Resposta inteligente

A Resposta inteligente acompanha uma conversa entre um agente humano e um usuário final e sugere respostas para o agente humano. As respostas sugeridas são calculadas por um modelo personalizado treinado com seus dados de conversa.

Este documento explica o processo de uso da API para implementar a Resposta inteligente e receber sugestões desse recurso. Se preferir, use o console do Assistente de agente para fazer upload dos dados, treinar um modelo e testar os resultados da Resposta inteligente durante o tempo de design. Para ver as sugestões da Resposta inteligente durante a execução, chame a API diretamente. Consulte o tutorial da Resposta inteligente para detalhes sobre como treinar um modelo e testar a performance dele usando o console do Agent Assist.

O Agent Assist também fornece dados de conversas disponíveis publicamente, além de um modelo pré-treinado e uma lista de permissões. Use esses recursos para saber como a Resposta inteligente funciona ou teste sua integração antes de fazer upload dos seus próprios dados. Consulte a documentação sobre o formato dos dados de conversa para mais informações.

Observação: para saber se o recurso Resposta inteligente está disponível no seu idioma, consulte a página de suporte a idiomas.

Antes de começar

Antes de começar este guia, faça o seguinte:

1. Crie um conjunto de dados de conversas usando seus próprios dados de transcrição.
2. Treine um modelo de Resposta inteligente usando seus conjuntos de dados de conversas.

Informações de identificação pessoal e dados de crianças

Quando você envia dados para essa API, ela tenta encobrir todas as informações de identificação pessoal (PII). Se você precisar garantir que o modelo não inclua PII, limpe os dados antes de enviá-los à API. Substitua as palavras censuradas por marcadores de posição, como `REDACTED_NUMBER` ou `REDACTED_NAME`, em vez de apenas removê-las.

Além disso, se os dados contiverem informações coletadas de crianças, remova os dados das crianças antes de enviá-los à API.

Treinar e implantar um modelo

Os modelos de Resposta inteligente do Assistente do agente são treinados usando conjuntos de dados de conversas. Um conjunto de dados de conversa contém seus próprios dados de transcrição enviados. Esta seção mostra o processo de criação de um conjunto de dados de conversas, upload dos dados de conversa para ele e treinamento e implantação de um modelo. Você também pode realizar essas ações usando o console do Assistente de agente se preferir não chamar a API diretamente.

Criar um conjunto de dados de conversa

Antes de começar a fazer upload das transcrições de conversas, crie um conjunto de dados de conversas para armazená-las. Chame o método create no recurso ConversationDataset para criar um conjunto de dados de conversas.

A resposta contém um ID do conjunto de dados de conversa.

Importar transcrições de conversa para o conjunto de dados de conversa

Faça upload dos dados da conversa para o conjunto de dados de conversa para que eles possam ser processados pelo Agent Assist. Verifique se uma transcrição de cada conversa está no formato JSON e armazenada em um bucket do Cloud Storage. Um conjunto de dados de conversas precisa ter pelo menos 30.000 conversas. Caso contrário, o treinamento de modelo vai falhar. Como regra geral, quanto mais conversas você tiver, melhor será a qualidade do modelo. Recomendamos o envio de pelo menos três meses de conversas para abranger o máximo possível de casos de uso. O número máximo de mensagens em um conjunto de dados de conversa é 1.000.000.

Chame o método importConversationData no recurso ConversationDataset para importar suas conversas.

Campos obrigatórios:

• O ID do conjunto de dados de conversa que você criou antes.
• O caminho inputConfig leva aos dados de transcrição da conversa em um bucket do Cloud Storage.

A resposta é uma operação de longa duração, que pode ser pesquisada para verificar se foi concluída.

Criar um modelo de conversa

Chame o método create no recurso ConversationModel para criar um modelo de conversa. Essa ação também cria a lista de permissões do modelo.

Campos obrigatórios:

• Em datasets, forneça um único conjunto de dados usando o ID do conjunto de dados de conversas que você criou anteriormente.
• Defina smartReplyModelMetadata como um objeto vazio ou preencha o campo para substituir o padrão.

A resposta é uma operação de longa duração, que pode ser pesquisada para verificar se foi concluída. Depois de concluída, o ID do modelo e o ID da lista de permissões serão incluídos nos metadados da operação.

• ID do modelo: name
• ID da lista de permissão: smart_reply_model_metadata.associated_allowlist_info.document

Implantar o modelo de conversa

Chame o método deploy no recurso ConversationModel para implantar o modelo de conversa.

Campo obrigatório:

• Use conversationModels: insira o ID do modelo de conversa que você criou anteriormente.

Gerenciar uma lista de permissões

Cada modelo tem uma lista de permissões associada a ele, que é criada automaticamente quando você cria um modelo de conversa. A lista de permissões contém todas as respostas, geradas com base nos seus conjuntos de dados de conversa, que podem ser apresentadas a um agente humano durante a execução. Esta seção descreve a criação e o gerenciamento de listas de permissões. Você também pode realizar essas ações usando o console do Agent Assist se preferir não chamar a API diretamente.

Exporte o conteúdo da lista de permissões para um arquivo CSV.

A criação de modelos gera automaticamente uma lista de permissões associada ao novo modelo. A lista de permissão é um recurso de documento com um ID exclusivo. O ID é retornado em smart_reply_model_metadata.associated_allowlist_info.document quando um modelo é criado. Para analisar e fazer mudanças nas mensagens da lista de permissões, exporte-a para um bucket do Cloud Storage.

Chame o método export no recurso Document para exportar o documento para um arquivo CSV em um bucket do Cloud Storage. O campo smart_messaging_partial_update é opcional, mas afeta a forma como você poderá atualizar essa lista de permissões no futuro. Se definido como true, o arquivo CSV exportado vai incluir uma coluna que contém um ID exclusivo para cada mensagem. É possível usar o ID da mensagem para atualizar apenas mensagens específicas em vez do documento inteiro. Se smart_messaging_partial_update estiver definido como false ou não estiver definido, a coluna extra não vai aparecer no arquivo, e todas as atualizações na lista de permissões vão exigir uma atualização em todo o documento.

Campo obrigatório:

• O caminho gcsDestination vai para o bucket do Cloud Storage.

A resposta é uma operação de longa duração, que pode ser pesquisada para verificar se foi concluída. Depois disso, o arquivo CSV que você forneceu na solicitação é preenchido com candidatos de resposta.

Revisar a lista de permissões

A lista de permissões gerada contém respostas que foram criadas automaticamente pela Resposta Inteligente com base nos seus dados de conversa. Agora você pode revisar e atualizar essas respostas conforme necessário. Faça o download do arquivo CSV do bucket do Cloud Storage, edite-o para atender às suas necessidades e faça upload do arquivo de volta para o bucket do Cloud Storage. Somente respostas na lista de permissões podem ser mostradas aos atendentes humanos.

Se você editar alguma resposta, recomendamos que faça isso apenas para corrigir ortografia e gramática, sem mudar o significado da mensagem. Quanto mais o texto editado se desviar do significado no modelo, menor será a probabilidade de a mensagem aparecer.

Você também pode criar novas mensagens, se necessário. Assim como as mensagens editadas, as mensagens criadas têm menos probabilidade de aparecer durante a execução.

Atualizar a lista de permissões

Depois de atualizar o arquivo CSV, use-o para atualizar o recurso Document. É possível atualizar toda a lista de permissão ou apenas mensagens específicas. Para atualizar apenas mensagens específicas, você precisa ter definido smart_messaging_partial_update como true ao exportar a lista de permissão. Se você já fez isso, use a coluna gerada automaticamente no arquivo CSV exportado para indicar as mensagens que precisam ser atualizadas.

Chame o método reload no recurso Document para atualizar a lista de permissões. Para atualizar apenas mensagens específicas, defina smart_messaging_partial_update como true no ReloadDocumentRequest. Para atualizar toda a lista de permissões, deixe smart_messaging_partial_update sem definição ou defina como false.

Campos obrigatórios:

• gcsSource é o caminho do Cloud Storage para o arquivo CSV.
• Para name, use o nome do recurso da lista de permissões gerado quando você criou um modelo de conversa.

Exemplo de solicitação:

{
  "name":"projects/project-id/knowledgeBases/knowledge-base-id/documents/allowlist-id",
  "gcsSource" {
      "uri": "gs://revised_smart_reply_allowlist_path"
   }
}

Avaliar a performance de um modelo treinado

É possível testar o desempenho de um modelo depois de implantá-lo e criar uma lista de permissões para ele. Também é necessário fornecer um conjunto de dados de teste. As respostas geradas pelo modelo de Respostas rápidas treinado e a lista de permissões associada serão comparadas às mensagens reais do agente no conjunto de dados de teste. O conjunto de dados de teste precisa ser composto de dados de conversas reais, mas não pode conter nenhum dos dados do conjunto de dados de conversas usado para treinar o modelo. Por exemplo, com um mês de tráfego de conversas, você pode usar três semanas de dados para criar um conjunto de dados de conversas e a semana restante para criar o conjunto de dados de teste. Um conjunto de dados de teste precisa ter no mínimo 1.000 conversas, mas, como regra geral, as métricas de avaliação serão mais confiáveis com mais conversas no conjunto de dados de teste. O formato do conjunto de dados de teste é o mesmo do formato do conjunto de dados de conversa.

Para criar uma avaliação de modelo, chame o método CreateConversationModelEvaluation em um recurso ConversationModel. Esse método retorna uma operação de longa duração. Você pode pesquisar a operação para verificar o estado dela, que vai retornar um dos seguintes valores: INITIALIZING, RUNNING, SUCCEEDED, CANCELLED, FAILED.

Campos obrigatórios:

• InputDataset: o conjunto de dados de teste que será usado para testar a performance do modelo.
• allowlist_document: a lista de permissões associada ao modelo de Resposta inteligente a ser testado.

Um recurso ConversationModelEvaluation é retornado quando a operação de longa duração é concluída. Duas métricas estão incluídas:

• allowlist_coverage: a porcentagem de mensagens do agente no conjunto de dados de teste que são cobertas pela lista de permissões.
• recall: a porcentagem de mensagens do agente no conjunto de dados de teste que estão contidas na lista de permissão e aparecem nas três principais sugestões apresentadas pelo modelo de Resposta inteligente.

Configurar um perfil de conversa

Um perfil de conversa configura um conjunto de parâmetros que controlam as sugestões feitas a um agente durante uma conversa. As etapas a seguir criam um ConversationProfile com um objeto HumanAgentAssistantConfig. Você também pode realizar essas ações usando o console do Agent Assist se preferir não chamar a API diretamente.

Criar um perfil de conversa

Para criar um perfil de conversa, chame o método create no recurso ConversationProfile. Forneça o ID da base de conhecimento, do documento, do ID do projeto e do modelo.

Confira um exemplo de JSON:

{
  "displayName":"smart_reply_assist",
  "humanAgentAssistantConfig":{
    "humanAgentSuggestionConfig":{
      "featureConfigs":[
        {
          "suggestionFeature": { "type":"SMART_REPLY" },
          "queryConfig": {
            "documentQuerySource":{
              "documents": ["projects/PROJECT_ID/knowledgeBases/KNOWLEDGE_BASE_ID/documents/DOCUMENT_ID"]
              },
                "maxResults": 3
              },
            }
          },
          "conversationModelConfig":{
            "model": "projects/PROJECT_ID/conversationModels/MODEL_ID"
          }
        }
      ]
    }
  }
}

Recomendamos que você defina o valor de SuggestionFeatureConfig.enable_inline_suggestion. Se esse valor for verdadeiro, as chamadas posteriores para AnalyzeContent resultarão em respostas com uma lista de sugestões.

A resposta contém o novo ID do perfil de conversa.

Consulte Resposta inteligente generativa para instruções sobre como configurar um perfil de conversa, lidar com conversas durante a execução, testar seus resultados e enviar feedback para o Agent Assist.