tester les énoncés dans n'importe quelle langue prise en charge avant ou après avoir ajouté à votre modèle des données d'entraînement dans cette langue. |
| Performance | Un score F1 combiné entre toutes les langues pour les intentions avec au moins 20 énoncés. Le score F1 d'une intention est basé sur 20 % des énoncés d'une intention. Des énoncés sont retenus de façon aléatoire pour les tests avec chaque version. Par conséquent, le score F1 d'une intention peut varier selon la version. |
Un score F1 combiné entre toutes les langues pour les intentions avec au moins 20 énoncés. Le score F1 d'une intention est basé sur tous les énoncés de l'intention. |
Avant que vous remplissiez la configuration minimale requise, les deux modèles appliquent par défaut la correspondance exacte. Lorsque vous remplissez la configuration minimale requise, vous pouvez activer dans Einstein l'utilisation du traitement en langage naturel pour l'intention. Vous pouvez ensuite élaborer votre modèle d'intention depuis la page Gestion du modèle du Générateur de robot.
Vous pouvez basculer entre les modèles, mais vous devez remplir la configuration minimale requise pour le modèle que vous souhaitez activer et reconstruire le modèle. Si votre robot utilise une langue prise en charge uniquement pour le modèle d'intention interlinguistique, vous ne pouvez pas basculer depuis le modèle d'intention interlinguistique vers le modèle d'intention d'origine.
Commencez par identifier les dialogues qui sont d'excellents candidats pour élaborer votre modèle d'intention. Les modèles d'intention sont composés de plusieurs intentions, de nombreux énoncés étant attribués à chaque intention. En commençant votre modèle d'intention, tenez compte des informations importantes suivantes :
- L'élaboration d'un modèle d'intention avec les robots Einstein est prise en charge dans les langues suivantes : Définition de langues pour votre robot Einstein
- Le modèle d'intention doit avoir un nombre d'énoncés par intention équilibré afin d'éviter que le robot prenne des décisions biaisées.
- Nous recommandons au maximum 100 intentions pour un modèle plus précis. Si vous avez besoin de plus de 100 intentions, vous pouvez créer une classification hiérarchique afin de guider le robot.
- La longueur maximale de l'étiquette d'une intention est de 180 caractères. Par conséquent, il est important de modifier l'étiquette avec les phrases les plus importantes.
- Vous pouvez regrouper les intentions similaires. Si vous avez des intentions similaires ou si vous considérez que deux intentions peuvent être classées ensemble, vous pouvez les regrouper. Par exemple, si vous considérez que les trois intentions suivantes se croisent : « Comment préparer le permis avant 16 ans », « Comment préparer le permis à 16 ans » et « Comment préparer le permis à 17 ans et plus », le modèle est plus efficace en regroupant les trois intentions en une seule : « Comment préparer le permis à l'adolescence ».
- Des intentions peuvent être partagées entre plusieurs versions du même robot.
Certaines intentions peuvent profiter de l'identification du texte, mais n'ont pas suffisamment d'énoncés pour équilibrer de modèle d'intention. Le cas échéant, vous pouvez utiliser la Correspondance exacte dans l'intention, qui permet d'identifier le texte sans affecter le modèle d'intention.
Écriture d'énoncés recherche d'un modèle d'invention hors pair
Pour charger de nombreux énoncés joints à une intention en une seule fois, nous recommandons d'utiliser des jeux Einstein Intent, qui fonctionnent comme des packages AppExchange. Vous pouvez installer des ensembles d'intentions une fois et les utiliser dans tous vos robots. Ils sont très pratiques pour démarrer des intentions courantes, par exemple « Où est ma commande » ou « Prendre un rendez-vous ».
Vous pouvez également ajouter manuellement des énoncés à chaque intention. Pour plus d'informations sur l'ajout manuel d'énoncés, Écriture d'énoncés pour les Robots Einstein.
Si vous souhaitez tester un nouvel ajout à votre modèle d'intention, vous pouvez aisément importer et exporter des données d'intention pour les tester dans une organisation sandbox. Pour en savoir plus, lisez les rubriques suivantes :
Itérer, itérer, itérer votre robot
Semblable à un animal domestique, votre robot profite toujours d'un peu d'attention. Vous pouvez ajouter une nouvelle version à un robot afin de tester de nouveaux dialogues, de nouvelles entités et de nouvelles variables sans gêner votre expérience cliente. Pour le modèle d'intention, vous pouvez utiliser la page Entraînement du robot afin d'améliorer la qualité de la correspondance des intentions. Vous pouvez utiliser le menu Gestion du modèle afin d'évaluer la précision de votre robot dans l'identification d'une intention. Pour visualiser la précision de votre modèle d'intention, vous pouvez utiliser l'outil Einstein Intent Assessor disponible sur AppExchange.
Lorsque votre robot interagit avec vos clients, les scores de votre modèle évoluent et votre robot doit être mis à jour pour s'adapter. Nous recommandons d'effectuer les tâches de maintenance suivantes une fois par semaine :
- Pour identifier les intentions à améliorer, visitez la page Gestion du modèle.
- Pour identifier les requêtes courantes candidates pour de nouvelles intentions, examinez vos données de chat dans les journaux d'événements.
- Pour vérifier que les sessions du robot ne contiennent pas d'erreurs et identifier des tendances importantes entre les sessions, examinez les journaux d'événements.
- Utilisation de la correspondance exacte pour les intentions
Activez la correspondance exacte pour les intentions qui ont peu d'énoncés à inclure dans le modèle d'intention. Les phrases sensibles à la casse permettent au robot de reconnaître une intention courante et de l'acheminer en conséquence. - Activation du modèle d'intention interlinguistique
Utilisez le modèle d'intention interlinguistique pour observer une vue unifiée des performances des intentions dans toutes les langues définies pour un robot. Le modèle permet de tester les énoncés dans n'importe quelle langue prise en charge, avant ou après l'ajout de la langue à votre modèle. Vous pouvez également entraîner votre modèle sur un seul énoncé par langue. - Consignes relatives au modèle d'intention interlinguistique
Pour améliorer les performances des robots qui utilisent le modèle interlinguistique, consultez nos meilleures pratiques. - Activer la désambiguïsation
Le dialogue Désambiguïsation aide votre robot à mieux comprendre vos clients lorsqu'ils saisissent un texte. Au lieu de passer directement au dialogue Confus, le robot examine le texte et propose quelques dialogues indiquant ce que le client veut probablement dire. - Création, stockage et gestion des données d'intention
Les robots ont deux jeux de données : les données qui se rapportent aux événements et des données qui se rapportent aux intentions. Les données d'événements correspondent aux éléments qui se produisent dans les conversations de robot. Les données d'intentions correspondent aux données utilisées pour entraîner le modèle afin que le robot comprenne vos clients. Pour créer un robot solide, vous devez définir une stratégie pour gérer les deux jeux de données.
