6 Novembro 2024
Melhorar os Insights de um Chatbot através de Redução de Dimensionalidade
Melhorar os Insights de um Chatbot através de Redução de Dimensionalidade
Desafio
Ao usar um chatbot, um dos problemas principais é a possibilidade de fornecer respostas que não são diretamente relevantes para a pergunta ou contexto específico do utilizador. Isto pode ocorrer devido a limitações na capacidade do chatbot de interpretar com precisão a intenção do utilizador, especialmente se a questão for complexa ou ambígua. Como resultado, os utilizadores podem receber respostas genéricas ou fora do tópico, que não atendem eficazmente às suas necessidades. Adicionalmente, os chatbots podem ter dificuldade em lidar com perguntas de seguimento ou discussões mais subtis, levando a uma conversa desconexa e, potencialmente, frustrante. Esta falta de alinhamento entre as expetativas do utilizador e as respostas do chatbot pode reduzir a eficácia geral da interação.
Solução
Com base nestes desafios, a BI4ALL criou uma framework de IA Generativa que inclui uma componente de visualização que utiliza técnicas de redução de dimensionalidade para resolver alguns destes problemas. Especificamente, os vetores de pergunta e resposta, bem como os vetores formados a partir de secções de documentos (chunks), são processados com uma técnica de redução de dimensionalidade, de forma a reduzi-los a apenas três dimensões. Esta redução permite que estes vetores sejam representados como pontos numa visualização 3D. Para melhorar a usabilidade, podem ser aplicados filtros à visualização 3D, permitindo que os utilizadores restrinjam a visualização a pontos de interesse específico, facilitando assim uma melhor perceção e análise.
Benefícios
Esta técnica oferece vários benefícios: ajuda os programadores a analisar o feedback dos utilizadores sobre respostas para identificar potenciais erros, detetar alucinações do chatbot e confirmar visualmente que os documentos relevantes estão corretamente indexados. Adicionalmente, ajuda os utilizadores a verificar se o conteúdo da resposta corresponde à informação no chunk correspondente.
Ao visualizar os dados desta forma, a framework visa fornecer insights mais claros sobre as relações entre chunks, respostas e perguntas, melhorando a capacidade do chatbot de gerar respostas mais relevantes e apropriadas ao contexto. No final, a componente de visualização contribui para um estudo mais natural e detalhado dos dados, aumentando a experiência geral de envolvimento e a precisão das respostas do chatbot.
Estatísticas
50%
mais rápido
identificar documentos e perguntas relacionadas
80%
mais rápido
confirmar documentos indexados
Aplicações Práticas
-
Suporte para gestão de informação
-
Suporte para tomada de decisão
-
Identificação dos tópicos mais pesquisados/perguntados
-
Avaliação do desempenho de assistentes virtuais
-
Identificação de perguntas fora do âmbito da empresa
Exemplo
Considere uma grande empresa que implementa um assistente virtual para lidar com questões dos colaboradores sobre políticas de RH e suporte de IT. Ao implementar esta técnica de redução de dimensionalidade, a empresa pode visualizar quão bem os documentos e respostas estão a corresponder a diferentes tipos de perguntas. Podem, por exemplo, descobrir que, enquanto o assistente responde eficazmente a perguntas relacionadas com suporte de IT, apresenta dificuldades com questões sobre políticas de RH. A visualização revelaria estas lacunas, permitindo à equipa refinar os dados de treino do assistente virtual e melhorar o seu desempenho geral. Como resultado, os colaboradores recebem respostas mais precisas e úteis, melhorando a sua experiência e confiança no assistente virtual.