Risposta rapida

Risposta rapida segue una conversazione tra un agente umano e un utente finale e mostra le risposte suggerite all'agente umano. Le risposte suggerite vengono calcolate da un modello personalizzato addestrato sui tuoi dati di conversazione.

Questo documento illustra la procedura di utilizzo dell'API per implementare la funzionalità Risposta rapida e ricevere suggerimenti. Se preferisci, hai la possibilità di utilizzare la console Agent Assist per caricare i dati, addestrare un modello e testare i risultati di Risposta rapida in fase di progettazione. Per visualizzare i suggerimenti di Risposta rapida durante l'esecuzione, devi chiamare direttamente l'API. Consulta il tutorial su Risposta rapida per informazioni dettagliate sull'addestramento di un modello e sul test del relativo rendimento utilizzando la console di Agent Assist.

Agent Assist fornisce inoltre dati sulle conversazioni disponibili pubblicamente, nonché un modello preaddestrato e una lista consentita. Puoi utilizzare queste risorse per scoprire come funziona Smart Reply o per testare l'integrazione prima di caricare i tuoi dati. Per ulteriori informazioni, consulta la documentazione relativa al formato dei dati sulle conversazioni.

Prima di iniziare

Prima di iniziare questa guida, completa quanto segue:

  1. Crea un set di dati di conversazione utilizzando i tuoi dati delle trascrizioni.
  2. Addestrare un modello di Risposta rapida utilizzando i set di dati delle conversazioni.

Informazioni che consentono l'identificazione personale e dati dei bambini

Quando invii dati a questa API, l'API tenta di oscurare tutte le informazioni che consentono l'identificazione personale (PII). Se devi assicurarti che il modello non includa PII, devi eseguire la sanificazione dei dati prima di inviarli all'API. Sostituisci le parole oscurate con segnaposto come "REDACTED_NUMBER" o "REDACTED_NAME" anziché rimuoverle semplicemente.

Inoltre, se i tuoi dati contengono informazioni raccolte da bambini, devi rimuoverli prima di inviarli all'API.

Addestra ed esegui il deployment di un modello

I modelli di Risposta rapida di Agent Assist vengono addestrati utilizzando set di dati di conversazione. Un set di dati di conversazione contiene i dati delle trascrizioni che hai caricato. Questa sezione descrive la procedura per creare un set di dati di conversazione, caricarvi i dati delle conversazioni, addestrare e implementare un modello. Puoi anche eseguire queste azioni utilizzando la console Agent Assist se preferisci non chiamare direttamente l'API.

Creare un set di dati di conversazione

Prima di poter iniziare a caricare le trascrizioni delle conversazioni, devi creare un set di dati delle conversazioni in cui inserirle. Chiama il metodo create sulla risorsa ConversationDataset per creare un set di dati di conversazione.

La risposta contiene un ID set di dati di conversazione.

Importare le trascrizioni delle conversazioni nel set di dati conversazione

Carica i dati delle conversazioni di chat nel tuo set di dati delle conversazioni in modo che possano essere elaborati da Agent Assist. Assicurati che una trascrizione di ogni conversazione sia in formato JSON e archiviata in un bucket Cloud Storage. Un set di dati di conversazione deve contenere almeno 30.000 conversazioni, altrimenti l'addestramento del modello non andrà a buon fine. Come regola generale, più conversazioni hai, migliore sarà la qualità del modello. Ti consigliamo di caricare almeno 3 mesi di conversazioni per coprire in modo sufficiente il maggior numero possibile di casi d'uso. Il numero massimo di messaggi in un set di dati di conversazione è 1.000.000.

Chiama il metodo importConversationData sulla risorsa ConversationDataset per importare le conversazioni.

Campi obbligatori:

  • L'ID del set di dati di conversazione che hai creato in precedenza.
  • Il percorso inputConfig rimanda ai dati della trascrizione della conversazione in un bucket Cloud Storage.

La risposta è un'operazione a lunga esecuzione, che puoi sottoporre a polling per verificare il completamento.

Creare un modello di conversazione

Chiama il metodo create sulla risorsa ConversationModel per creare un modello di conversazione. Questa azione crea anche la lista consentita del modello.

Campi obbligatori:

  • In datasets, fornisci un singolo set di dati utilizzando l'ID set di dati di conversazione che hai creato in precedenza.
  • Imposta smartReplyModelMetadata su un oggetto vuoto o compila il campo per sostituire il valore predefinito.

La risposta è un'operazione a lunga esecuzione, che puoi sottoporre a polling per verificare il completamento. Al termine, l'ID modello e l'ID lista consentita verranno inclusi nei metadati per l'operazione.

  • ID modello: name
  • ID lista consentita: smart_reply_model_metadata.associated_allowlist_info.document

Esegui il deployment del modello di conversazione

Chiama il metodo deploy sulla risorsa ConversationModel per eseguire il deployment del modello di conversazione.

Campo obbligatorio:

  • Utilizza conversationModels: inserisci l'ID del modello di conversazione creato in precedenza.

Gestire una lista consentita

A ogni modello è associata una lista consentita, che viene creata automaticamente quando crei un modello di conversazione. La lista consentita contiene tutte le risposte generate dai tuoi set di dati di conversazione che possono essere mostrate a un agente umano in fase di esecuzione. Questa sezione descrive la creazione e la gestione della lista consentita. Puoi anche eseguire queste azioni utilizzando la console Agent Assist se preferisci non chiamare direttamente l'API.

Esportare i contenuti della lista consentita in un file CSV

La creazione del modello genera automaticamente una lista consentita associata al nuovo modello. La lista consentita è una risorsa Document con un ID univoco. L'ID viene restituito in smart_reply_model_metadata.associated_allowlist_info.document quando viene creato un modello. Per esaminare e apportare modifiche ai messaggi nella lista consentita, devi esportarla in un bucket Cloud Storage.

Chiama il metodo export sulla risorsa Document per esportare il documento in un file CSV in un bucket Cloud Storage. Il campo smart_messaging_partial_update è facoltativo, ma influisce sul modo in cui potrai aggiornare questa lista consentita in futuro. Se impostato su true, il file CSV esportato includerà una colonna che contiene un ID univoco per ogni messaggio. Puoi utilizzare l'ID messaggio per aggiornare solo i messaggi specificati anziché l'intero documento. Sesmart_messaging_partial_update è impostato su false o non è impostato, la colonna aggiuntiva non verrà visualizzata nel file e qualsiasi aggiornamento della lista consentita richiederà un aggiornamento dell'intero documento.

Campo obbligatorio:

  • Il percorso gcsDestination rimanda al tuo bucket Cloud Storage.

La risposta è un'operazione a lunga esecuzione, che puoi sottoporre a polling per verificare il completamento. Successivamente, il file CSV fornito nella richiesta viene compilato con le risposte candidate.

Rivedi la lista consentita

La lista consentita generata contiene le risposte generate automaticamente da Risposta rapida in base ai dati della conversazione. Ora puoi esaminare e aggiornare queste risposte in base alle tue esigenze. Scarica il file CSV dal bucket Cloud Storage, modificalo in base alle tue esigenze e caricalo di nuovo nel bucket Cloud Storage. Solo le risposte presenti nella lista consentita possono essere mostrate agli agenti umani.

Se modifichi le risposte, ti consigliamo di farlo solo per correggere l'ortografia e la grammatica e di non cambiare il significato del messaggio. Più il testo modificato si discosta dal significato nel modello, meno è probabile che il messaggio venga visualizzato.

Se necessario, puoi anche creare nuovi messaggi. Analogamente ai messaggi modificati, i messaggi creati hanno meno probabilità di essere visualizzati durante l'esecuzione.

Aggiornare la lista consentita

Una volta completato l'aggiornamento del file CSV, puoi utilizzarlo per aggiornare la risorsa Document. Puoi scegliere di aggiornare l'intera lista consentita o solo alcuni messaggi. Per aggiornare solo i messaggi specificati, devi aver impostato smart_messaging_partial_update su true quando esportavi la lista consentita. Se lo hai già fatto, utilizza la colonna generata automaticamente nel file CSV esportato per indicare i messaggi da aggiornare.

Chiama il metodo reload sulla risorsa Document per aggiornare la lista consentita. Per aggiornare solo i messaggi specificati, imposta smart_messaging_partial_update su true in ReloadDocumentRequest. Per aggiornare l'intera lista consentita, lascia smart_messaging_partial_update non impostato o impostalo su false.

Campi obbligatori:

Esempio di richiesta:

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

Valutare le prestazioni di un modello addestrato

Puoi testare le prestazioni di un modello dopo averlo disegnato e aver creato una lista consentita. Devi anche fornire un set di dati di test. Le risposte generate dal modello di Risposta rapida addestrato e dalla lista consentita associata verranno confrontate con i messaggi dell'agente effettivi nel set di dati di test. Il set di dati di test deve essere costituito da dati di conversazioni reali, ma non deve contenere i dati del set di dati di conversazioni utilizzato per addestrare il modello. Ad esempio, se hai a disposizione un mese di traffico di conversazione, puoi utilizzare i dati di 3 settimane per creare un set di dati di conversazione e i dati della settimana rimanente per creare il set di dati di test. Un set di dati di test deve contenere almeno 1000 conversazioni, ma come regola generale le metriche di valutazione saranno più affidabili con un maggior numero di conversazioni nel set di dati di test. Il formato del set di dati di test è uguale al formato del set di dati di conversazione.

Per creare una nuova valutazione del modello, chiama il CreateConversationModelEvaluation metodo su una risorsa ConversationModel. Questo metodo restituisce un'operazione di lunga durata. Puoi eseguire il polling dell'operazione per verificarne lo stato, che restituirà uno dei valori INITIALIZING, RUNNING, SUCCEEDED, CANCELLED, FAILED.

Campi obbligatori:

  • InputDataset: il set di dati di test che verrà utilizzato per testare il rendimento del modello.
  • allowlist_document: la lista consentita associata al modello di Risposta rapida da testare.

Una risorsa ConversationModelEvaluation viene restituita al termine dell'operazione di lunga durata. Sono incluse due metriche:

  • allowlist_coverage: la percentuale di messaggi dell'agente nel set di dati di test coperti dalla lista consentita.
  • recall: la percentuale di messaggi dell'agente nel set di dati di test contenuti nella lista consentita e visualizzati nei tre suggerimenti principali generati dal modello di risposta rapida.

Configurare un profilo di conversazione

Un profilo di conversazione configura un insieme di parametri che controllano i suggerimenti fatti a un agente durante una conversazione. I passaggi che seguono creano un ConversationProfile con un HumanAgentAssistantConfig oggetto. Puoi anche eseguire queste azioni utilizzando la console Agent Assist se preferisci non chiamare direttamente l'API.

Creare un profilo di conversazione

Per creare un profilo di conversazione, chiama il metodo create sulla risorsa ConversationProfile. Fornisci l'ID knowledge base, l'ID documento, l'ID progetto e l'ID modello.

Di seguito è riportato un esempio di 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"
          }
        }
      ]
    }
  }
}

Ti consigliamo di impostare il valore SuggestionFeatureConfig.enable_inline_suggestion. Se questo valore è true, le chiamate successive a AnalyzeContent produrranno risposte con un elenco di suggerimenti.

La risposta contiene il nuovo ID profilo della conversazione.

Consulta la sezione Risposta rapida generativa per istruzioni su come configurare un profilo di conversazione, gestire le conversazioni in fase di esecuzione, testare i risultati e inviare feedback ad Agent Assist.