チャットボットのアーキテクチャモデルと応答メカニズムについての簡単な説明

[51CTO.com クイック翻訳] 気付きましたか? 人工知能はもはや、少数のテクノロジー企業の単なる予備的なプロトタイプ製品ではありません。多くのサービス業界では、人工知能を搭載したチャットボットが徐々に人間の顧客サービスに取って代わり、タイムリーで思慮深くインタラクティブなサービスを提供しています。機械学習関連のテクノロジーを通じて、さまざまな企業がチャットボットを顧客サービスとビジネスプロセスの自動化のための最も人気のあるツールの 1 つとみなしています。この記事では、チャットボットの基本的なアーキテクチャ モデルと応答メカニズムについて簡単に紹介します。

さまざまな種類のチャットボットアーキテクチャ

チャットボットのアーキテクチャ モデルは通常、その開発の中核となる目標によって決まります。一般的なアプリケーションでは、次の 2 種類の応答方法を採用できます。

• 機械学習モデルに基づいて、応答を最初から生成します。
• ヒューリスティックを使用して、事前定義された応答ライブラリから適切な応答を選択します。

生成モデル

下の図に示すように (下の画像は pavel.surmenok から引用)、このようなモデルを使用すると、かなり高度なインテリジェント ロボットをネイティブな方法で開発できます。ただし、実装には複雑なアルゴリズムが必要になるため、このタイプのチャットボットは実際の高同時実行シナリオではほとんど使用されません。

同時に、生成されるモデルの構築と開発は困難です。このようなロボットをトレーニングするには、開発者が何百万もの例を提供するなど、多くの時間と労力を費やす必要があります。ディープラーニング関連のモデルを会話型アプリケーションのシナリオに参加させることはできますが、そのようなモデルが正しい応答結果を生成できるかどうかは依然として保証できません。

検索ベースのモデル

下の図に示すように、このタイプのチャットボット アーキテクチャ モデルは、前述の生成モデルよりも構築が簡単で、信頼性も高くなります。 100% 正確な応答を実現することは不可能ですが、どのような応答が返される可能性があるかを把握し、チャットボットが不適切または誤った応答を返さないようにすることができます。

現在、検索ベースのモデルはさまざまなシナリオで広く使用されています。開発者は、さまざまなアルゴリズムと API を簡単に使用して、このタイプのアーキテクチャ モデルに基づく自動チャット アプリケーションを構築できます。このようなモデルは、メッセージと会話のコンテキストを十分に考慮することで、事前に定義されたメッセージのリストから最適な応答結果を提供できます。

チャットボットの応答生成メカニズム

チャットボットがユーザーのメッセージを理解し、メッセージの意図を 2 つの異なる方法で取得する方法について説明します。

パターンベースのヒューリスティック

一般的に、応答を生成するには次の 2 つの方法があります。

• if-else を使用した条件付きロジック
• 機械学習分類器の使用

最も簡単な方法は、事前定義されたモデルを使用して一連のルールを定義することです。これらのルールは、フレーム化されたルールの条件として機能します。

以下のコード スニペットに示すように、人工知能マークアップ言語 (AIML) は、さまざまなモデルや応答を記述するためにチャットボットの開発でよく使用されます。

自然言語処理パイプラインと定義済みの豊富なモデルを利用することで、AIML を使用してインテリジェントなチャットボットを構築できます。ユーザーのメッセージを解析するだけでなく、同義語や概念を見つけたり、品詞にタグを付けたり、ユーザーのクエリに一致するさまざまなルールを見つけたりすることもできます。もちろん、これらのロボットは、事前に特別にプログラムされていない限り、機械学習アルゴリズムやその他の API を自動的に呼び出すことはできません。

機械学習を用いた意図分類

モデルベースのヒューリスティックは良好な結果をもたらしますが、開発者がすべてのモデルを事前に手動でプログラムする必要があるという問題があります。これは、特にチャットボットがさまざまなシナリオに対して何百ものリクエスト インテントを区別する必要がある場合、非常に面倒な作業になります。

通常、チャットボットが直面する可能性のある何千ものケースのコレクションを準備してチャットボットをトレーニングし、アプリケーションが繰り返し学習するための適切なデータ モデルを選択します。チャットボットの適応性を継続的にトレーニングすることによってのみ、さまざまな要求意図の分類を実現できると言えます。

scikit-learn は、さまざまな機械学習関連のアルゴリズムの実行を支援できる非常に人気のある機械学習ライブラリであることは言及する価値があります。開発者は、api.ai、wit.ai、Microsoft LUIS などのクラウド API のいずれかを使用することもできます。その中で、チャットボット向けの最初の機械学習 API である wit.ai が最近 Facebook に買収されました。

レスポンス生成

チャットボットがユーザーのメッセージの意図を理解したら、次のステップは応答を生成することです。一般的な応答方法は 2 つあります。

• 単純な静的応答を生成します。
• 意図ベースのテンプレートを取得し、対応するさまざまな変数を入力します。

開発者は、実際のニーズと目的に基づいて応答を生成する方法を選択できます。たとえば、天気チャットボットは API を使用して特定の場所の天気情報を取得し、「今日は雨が降りそうです」「今日は雨が降っています」「降雨確率は 80% です。傘をお持ちください」などのクエリに応答できます。

もちろん、応答の種類 (参照: https://www.hiddenbrains.com/blog/4-ux-elements-for-engaging-and-interactive-chatbots.html) も、特定のユーザーの特性に応じて異なります。つまり、チャットボットは過去のチャット記録とそれに関連するパラメータを調査して分析し、ユーザーに合わせた応答言語をカスタマイズすることができます。次の図は、応答選択モジュールではなく、単純な応答生成のみを示しています。

実際のプロジェクトでは、ユーザーの専門的なシナリオのニーズを完全に満たすために、チャットボットをゼロから開発して構築するか、信頼できる大企業から既製のチャットボット サービスを購入することもできます。結局のところ、彼らはより豊富なシナリオと運用エクスペリエンスを提供できます。

原題: チャットボットのアーキテクチャモデルと応答生成メカニズムの理解、著者: Albert Smith

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]