Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Технологии искусственного интеллекта в банковской сфере. Учебное пособие
.pdf
Глава 5
После чего запустим обучение и сохраним модель.
Далее создается рабочая модель для вывода ответов на запросы пользователя. При этом на вход состояния с энкодера и
тега <start> должно сгенерироваться выходное слово и новое
состояние, последовательно поступающее на ячейки LSTM.
Определяем модель кодера, где на вход будут попадать закодированные вопросы, а на
выходе — состояния. Обозначаем
размерность для входного слоя с состоянием state_h и state_c.
Берем оба inputs и ответы, прошедшие через embedding с состояниями, и доставляем в LSTM-слой.
После того как были получены новые состояния с LSTM и
ответы, которые пропускали через полносвязный слой с softmax,
определим модель decoder, где на выходе получим раскодированные, предсказываемые ответы и
состояния.
Выводим информацию о модели нейросети (рис. 30).
Рис. 30. Результирующая рабочая модель
Осталось преобразовать то, что вводит пользователь в последовательность индексов при помощи функции strToTokens.
Эта функция принимает строку на вход, то есть предложение с вопросом, приводит все к нижнему регистру через метод
lower() и для каждого слова в предложении определяет токенизатором индекс, все добавляя в список (рис. 31).
81
Технологии искусственного интеллекта в банковской сфере
Рис. 31. Функция преобразования вопроса пользователя
в последовательность индексов
И последнее, что остается сделать, это произвести окончательные настройки.
Запустим функцию для модели encoder и decoder. Затем
зададим количество вопросов и на каждой итерации в диапазоне получим значения состояний, которые определены кодером.
Создадим пустой массив размером 1 на 1. Зададим условие
срабатывания, когда генерация слова должна прекратиться.
В decodedTranslation будет собираться сгенерированный
ответ.
Через цикл while будем проверять это стоп-условие. При
этом передаем в модель decoder последовательность со словом
start и состояния, предсказанные кодером.
Decoder-у необходимо заменить start предсказанным сло-
вом и снова обновить состояния. А argmax пройдется по вектору decOutputs, найдет там максимальное значение и вернет
номер индекса, под которым оно лежит в массиве.
только получили индекс предсказанного слова, созда-
Как
ем переменную для ее хранения. Проверяем, если индекс выбранного слова соответствует индексу из словаря, то слово
под этим индексом в словаре будет добавляться в итоговый
ответ.
Если выбранным словом окажется end или превышен лимит по длине, то сработает вышеописанное стоп-условие и
цикл
завершится (рис. 32).
82
Глава 5
Рис. 32. Итоговая настройка модели
В качестве заданного вопроса введем значение «cvv» и получим ответ, сгенерированный decoder (рис. 33).
Рис. 33. Результаты работы модели
83
Технологии искусственного интеллекта в банковской сфере
Для оценки качества модели в машинном обучении принято использовать различные метрики. Невозможно сразу сказать о том, что полученная модель является «успешной», не
сравнив между собой несколько алгоритмов.
Следует отметить, что правильный выбор метрики в будущем позволит лучшим образом решить поставленную задачу.
Так, например, для задачи классификации чаще всего
используют accuracy, precision. Первая характеризует долю правильных ответов алгоритма, а вторая — долю объектов, названных классификатором положительными.
Так как для оценки предсказания последовательности (при
генерации ответов моделью) эти метрики не используются,
рассмотрим две самые распространенные и применяемые для
этой задачи, а именно BLEU score и ROUGE.
Чтобы оценить, насколько точны сгенерированные ответы,
воспользуемся
показателем полноты, описывающим, насколько генерируемый текст покрывает оригинальный. Если учитывать униграммы, то полнота R рассчитывается следующим образом:
колвосовпавшихсловвисходномтексте
общееколвословворигинальномтексте
.
Бывают и такие случаи, когда происходит полное совпадение слов, тогда полнота R равна единице. Генерируемый текст
оказывается слишком длинным и содержит все слова исходного текста, поэтому во избежание подобной проблемы используют другой показатель — точность P:
колвосовпавшихсловвисходномтекстеикраткомизложении
общееколвословвкраткомизложении
.
Для нахождения среднего значения между точностью и
полнотой применяют F-меру.
Далее рассмотрим пример работы программы.
Входящий вопрос от пользователя: «Как узнать дату отчета по кредитной карте?»
84
Глава 5
Ответ, который он должен получить: «Есть три способа
найти дату отчета по кредитной карте: в отчете по кредитной
карте, в личном кабинете, позвоните в круглосуточный контактный центр».
Итоговый ответ, сгенерированный нейросетью: «есть три
способа найти дату отчета по кредитной карте: в отчете по
кредитной карте, в личном кабинете, позвоните в контактный
центр».
Как видно из описания выше, ответ, предложенный моделью, практически полностью совпадает с тем, что был добавлен в набор данных.
В ходе тестирования модели машинного обучения были
получены следующие результаты (рис. 34):
Рис. 34. Тестирование модели
Метрика BLEU score достигла значения 0,642, тогда как
Rouge-1 для F-меры равна 0,799, для P
rouge-2 F
= 0,651, P = 0,636, для R = 0,67.
= 0,782, R = 0,818, а
Таким образом, можно сделать следующий вывод: полученная модель неплохо справляется со своей задачей. Нейронная сеть приближенно угадывает и выдает правильные ответы.
Для того чтобы улучшить имеющиеся результаты, необходимо
увеличить количество данных в датасете и провести повторное
обучение модели.
Технологии искусственного интеллекта в банковской сфере
Глава 6
ТЕХНОЛОГИИ ОБРАБОТКИ ГОЛОСОВЫХ КОМАНД
Технологии обработки голосовых команд, или в более общем смысле — распознавание человеческой речи, широко используются в банковской сфере.
Внедрение виртуальных помощников в ежедневную жизнь
пользователей уже происходит по ряду пользовательских сценариев. На данный момент чаще решаются только простые и
неглубокие сценарии. Но уже можно
массовом внедрении данной технологии.
Рынок голосовых помощников или виртуальных ассистентов, несмотря на очевидную востребованность со стороны
пользователей, развивается пока недостаточными темпами.
Сдерживающими факторами выступают прежде всего недостаточная проработанность сценариев и формирование уточняющих вопросов.
Дальнейшее развитие виртуальных ассистентов будет идти
в нескольких направлениях: активное использование биомет
рии, начиная от идентификации пользователя по голосовому
отпечатку, заканчивая индивидуальной настройкой ассистента
для разных эмоциональных «состояний» клиента, определяемых по голосу. Еще одним направлением будет визуализация
ассистентов при помощи экранов, поскольку видеосвязь все
активнее входит в нашу жизнь. Голосовые ассистенты будут
становиться более эмоциональными и лучше понимающими
фразеологизмы. Также они
должны будут подстраиваться под
своих владельцев, что сделает голосовых помощников более
персонифицированными.
С другой стороны, существует немало факторов, сдержи-
вающих распространение голосовых помощников: люди зача-
говорить о постепенном
-
86
Глава 6
стую не готовы общаться с «виртуальным» помощником; распознавание речи пока не стало идеальным, многообразие языка и их количество также затрудняет распространение данной
технологии; на текущий момент голосовые помощники умеют
не так много, как хотелось бы пользователям; не всегда очевидны паттерны общения с подобными устройствами; немаловажным фактором остается
обеспечение безопасности переда-
ваемых через голосовых помощников данных.
6.1. Принцип работы виртуальных помощников
В настоящее время распространены следующие направле-
ния внедрения виртуальных помощников:
1. Чат-боты. Программы, которые имитируют реальный
разговор с пользователем с помощью текстовых сообщений на
сайтах, в мессенджерах или в мобильных приложениях [43].
Самые популярные направления внедрения чат-ботов:
Электронная коммерция. Чат-боты с интегрированными
возможностями
тенденцией в онлайн-торговле. Почти 50
росе HubSpot указали, что будут покупать предметы у чат-бота. Боты также могут давать персональные рекомендации по
продукту на основе активности пользователя, покупок в корзине и многого другого.
Мгновенные сообщения клиентам. Благодаря тому что
миллиарды людей во всем мире используют такие приложения
для обмена сообщениями, как
ger, чат-боты стали незаменимыми инструментами, помогающими компаниям управлять обменом сообщениями со своими
клиентами. Пример: более двух миллиардов сообщений, связанных с бизнесом, отправляются через Facebook Messenger
каждый месяц, а в Messenger — более 100 000 ботов.
Служба поддержки. Как уже говорилось выше, чат-роботы для обмена мгновенными сообщениями являются одним из
электронной коммерции являются растущей
% респондентов в оп-
WhatsApp и Facebook Messen-
87
Технологии искусственного интеллекта в банковской сфере
способов быстрого решения проблемы возврата к вашим клиентам. Чат-боты могут быть доступны 24 часа в сутки, предоставлять быстрые ответы на определенные вопросы и помогать клиентам быстро решать проблемы и жалобы.
2. IVR-системы. Система интерактивного голосового вза-
имодействия, позволяющая абоненту, используя специальное
речевое меню посредством технологии распознавания речи,
получить доступ к интересующей его информации [44].
Преимущества, которые получает бизнес от внедрения
IVR:
— снижается нагрузка на тех, кто принимает звонки;
— компания воспринимается клиентами как следующая
современным тенденциям;
— доступ к информации 24/7;
— возможность оставить сообщение также в режиме 24/7;
— ответ будет получен клиентом в удобном для него виде;
— фиксация разговоров для
анализа работы сотрудников
компании.
3. Умные ассистенты. Программное обеспечение, способное выполнять запрограммированные задачи на основе голосовых текстовых команд или вопросов пользователя.
Каждое направление может иметь разный уровень интеллектуальности разговора. Например, чат-боты могут выдавать
ответ только по заранее подготовленным вопросам, а могут с
помощью AI обрабатывать пользовательские запросы и
выдавать релевантные запросу ответы. Или же в IVR-системах робот колл-центра может ожидать только нажатие цифр в телефоне или же обрабатывать естественный голос человека.
Выделяют пять уровней интеллектуальности виртуальных
помощников:
Основанные на оповещениях. Этот технологический уровень уже пройден, и это так же просто, как получать уведом
ления на телефон, но вместо этого они отображаются в приложении для обмена сообщениями, например WhatsApp. Так
работают push-уведомления на устройствах iOS и Android с
основными настройками.
-
88
Глава 6
Вопрос-ответ. Это самый распространенный тип помощника прямо сейчас. Он позволяет ответить на простые вопросы, такие как в секциях вопросы и ответы на сайтах. Часто
строится вокруг набора правил или машины состояний. В некоторых помощниках вы можете вести многоэтапную беседу,
а также базовую переписку.
Контекстные помощники. В
таких типах важен контекст,
то есть помощник должен запоминать и использовать то, что
пользователь сказал раньше. Учет контекста также означает
способность понимать и реагировать на различные и неожиданные входные данные.
Персонализированные помощники. Так же, как и человек,
который со временем узнает вас, помощники начнут действовать таким же образом
. На этом уровне помощник с помощью
искусственного интеллекта будет учиться, когда самое подходящее время для связи и упреждающего контакта, основываясь на этом контексте. Он запомнит ваши предпочтения и
предоставит вам максимально персонализированный интерфейс.
Организация автономных помощников. В конце концов
появится группа помощников AI, которые знают каждого кли-
лично и в конечном итоге управляют значительной ча-
ента
стью операций компании — от генерации лидов до маркетинга, продаж, HR или финансов. Это видение, которое мы воспринимаем как реальность, даже если до него осталось десять
лет.
На данном этапе развития технологий активно развиваются
контекстные помощники. Наиболее популярные устройства —
Google Assistant, Amazon Alexa, Яндекс.Станция — уже
реали-
зуют этот уровень и отвечают пользователю при помощи истории диалога.
Общий принцип работы контекстных помощников изоб-
ражен на рисунке 35.
89
Технологии искусственного интеллекта в банковской сфере
Рис. 35. Принцип работы контекстных помощников
Для выполнения запросов виртуальные помощники по-
строены на сложном конвейере технологии ИИ:
Пробуждающая фраза. Детектор, установленный на уст-
ройстве, прослушивает, чтобы пользователь произнес определенное слово или фразу для активизации помощника. Также
возможна активация помощника другими способами, например физической кнопкой на устройстве.
Automatic Speech Recognition (ASR). Переводит произнесенное пользователем предложение в
транскрипцию.
Natural Language Understanding (NLU). Принимает транскрипцию того, что сказал пользователь, и предсказывает его
намерение, какую задачу хочет решить пользователь. Этот
компонент понимает, что пользователи могут сформулировать
одно и то же действие множеством различных способов, при
этом должен появиться один результат.
The Dialogue Manager (DM). Определяет, что ответить
пользователю, предпринимать ли какие-либо действия и как
обрабатывать разговор.
Text to Speech (TTS). Возвращает голосовой ответ пользо-
вателю.
Еще один важный этап в развитии умных помощников —
появление платформы для создания сторонних приложений на
90
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]