LangChain と DeepInfra を使用してカスタマー サポート チャットボットを構築するためのガイド

翻訳者 |ブガッティ

レビュー | Chonglou

日常のオンラインのやり取りの中でチャットボットを目にしたことがあると思いますが、これらのデジタルアシスタントを動かす基盤技術について考えたことはありますか?チャットボットは、特に顧客サポートの分野で、効率を高めながら顧客サービスを向上させる、現代のビジネスに欠かせないツールとなっています。今日は、 LangChainとDeepInfra がどのようにしてこのようなチャットボットの応答性と効率性を高めることができるのかを詳しく説明します。

チャットボットの基本コンポーネント

まず基本を理解しましょう。チャットボットのコアコンポーネントは何でしょうか?応答性と効率性に優れたチャットボットを開発するには、モデル、プロンプトテンプレート、そして テンプレートとメモリ。

このモデルはチャットボットの背後にあるAI頭脳を表し、ユーザー入力を理解して応答する役割を担います。プロンプト テンプレートはチャットボットの応答をガイドし、返信がトピックに沿っていることを保証します。最後に、メモリは対話の状態を維持し、チャットボットが過去の会話を記憶し、それを使用して現在の会話のコンテキストを理解できるようにします。

操作ガイド

さあ始めましょう。 LangChainとDeepInfraを使用してカスタマー サポート チャットボットを構築するプロセスを説明します。このチャットボットがオンライン衣料品店で「機能」し、顧客が服を選ぶのを手伝うと仮定しましょう。

• DeepInfra APIキーを取得する

DeepInfra は、シンプルなAPIとスケーラブルな本番環境レベルのインフラストラクチャを備えており、主流のAIモデルを簡単に実行できます。まず、このリンクを使用して、DeepInfra のサービスとやり取りするためのAPIキーを取得する必要があります。キーを取得したら、次のように環境でAPIトークンを設定できます。

 from getpass import getpass import os # Set the DeepInfra API token DEEPINFRA_API_TOKEN = getpass() os.environ["DEEPINFRA_API_TOKEN"] = DEEPINFRA_API_TOKEN

• LangChainとDeepInfra環境の構築

次に、 LangChain 環境と DeepInfra 環境を作成する必要があります。必要なコンポーネントをインポートし、 DeepInfraモデルのインスタンスを作成します。たとえば、 「 databricks/dolly-v2-12b 」のようなモデルを使用できます。

 from langchain import ConversationChain, LLMChain, PromptTemplate from langchain.memory import ConversationBufferWindowMemory from langchain.llms import DeepInfra # Create the DeepInfra instance llm = DeepInfra(model_id="databricks/dolly-v2-12b") llm.model_kwargs = {'temperature': 0.7, 'repetition_penalty': 1.2, 'max_new_tokens': 250, 'top_p': 0.9}

• 注:チャットボットに適したモデルの選択と展開

LLM に使用できるさまざまなモデルが存在します。この例では、databricks/dolly-v2-12b モデルの使用方法を示していますが、DeepInfra には他にも多くのモデルが用意されています。選択できるオプションが非常に多いため、LangChain で使用するのに適した LLM を見つけるために、AIModels などのツールを使用することをお勧めします。 AI モデルを自由に検索、フィルタリング、並べ替えて、プロジェクトに最適なものを見つけてください。選択可能なモデルを見つけるには、DeepInfra ページをご覧ください。

• チャットボットの応答をガイドするプロンプトテンプレートを作成する

ここで、チャットボットの応答をガイドするプロンプト テンプレートを定義します。これにより、チャットボットの応答がコンテキストとユーザーの入力と一致するようになります。いくつかの異なるテンプレートを試してみましたが、完璧なものを見つけるのは簡単ではありませんでした。適切なキューを設計するプロセスは、キュー エンジニアリングと呼ばれます。最終的には、 Pinecone の Web サイトで見つけたテンプレートを再利用することができました。

 template = """Given the following user prompt and conversation log, formulate a question that would be the most relevant to provide the user with an answer from a knowledge base. You should follow the following rules when generating and answer: - Always prioritize the user prompt over the conversation log. - Ignore any conversation log that is not directly related to the user prompt. - Only attempt to answer if a question was posed. - The question should be a single sentence. - You should remove any punctuation from the question. - You should remove any words that are not relevant to the question. - If you are unable to formulate a question, respond with the same USER PROMPT you got. Conversation log: {history} USER PROMPT: {human_input} Your response: """ prompt = PromptTemplate( input_variables=["history", "human_input"], template=template )

• チャットボットを初期化し、メモリを設定する

モデルとプロンプト テンプレートの準備ができたら、次のステップはチャットボットを初期化し、対話の状態を維持するためのメモリを設定することです。

 # Now using DeepInfra with the LLMChain llm_chain = LLMChain( llm=llm, prompt=prompt, verbose=True, memory=ConversationBufferWindowMemory(k=2), )

• チャットボットを実行して対話する

最後に、チャットボットと対話する準備が整いました。例を見てみましょう:

 output = llm_chain.predict(human_input="Hello! What clothes do you recommend I buy to rebuild my summer wardrobe") print(output)

結果として、いくつかの服が推奨されます。

 In the context of summer wardrobe recommendations, you should buy your clothes from the following list: - V-neck T-shirts - Tank Tops - Solid Color Swim Shorts - Swim Shorts - Skirts - Cardigans - Sandals

チャットボットにおける記憶の概念

チャットボットではメモリが重要な役割を果たします。これは、チャットボットのやり取りにおけるコンテキストと履歴を維持するのに役立ち、チャットボットが過去の会話を思い出し、現在の会話のコンテキストを理解できるようにします。この機能は、より多くの人間同士のやり取りを生み出し、ユーザー エクスペリエンスを向上させるために不可欠です。記憶に関するトピックについては調べる価値のある記事が多数あります。詳細については、このガイドを参照することをお勧めします。

その他の参考資料と例

さらに理解を深めるには、Langchain Web サイトの ChatGPT Clone Notebook、Conversation Memory Notebook、Conversation Agent Notebook などのリソースを確認することをお勧めします。これらのリソースは、記憶の概念についてのより詳細な紹介、主要な概念を記憶するための実践的なガイダンス、および記憶の例を提供します。

AIModels.fyi にある他の Langchain ガイドも確認してください。

DeepInfraはプラットフォームに関する詳細なドキュメントも提供しており、詳細な投稿、ガイド、記事を入手できるブログも運営しています。

結論は

LangChain と DeepInfra を使用して顧客サポート用のチャットボットを構築するのは、最初は複雑に思えるかもしれませんが、基本的なコンポーネントと手順を理解すれば、プロセス全体がはるかに簡単になります。これらのテクノロジーを活用することで、顧客サービスが大幅に改善され、ビジネス効率が向上し、全体的な顧客満足度が向上します。将来、これらのテクノロジーは真に強力なものとなり、顧客サービスの分野にも発展し、影響を与え続けることが期待されます。

原題: LangChain と DeepInfra を使用したカスタマー サポート チャットボットの構築: ステップバイステップ ガイド、著者: Mike Young