И хотя в курсе сделан акцент на проектировании чатботов с заданной схемой диалогов, все же возможно создание по-настоящему умных ботов-собеседников - оно требует понимания обработки естественного языка (NLP). Эта технология позволяет чатботам анализировать и интерпретировать текст, чтобы обеспечивать более естественное взаимодействие с пользователями. В этом уроке вы узнаете, как работают ключевые слова, шаблоны и синтаксический разбор, а также поймете, в каких случаях использование NLP более эффективно, чем классических схем взаимодействия.
Ограничения кнопочных интерфейсов
Хотя кнопки обеспечивают простоту использования, они ограничивают взаимодействие и часто негативно влияют на восприятие чатбота человеком. Пользователи чувствуют, что их действия и вопросы жёстко ограничены заранее определёнными вариантами, которые не соответствуют тем вопросам и ответам, что они хотят напечатать - это создаёт ощущение искусственности общения.
Например, если человеку нужно уточнить сложный вопрос, кнопочный интерфейс приведет к тому, что пользователь просто откажется от общения, так как он не предлагает нужного уровня гибкости. Для поиска ответа пользователи обычно хотят его просто записать, однако вместо такого простого решения они видят список кнопок. Нажимают, потом видят еще список, не находят ответ, опять нажимают и еще получают список. Это снижает их интерес и вовлечённость, особенно если задачи пользователя выходят за рамки сценария, предлагаемого кнопками.
Конечно, мы оставляем за рамками разговора использование кнопок в уже привычных выборах типа размера пиццы или выбора пешком / на машине, прохождения тестирования и так далее. Мы говорим о более сложном анализе, когда вариантов ответов много, и о распознавании текстов во всем их многообразии.
Причины появления и активного развития NLP связаны именно с этими ограничениями. Люди ожидают, что программы будут понимать их так же, как это делают другие люди. NLP предоставляет пользователям свободу формулировать свои запросы в естественной форме и получать релевантные ответы. Эта способность делает взаимодействие более человеческим и снижает барьеры между пользователем и ботом.
Как работают ключевые слова и шаблоны?
Начнем наше погружение с понимания концепции ключевых слов. Это наиболее простой вариант анализа текста.
Ключевые слова — это основа многих чатботов. Принцип их работы заключается в том, чтобы распознавать определённые слова или фразы в сообщении пользователя и сопоставлять их с заранее заданными ответами.
Например, если пользователь вводит «Сколько стоит подписка?», правильно настроенный чатбот ищет ключевые слова в разных формах «стоимость/цена/стоит» и «подписка/продукт». Обнаружив их, он предоставляет соответствующую информацию, например: «Подписка стоит 500 рублей в месяц.» Вот пример простого бота, созданного пару лет назад, который все еще решает таким образом задачу ограниченного выбора.
Так работают и многие блоки образовательных чатботов сегодня. Система проверяет данный пользователем ответ на вопрос на наличие определенных слов и цифр и выставляет правильность ответа на основании этого поиска, в частности, так проводится анализ ответов на открытые вопросы в кейсах. Это, так называемые, проверки на вхождение одного из слов списка или каждой группы слов.
Однако подход, основанный исключительно на ключевых словах, имеет ограничения. Такой бот может не справиться с более сложными фразами, такими как: «Могу ли я узнать, сколько будет стоить годовая подписка со скидкой? Я давно уже пользуюсь сервисом, однако цена довольно высока, поэтому не помешала бы хорошая цена.» В таких случаях на помощь приходят более сложные инструменты обработки естественного языка, которые позволяют ботам понимать смысл сказанного.
Но до них есть еще один промежуточный вариант, который является развитием анализа по ключевым словам,- шаблоны. Они позволяют чатботам учитывать структуру предложений с учетом изменений отдельных слов (конечно, если они незначимы для этого шаблона). Например, для вопроса о стоимости можно задать шаблон: «Сколько стоит [объект]?» В этом предложении «объект» — это переменная, которую бот может заменить на любое синонимичное слово, например «подписка», «услуга» или «курс».
Использование шаблонов делает чатботы более гибкими. Если пользователь спросит: «Можете сказать, сколько стоит базовый тариф?», бот поймёт структуру фразы и извлечёт ключевую информацию по шаблону, чтобы ответить.
Шаблоны полезны для стандартных вопросов, где можно предугадать структуру и ключевые слова. Однако если пользователь формулирует свой запрос нестандартно, шаблонов все еще недостаточно. И для таких случаев применяется синтаксический разбор, о котором поговорим дальше.
Забегая вперед, подумайте, по возможности стоит ли переходить к наиболее продвинутой технологии сразу. Кажется, что да, но все же преимущества у более простых вариантов есть. Чатботы, построенные на анализе ключевых слов и шаблонов, просты в реализации и не требуют сложных алгоритмов. Такой подход подходит для задач, где запросы пользователя предсказуемы. Например, простые FAQ-боты, которые предоставляют ответы на стандартные вопросы вроде «Где находится офис?» или «Как изменить пароль?», успешно используют ключевые слова. Если пользователь сформулирует свой вопрос нестандартно, такие боты могут не дать точного ответа. Но ведь часто этого и не требуется...
Синтаксический разбор
Синтаксический разбор — это анализ структуры предложения для определения его смысла.
Алгоритм с синтаксическим разбором может понять, какие слова являются подлежащим, сказуемым, дополнением и другими частями речи. Это позволяет боту понимать смысл сказанного, а не просто реагировать на отдельные слова.
Например, если пользователь вводит: «Я хочу узнать о скидках на подписку», бот анализирует предложение и выделяет ключевые элементы:
- «Я» — субъект (кто спрашивает),
- «хочу узнать» — действие (что сделать),
- «о скидках на подписку» — объект интереса (что именно).
Используя эти данные, чатбот может предоставить релевантный ответ: «У нас есть скидка 10% на годовую подписку. Хотите узнать больше?»
Сравните это с подходом на основе ключевых слов. Чатбот, работающий только с ключевыми словами, мог бы не учесть всю фразу и дать некорректный или не до конца релевантный ответ. Синтаксический разбор позволяет обрабатывать даже сложные или многозначные фразы, такие как: «Если я подпишусь сегодня, могу ли я получить дополнительные бонусы?» В этом случае выделяет ключевые элементы:
- «Я» — субъект (кто спрашивает),
- «если» — показатель наличия условия,
- «подпишусь» — условие (в каком случае),
- «могу получить» — действие (что сделать),
- «дополнительные бонусы» — объект интереса (что именно).
Благодаря пониманию структуры предложения бот интерпретирует намерение пользователя и даёт точный ответ. С точки зрения человека, такой чатбот лучше адаптируется к разнообразию фраз, которые могут использовать пользователи, и снижает необходимость заранее прописывать огромные списки ключевых слов. Например, ChatGPT применяет такие методы анализа, чтобы понимать контекст и отвечать на вопросы, даже если они сформулированы необычно.
Для специалистов, занимающихся контентом, синтаксический разбор открывает совершенно иные возможности. Они могут создавать материалы с учётом сложной структуры запросов, а также обучать модели, чтобы те не только подстраивались под продукт, но под тональность и стиль их бренда.
Искусственный интеллект и его возможности
Системы с ИИ применяют соответствующие методы анализа, чтобы понимать контекст и отвечать на вопросы, даже если они сформулированы необычно. Дообученный чатбот с ИИ может отвечать на запросы вроде «Какие курсы по программированию вы рекомендуете для начинающих?» не только общими фразами. Он будет давать точные рекомендации, включающими продукты компании.
Как ИИ понимает слова и текст?
Немного информации для тех, кто хочет покапаться в технической составляющей, как это обрабатывается. Если с поиском записанных слов в тексте, на первый взгляд все понятно, то как происходит «понимание смысла» таких разнообразных текстов компьютеров? В системах вроде ChatGPT каждое слово преобразуется в числовую форму — вектор. Эти векторы не просто представляют сами слова, но и их взаимосвязь в контексте.
Представьте, что ИИ «думает» в многомерном пространстве, где слова, близкие по смыслу, находятся рядом. Например, «кошка» и «собака» окажутся ближе друг к другу, чем «кошка» и «стол». Это помогает чатботу понимать, что пользователь, спрашивающий о питомце, вероятно, интересуется не только кошками, но и собаками, при этом не интересуясь столами.
Благодаря этому подходу ИИ может обрабатывать сложные запросы, понимая не только сами слова, но и их значение в контексте. Например, на вопрос «Какой вид подписки лучше для семьи?» модель интерпретирует связь между словами «вид», «подписка» и «семья» и генерирует ответ, который учитывает все составляющие смысла вопроса.
Соответственно, происходит и генерирование ответа, основанного на контексте и вероятности связей между словами. Например, в таких системах, как ChatGPT, используются механизмы автозаполнения текста, где модель на каждом этапе генерирует следующее слово или фразу, предсказывая их вероятность на основе предыдущего контекста. Конечно, сейчас я упростил то, как работает модель ChatGPT, чтобы было понятно. Ее сложная, многоуровневая программа позволяет создавать связные и содержательные ответы, которые учитывают сложные нюансы формулировок.
Дообучение NLP-модели
Как я уже писал ранее, для простоты представляйте, что слова представляют собой вектора, а модель строится на основе вероятности связей между словами, как в вопросе, так и в ответе. Сегодня публикуется все больше ИИ моделей. У них отличаются модели перевода абзацев и слов в вектора, модели поиска связей, различаются данные, на которых они тренируются, и многое другое.
Эти модели готовы к тому, чтобы общаться с пользователями и давать соответствующие ответы. Но если вы хотите, чтобы ваш чатбот предоставлял ответы, которые максимально соответствуют специфике вашего продукта, вы можете дообучить уже готовые NLP-модели. То есть скорректировать эти вектора так, чтобы модель выбирала другие тексты.
Для начала подготовьте текстовые данные, которые включают часто задаваемые вопросы, описания продуктов, инструкции и отзывы клиентов. Чем больше данных (то есть больше разнообразных вопросов и текстов), тем точнее ответы будет выдавать ваша модель.
Далее разделите данные на категории, выделите ключевые темы и вопросы. Например, для интернет-магазина вы можете выделить следующие группы текстов: «Оплата», «Доставка», «Возврат». В идеале, поделите весь объем на большее число групп, к каждой из которых подготовьте идеальный ответ (текст). Это поможет системе векторов не только лучше понимать, на что отвечать, но и как именно отвечать.
Если с большим количеством текстов не получается, то разметьте имеющиеся данные, указав, какие ответы должна генерировать модель на определённые вопросы. Многие ИИ сервисы предлагают грузить такую информацию в формате файлов с парами «вопрос — ответ» или как набор помеченных примеров.
Хотите научиться делать чат-ботов? Начните сейчас!
Чат-боты — будущее общения с клиентами и автоматизации процессов. Начните изучать их создание прямо сейчас на бесплатном открытом курсе!
Используйте платформы вроде OpenAI, Hugging Face, DeepSeek или Google AI, чтобы загрузить данные и обучить модель. Например, можно использовать уже готовую предобученную модель, такую как GPT-o, и адаптировать её под ваши задачи.
Такие дообученные модели значительно повышают качество обслуживания, делая ответы точными и полезными для ваших клиентов.
ИИ и другие модели: применение
Так что, получается, что с точки зрения обработки текстов, чатбот с обработкой естественного языка во всем лучше, а потому его стоит использовать везде? Не совсем так… NLP подходит для задач, где важна гибкость и возможность адаптации под сложные запросы. Например:
- Обслуживание клиентов, где пользователи формулируют вопросы разными способами.
- Образовательные чатботы, которые отвечают на широкий спектр вопросов в рамках образовательного процесса.
- Маркетинговые кампании, где необходимо анализировать намерения пользователя для предоставления персонализированных предложений.
Однако если ваш чатбот работает в рамках строго определённых сценариев, таких как выбор меню или оформление заказа, лучше использовать стандартную схему взаимодействия. Она проще, быстрее в реализации и не требует сложной обработки текста, а значит на ее создание и работу уйдет меньше ресурсов.
Более того, некоторые задачи требуют именно сценарного подхода, когда выбор пользователя должен быть ограничен. Например, для бота, помогающего заказать пиццу, эффективнее использовать кнопки с вариантами ответов для «Выберите размер пиццы», «Выберите начинку», чем разбираться с большим текстовым сообщением с идеальной для покупателя пиццей. Точно так же имеет смысл использовать чатбота, основанного на схеме, если вы хотите с его помощью заказывать пропуска или проводить обучение учеников.
Гибридные системы чатботов в обучении
Поскольку в этом курсе я делаю уклон в сторону обучения и тестирования с помощью чатботов, то вопрос о том, что именно использовать для этого, не будем обходить стороной.
Прежде всего, основная задача таких чатботов — не только оценить уровень знаний, но и помочь пользователям восполнить пробелы в обучении. С этой точки зрения у ИИ явные преимущества в:
Гибкость и адаптация
NLP позволяет чатботам понимать широкий спектр формулировок вопросов и ответов. Это особенно важно в обучении, где пользователи могут задавать вопросы или отвечать неформально, а иногда и с ошибками. Например, студент может написать: «Почему Земля вращается вокруг Солнца?», или спросить более неструктурированно: «Почему Солнце главное в системе?». Чатбот с NLP сможет интерпретировать оба запроса, как связанные с гравитацией и движением планет.
Персонализация
NLP-модели способны адаптироваться под стиль общения пользователя, предлагать индивидуальные рекомендации и объяснения. Это делает процесс обучения более комфортным и эффективным.
Проверка и пояснение ошибок
Чатбот с NLP может не только сообщить, что ответ неверный, но и объяснить, почему, предоставив дополнительные материалы. Например, если ученик ошибся в математическом уравнении, бот может выделить шаг, где допущена ошибка, и подсказать, как её исправить.
Обработка нестандартных ситуаций
Пользователь может задавать вопросы, выходящие за рамки программы, и чатбот с NLP способен обработать их или направить к релевантным источникам.
И вместе с этим очевидны ограничения использования NLP, которые мы обсуждали ранее:
Сложность реализации
Создание чатбота на базе NLP требует значительных ресурсов для подготовки данных и обучения модели. Это довольно трудоёмкий процесс, особенно для узкоспециализированных тем с небольшим количеством электронных источников.
Несоответствие ответов действительности
NLP может генерировать ответы, которые звучат правдоподобно, но при этом содержат ошибки. В образовательной среде это недопустимо, так как вводит пользователя в заблуждение. Именно поэтому, несмотря на активное развитие ИИ, в образовании пока лидируют боты, основанные на заложенной в него и проверенной схеме.
Высокие требования к данным
Чтобы NLP-модель эффективно работала, необходимы большие массивы качественных данных: учебные материалы, ответы экспертов и примеры правильных и неправильных решений. Без этого эффективность бота будет низкой.
Соответственно, чатботы с кнопками и выстроенной преподавателем схемой диалога будут востребованы, потому что:
Чёткие сценарии обучения
Если материал подаётся строго по программе (например, подготовка к экзамену), то кнопочные интерфейсы более надёжны. Они гарантируют, что пользователь пройдёт через все необходимые этапы и получит точные ответы. Да и самому пользователю такое общение удобнее - нет необходимости вводить длинные тексты.
Минимизация ошибок
Классический чатбот исключает риск предоставления некорректной информации. Пользователь выбирает ответы из списка, а бот реагирует в пределах заранее прописанных сценариев.
Простота разработки и поддержки
Классическая схема проще в реализации и не требуют сложных алгоритмов или больших объёмов данных. Это экономит ресурсы и время.
Эффективность в тестировании
При проверке знаний важно, чтобы ответы были однозначными. Например, при подготовке к тесту или экзамену пользователь выбирает из предложенных вариантов, а чатбот сразу оценивает результат и корректирует программу обучения.
И все же, если цель — создать интерактивную и гибкую систему, которая обучает и проверяет знания, стоит использовать гибридный подход:
- NLP для сложных запросов и объяснений позволяет отвечать на нестандартные вопросы, пояснять ошибки и адаптироваться под стиль пользователя. Когда нет необходимости в четкой и последовательной схеме, а данные могут быть не проверены, вы можете использовать ИИ. Его также стоит применять для анализа смысла и настроя текстов, чтобы, например, проводить оценку открытого ответа пользователя.
- Кнопки и схемы для проверки знаний и определенного обучения гарантируют структурированность и точность при тестировании.
Такой подход обеспечивает баланс между гибкостью и надёжностью, делая процесс обучения эффективным и удобным, а значит, использовать преимущества обоих подходов и создавать похожих на человека собеседников.
В конце урока предлагаем подумать над тем, в каких случаях и почему вы бы использовали чатботов с ИИ, с уже настроенными диалогами и гибридные варианты (помимо уже названных примеров)?
Как будете готовы, переходите к следующему уроку.
Вам также понравится
Научитесь создавать ботов из программирования
Прекрасная идея? Создайте бота для ее реализации самостоятельно. Мы научим и проведем через все этапы от поиска идеи и написания диалогов до публикации и удержания интереса пользователей на бесплатном открытом курсе.