Rekomendasi dan Batasan Pembuatan Slot Agen Virtual

Rekomendasi dan Batasan Pembuatan Slot Agen Virtual

Ketika Anda mengaktifkan Agen Virtual, Anda dapat menggunakannya untuk mengonfigurasi slot bertenaga AI. Sebelum mengonfigurasi slot dan jenis slot Anda dengan Agen Virtual, tinjau batasan, pertimbangan, dan tip yang direkomendasikan oleh pengembang untuk slot model bahasa besar (LLM). Tabel berikut mendefinisikan jenis slot yang tersedia dengan Agen Virtual.

Bagian berikut menjelaskan batasan slot, informasi tentang bagaimana slot ini menangani konfirmasi eksplisit dan penolakan oleh peserta bot, serta contoh spesifik.

Slot Numerik

Gunakan jenis slot ini ketika Anda ingin bot hanya mempertimbangkan karakter numerik sebagai bagian dari urutan yang diekstrak. Bot tidak mengenali karakter lain.

Batasan

• Entitas yang melebihi nilai maxLength yang ditetapkan tidak diterima. Contoh: jika nilai entitas adalah "123456" dan maxLength diatur ke 7 dan pelanggan mengatakan "78", maka karena entitas yang baru diekstrak adalah "12345678" dan panjangnya sekarang 8, bot memperlakukan entitas baru sebagai noMatch dan menyisakan "123456".
• Koreksi kasus yang tidak eksplisit atau berada di bagian tengah entitas yang diekstrak. Dalam contoh berikut, entitas yang sebelumnya diekstrak adalah 1299554464.
  Contoh koreksi yang berhasil:
  "Tidak, ubah dua digit terakhir dari 64 menjadi 62"
  "Dua digit terakhir harus 62"
  Contoh koreksi yang tidak berhasil:
  "Tidak, 62." LLM tidak dapat menentukan apa yang harus diubah.
  "Tidak, maksud saya 62." LLM tidak dapat menentukan apa yang harus diubah.
  "Ubah 55 menjadi 44." Sulit bagi LLM untuk menentukan karena berada di tengah entitas.
  "Entitas harus dimulai dengan 5." LLM mungkin menambahkan 5 di awal atau mengoreksi "1299554464" menjadi "5299554464" seperti yang diharapkan.
• LLM tidak memiliki masalah dengan nilai numerik yang lebih besar; namun, hal ini meningkatkan kemungkinan koreksi yang lebih sulit. Nilai numerik yang lebih besar lebih sulit untuk dikoreksi di awal atau tengah nilai. Karena batasan ini, disarankan untuk menggunakan multi-slot, misalnya jika nomor kartu kredit diekstraksi, mintalah data dalam potongan 4 digit. Kesalahan apa pun terjadi dalam empat digit terakhir, yang memudahkan koreksi.

Contoh Percakapan

Kasus yang berfungsi dengan baik:

• Ekstraksi digit sederhana dari semua panjang. Contoh: "Nomor kartu kredit saya adalah 0123456789012232."
• Ekstraksi digit selama beberapa giliran dengan digit dalam format leksikal. Contoh: Peserta: "Kartu saya dimulai dengan 0011" Bot: "Saya mendapatkan 0011 sejauh ini, silakan lanjutkan." Peserta: "Lalu 7831" Bot: "Saya mendapatkan 0011 7831 sejauh ini, silakan lanjutkan." Peserta: "Tujuh satu double oh" Bot: "Saya mendapatkan 0011 7831 7100 sejauh ini, silakan lanjutkan." Peserta: "Akhirnya, 3333" Bot: "Saya mendapatkan 0011 7831 7100 3333, apakah itu benar?"
• Koreksi eksplisit; misalnya, "Ubah dua digit terakhir dari 84 menjadi 82."
• LLM memperlakukan "Double" sebagai dua dari apa pun yang mengikutinya; misalnya, double 2 = 22. ASR harus mengonversi respons ini menjadi 22 terlebih dahulu. "Triple"/"Treble" adalah tiga digit itu dan "quadruple" adalah empat.
• LLM memperlakukan "Oh" sebagai "0" dalam situasi yang diharapkan, bukan dalam situasi yang tidak terduga seperti "Oh maaf, maksud saya."

Tips: Tindakan korektif eksplisit harus ditangani dengan baik, jika ASR menangkapnya.

Slot Huruf-Angka

Gunakan jenis slot ini untuk memberikan petunjuk selama ekstraksi ketika peserta menggunakan alfabet fonetik; misalnya, alfabet fonetik NATO. Misalnya, pengguna dapat mengatakan "a untuk alpha" dan karakter yang diekstrak adalah "A".

Batasan

• Entitas yang melebihi nilai maxLength yang ditetapkan tidak diterima. Contoh: jika nilai entitas adalah "A12345", maxLength diatur ke 7, dan pelanggan mengatakan "67", maka karena entitas yang baru diekstrak adalah "A1234567" dan panjangnya sekarang 8, bot memperlakukan entitas baru sebagai noMatch dan menyimpan entitas "A12345".
• Karakter duplikat selama beberapa giliran. Jika, pada giliran 1, entitas yang diekstrak adalah "AB78G" dan pada giliran berikutnya pelanggan memulai dengan "g" lain, LLM dapat salah mengembalikan "AB78G" alih-alih "AB78GG".
• Koreksi ambigu. Misalnya, "Tidak, saya mengatakan AZ." Koreksi ambigu dapat terjadi jika pada giliran 1 pelanggan mengatakan "A untuk apple, C 72" yang diekstrak sebagai "AC72;" pada giliran berikutnya mereka dapat melakukan koreksi yang sulit seperti "Tidak, saya mengatakan AZ."
• LLM tidak memiliki masalah dengan nilai alfanumerik yang lebih besar; namun, ini meningkatkan kemungkinan koreksi yang lebih sulit. Nilai numerik yang lebih besar lebih sulit untuk dikoreksi di awal atau tengah nilai. Karena batasan ini, disarankan untuk menggunakan multi-slot, misalnya jika nomor paspor diekstraksi, mintalah data dalam potongan 3 karakter. Kesalahan apa pun terjadi dalam 3 digit terakhir, yang memudahkan koreksi.

Contoh Percakapan

Kasus yang berfungsi dengan baik:

• Ekstraksi alfanumerik dari semua panjang dengan ejaan fonetik huruf, huruf yang dinyatakan sederhana, dan angka. Contoh: "Nomor paspor saya adalah a untuk apple, b untuk beta, c untuk charlie, d 8909."
• Ekstraksi alfanumerik selama beberapa giliran dengan digit dalam format leksikal. Contoh: Peserta: "Nomor keanggotaan saya dimulai dengan AB11" Bot: "Saya mendapatkan AB11 sejauh ini, silakan lanjutkan." Peserta: "Lalu c untuk charlie dan z untuk zeta" Bot: "Saya mendapatkan AB11 CZ sejauh ini, silakan lanjutkan." Peserta: "beta alpha" Bot: "Saya mendapatkan AB11 CZ BA sejauh ini, silakan lanjutkan." Peserta: "Akhirnya, 99" Bot: "Saya mendapatkan AB11 CZ BA 99, apakah itu benar?"
• Koreksi eksplisit. Misalnya, "Tidak, huruf terakhir seharusnya Z untuk zeta, bukan c."
• LLM memperlakukan "Double" sebagai dua dari apa pun yang mengikutinya; misalnya, double 2 = 22. ASR harus mengonversi respons ini menjadi 22 terlebih dahulu. "Triple"/"Treble" adalah tiga digit itu dan "quadruple" adalah empat.
• LLM memperlakukan "Oh" sebagai "0" dalam situasi yang diharapkan, bukan dalam situasi yang tidak terduga seperti "Oh maaf, maksud saya."

Tips: Tindakan korektif eksplisit harus ditangani dengan baik, jika ASR menangkapnya.

Slot Bebas

Gunakan slot ini ketika Anda ingin bot mengenali deskripsi tekstual dari entitas yang akan ditangkap. Misalnya, alamat dengan nama jalan, kota, dan kode pos.

Catatan: Saat membuat slot bebas, pertimbangkan bahwa deskripsi memengaruhi bagaimana LLM mengidentifikasi bagian-bagian entitas dan format dengan benar.

Batasan

• Alamat: Format alamat sesuai standar negara tertentu. Peserta bot harus bergantung pada deskripsi yang Anda berikan untuk memastikan format yang tepat. Huruf besar/kecil: Huruf besar/kecil yang benar biasanya tepat; namun, entitas yang diekstrak kadang-kadang dapat kembali dalam semua huruf kecil atau semua huruf besar.
• Email: Identifikasi yang salah dari nama domain kustom dalam percakapan multi-giliran. Pengembalian yang lebih akurat dan umum terjadi ketika email diberikan dalam satu giliran. Kasus di mana transkripsi ASR gagal mengonversi tanda hubung, titik, dan garis bawah.
• Nama: Karakter yang hilang atau diatur ulang ketika nama panjang dieja.

Status Penyelesaian Bebas, Keluar Awal, dan Penolakan Pelanggan

Keluaran model setelah setiap panggilan berisi dua bagian: entitas yang diekstrak dan Boolean, apakah ekstraksi selesai atau tidak, di mana status deteksi entitas sedang berlangsung atau selesai. Untuk bebas, bot menggunakan deskripsi yang disediakan.

• Model menggunakan deskripsi untuk menilai apakah entitas ditangkap atau jika bagian yang disebutkan dalam deskripsi hilang. Deskripsi idealnya harus berisi tentang apa entitas itu dan subentitas atau bagian lain dari entitas yang harus dikandungnya.
• Juga dimungkinkan untuk melompat ke depan. Jika pelanggan secara eksplisit mengatakan sesuatu seperti: "Saya selesai, itu saja, itu semua, saya tidak memilikinya, saya tidak tahu," dan seterusnya, status ekstraksi berubah menjadi selesai dan menggantikan pengumpulan subentitas berdasarkan deskripsi.

Pertimbangan Umum

• Kualitas ekstraksi slot tergantung pada kualitas transkripsi dari audio ke teks di saluran suara. Konsep "sampah masuk, sampah keluar" berlaku di sini karena kesalahan transkripsi menyebar.
• Pesan prompt kepada pelanggan harus menyebutkan bahwa entitas dapat diberikan dalam satu atau beberapa giliran.