نحوه کار ربات های چت با کتابخانه های پایتون مانند ( Rasa ) و ( Dialogflow )
چت ربات ها برنامه های کامپیوتری هستند. و مکالمات انسان مانند با کاربران را شبیه سازی می کنند.
در اینجا یک نمای کلی ساده از نحوه کار آنها با کتابخانه های پایتون مانند ( Rasa ) و ( Dialogflow ) را برایتان می آورم.
و اما اجزای کلیدی:
ورودی کاربر (متن یا گفتار) را به قالبی تبدیل می کند که چت بات می تواند آن را درک کند.
**Intent Identification **
قصد یا هدف کاربر را مشخص می کند.
**مدیریت گفتگو**
پاسخی را بر اساس هدف و زمینه کاربر ایجاد می کند.
**Rasa NLU** (درک زبان طبیعی)
از یادگیری ماشینی برای استخراج هدف و موجودیت ها از ورودی کاربر استفاده می کند.
**Rasa Core **
مدیریت گفتگو را مدیریت می کند و پاسخ ها را تولید می کند.
**Action Server **
اقداماتی را بر اساس قصد کاربر (به عنوان مثال رزرو بلیط) انجام می دهد.
**جریان گفتگو**
نهادها: شناسایی اطلاعات خاص در ورودی کاربر (به عنوان مثال، نام، تاریخ).
مقاصد: نقشه ورودی کاربر به یک هدف یا اقدام خاص.
تحقق: یک پاسخ تولید می کند یا یک عمل را بر اساس هدف شناسایی شده آغاز می کند.
کاربر پیامی را وارد می کند ، (NLP (Rasa NLU یا ( Dialogflow) intent موجودیت ها را استخراج می کند.
پس مدیریت گفتگو ( (Rasa Core یا Dialogflow)) پاسخ را تعیین می کند.
پاسخ تولید شده و به کاربر ارسال می شود.
کتابخانه های پایتون:
*Rasa*
از پایتون برای ساخت هوش مصنوعی محاوره ای استفاده می کند.
*Dialogflow *
یک کتابخانه کلاینت پایتون برای تعامل با API آن فراهم می کند.
کد مثال (راسا):
از عامل واردات rasa_core.agent
agent = Agent(“domain.yml”)
user_input = “سلام، خوبی؟”
پاسخ = agent.handle_text(user_input)
چاپ (پاسخ)
کد مثال (Dialogflow):
از google.cloud import dialogflow
client = dialogflow.SessionsClient()
session = client.session_path(“Your-project-id”، “your-session-id”)
user_input = “سلام، خوبی؟”
answer = client.detect_intent (session, user_input)
print(response.query_result.fulfillment_text)
این کتابخانه ها ساخت رابط های مکالمه با پایتون را آسان می کنند. میتوانید روی ایجاد تجربیات کاربر تمرکز کنید و در عین حال از قدرت یادگیری ماشینی و NLP استفاده کنید.
دیدگاه شما