Mit dem benutzerdefinierten Modell für die Funktion Agent Assist-Zusammenfassung können Sie Ihren Kundenservicemitarbeitern nach jeder Unterhaltung eine Zusammenfassung der Unterhaltung zur Verfügung stellen. Dabei wird ein Modell verwendet, das ausschließlich mit kundenspezifischen Daten trainiert wurde. Das unterscheidet sich von der Anpassung durch ein Large Language Model, wie unter Zusammenfassung mit benutzerdefinierten Abschnitten beschrieben. Anhand der Zusammenfassungen können Kundenservicemitarbeiter ihre Unterhaltungsnotizen erstellen und den Kommunikationsverlauf des Endnutzers nachvollziehen. Eine Zusammenfassung einer Unterhaltung könnte beispielsweise so aussehen:
Sie können auch ein benutzerdefiniertes Agent Assist-Zusammenfassungsmodell importieren, das für Unterhaltungen mit CCAI Insights verwendet werden kann.
Hinweise
- Achten Sie darauf, dass Ihre Daten im erforderlichen Format vorliegen. Sie können auch einen Beispieldatensatz verwenden oder die Funktion mit dem Demo-Summarisierungsmodell testen, ohne dass ein Dataset erforderlich ist.
Modell für Zusammenfassungen mit der API trainieren und bereitstellen
Unterhaltungs-Dataset erstellen und Transkripte importieren
Rufen Sie die Methode create für die Ressource ConversationDataset auf, um ein Unterhaltungs-Dataset zu erstellen. Geben Sie den Pfad zum Cloud Storage-Bucket an, der Ihre Transkriptdaten enthält, um sie in den neuen Konversationsdatensatz zu importieren.
Beispielanfrage:
{
"displayName": "CONVERSATION_DATASET_NAME",
"inputConfig": {
"gcsSource": {
"uris": ["gs://PATH_NAME/*"]
}
}
}
Die Antwort enthält die ID eines Unterhaltungs-Datasets. Beispielantwort:
{
"done": true,
"response": {
"@type": "type.googleapis.com/google.cloud.dialogflow.v2beta1.ConversationDataset",
"name": "projects/PROJECT_ID/locations/global/conversationDatasets/CONVERSATION_DATASET_ID",
"displayName": "CONVERSATION_DATASET_NAME",
"createTime": "2022-06-16T23:13:22.627380457Z"
}
}
Unterhaltungsmodell erstellen
Rufen Sie die Methode create für die Ressource ConversationModel auf, um ein Modell für die Zusammenfassung von Unterhaltungen zu erstellen. Jedes Projekt hat jeden Monat bis zu 120 Knotenstunden für das Training und kann einen Trainingsjob gleichzeitig ausführen.
Pflichtfelder:
datasets: Geben Sie ein einzelnes Dataset an, das die Transkriptdaten enthält, die Sie zum Trainieren des Modells verwendet haben.summarizationModelMetadata: Legen Sie ein leeres Objekt fest oder füllen Sie das Feld aus, um den Standardwert zu überschreiben.
Beispielanfrage:
{
"displayName": "CONVERSATION_DATASET_NAME",
"datasets": [{
"dataset": "projects/PROJECT_ID/locations/global/conversationDatasets/CONVERSATION_DATASET_ID"
}],
"summarizationModelMetadata": {
"trainingModelType": "SUMMARIZATION_MODEL"
},
"languageCode": "en-US"
}
Die Antwort ist ein Vorgang mit langer Ausführungszeit, bei dem Sie prüfen können, ob er abgeschlossen wurde.GetOperation API Das Training kann mehrere Stunden dauern. Die Antwort gibt den Status und die Modell-ID zurück.
Beispielantwort:
{
"name": "projects/PROJECT_ID/locations/global/operations/OPERATION_ID",
"metadata": {
"@type": "type.googleapis.com/google.cloud.dialogflow.v2beta1.CreateConversationModelOperationMetadata",
"conversationModel": "projects/PROJECT_ID/locations/global/conversationModels/MODEL_ID",
"state": "TRAINING",
"createTime": "2022-06-16T23:27:50Z"
}
}
Konversationsmodell bewerten
Rufen Sie nach Abschluss des Modelltrainings die ListConversationModelEvaluations API auf, um die Modellqualität zu prüfen.
Geben Sie in ListConversationModelEvaluationsRequest den Namen des zu prüfenden Modells an.
{ "parent": "projects/cloud-contact-center-quality/locations/global/conversationModels/d3f2ca9f3e2c571a" }
Die ListConversationModelEvaluationsResponse enthält einen Rouge-L-Wert zur Bewertung der automatischen Zusammenfassung.
{ "conversationModelEvaluations": [{ "name": "projects/cloud-contact-center-quality/locations/global/conversationModels/d3f2ca9f3e2c571a/evaluations/c10ac25411a23fe1", "displayName": "Training Auto Generated Evaluation", "createTime": "2022-06-04T03:38:35.151096Z", "evaluationConfig": { }, "summarizationMetrics": { "rougel": 0.4474459 } }] }
Unterhaltungsmodell bereitstellen
Sobald das Modelltraining abgeschlossen ist, können Sie das Modell mit der DeployConversationModel API bereitstellen.
Geben Sie in DeployConversationModelRequest die name des zu bereitstellenden Modells an. Die Antwort ist ein Vorgang mit langer Ausführungszeit, bei dem Sie prüfen können, ob er abgeschlossen wurde.GetOperation API
Unterhaltungsprofil konfigurieren
Mit einem Unterhaltungsprofil werden eine Reihe von Parametern konfiguriert, die die Vorschläge steuern, die einem Kundenservicemitarbeiter während einer Unterhaltung gegeben wurden. In den folgenden Schritten wird ein ConversationProfile mit einem HumanAgentAssistantConfig-Objekt erstellt.
Unterhaltungsprofil erstellen
Zum Erstellen eines Unterhaltungsprofils rufen Sie die Methode create für die Ressource ConversationProfile auf.
Geben Sie einen Namen für das neue Konversationsprofil, die Projekt-ID Ihrer Google Cloudund die Modell-ID an. Geben Sie in CreateConversationProfileRequest das zu verwendende Konversationsmodell und die zu verwendende Vorschlagsfunktion an.CONVERSATION_SUMMARIZATION
Hier ein JSON-Beispiel:
{ "displayName": "CONVERSATION_PROFILE_NAME", "humanAgentAssistantConfig": { "humanAgentSuggestionConfig": { "featureConfigs": [{ "suggestionFeature": { "type": "CONVERSATION_SUMMARIZATION" }, "conversationModelConfig": { "model": "projects/PROJECT_ID/locations/global/conversationModels/MODEL_ID", } }] } }, "languageCode": "en-US" }
Die Antwort ist ein ConversationProfile-Objekt mit dem Konversationsprofil name:
{ "name": "projects/PROJECT_ID/locations/global/conversationProfiles/CONVERSATION_PROFILE_ID", "displayName": "CONVERSATION_PROFILE_NAME", "automatedAgentConfig": { }, "humanAgentAssistantConfig": { "notificationConfig": { }, "humanAgentSuggestionConfig": { "featureConfigs": [{ "suggestionFeature": { "type": "CONVERSATION_SUMMARIZATION" }, "conversationModelConfig": { } }] }, "messageAnalysisConfig": { } }, "languageCode": "en-US", "createTime": "2022-06-06T21:06:46.841816Z", "updateTime": "2022-06-06T21:06:46.841816Z", "projectNumber": "344549229138" }
Unterhaltungen während der Laufzeit verarbeiten
Wenn ein Dialog zwischen einem Endnutzer und einem menschlichen Kundenservicemitarbeiter beginnt, erstellen Sie eine Unterhaltung. Dieser Prozess wird in den folgenden Abschnitten beschrieben.
Unterhaltung erstellen
Rufen Sie zum Erstellen einer Unterhaltung die Methode create für die Ressource Conversation auf.
Die Antwort enthält Ihre neue Unterhaltungs-ID.
Endnutzer als Teilnehmer erstellen
Rufen Sie zum Erstellen eines Endnutzers als Teilnehmer die Methode create für die Ressource Participant auf. Geben Sie für das Feld role Ihre Unterhaltungs-ID und END_USER ein.
Das Pfadsegment nach participants enthält die neue Teilnehmer-ID für den Endnutzer.
Menschlichen Kundenservicemitarbeiter als Teilnehmer erstellen
Rufen Sie zum Erstellen eines menschlichen Kundenservicemitarbeiters als Teilnehmer die Methode create für die Ressource Participant auf. Geben Sie für das Feld role Ihre Unterhaltungs-ID und HUMAN_AGENT ein.
Das Pfadsegment nach participants enthält die neue Teilnehmer-ID für den menschlichen Kundenservicemitarbeiter.
Nachricht analysieren
Option 1: Während einer Unterhaltung
Wenn Sie die Nachricht eines menschlichen Kundenservicemitarbeiters für die Unterhaltung hinzufügen und analysieren möchten, rufen Sie die Methode analyzeContent für die Ressource Participant auf. Geben Sie die Unterhaltungs-ID und die Teilnehmer-ID des menschlichen Kundenservicemitarbeiters ein.
Rufen Sie die Methode analyzeContent für die Resource Participant auf, um eine Endnutzernachricht für die Unterhaltung hinzuzufügen und zu analysieren. Geben Sie die Unterhaltungs-ID und die Teilnehmer-ID des Endnutzers ein.
Rufen Sie die Methode analyzeContent nicht doppelt auf, wenn sie bereits für andere Dialogflow-Funktionen aufgerufen wurde.
Option 2: Nach einer Unterhaltung
Sie können diese Option verwenden, wenn Sie während des Gesprächs nicht die Methode analyzeContent verwenden. Stattdessen können Sie die Methode batchCreate für die Ressource messages verwenden, um bisherige Nachrichten der Unterhaltung aufzunehmen.
Vorschlag erhalten
Sie können jederzeit einen Vorschlag für die letzte Nachricht von einem der Teilnehmer erhalten.
Option 1: suggestConversationSummary
Rufen Sie die Methode suggestConversationSummary für die Ressource conversations.suggestions auf. Geben Sie die Unterhaltungs-ID und die letzte Nachrichten-ID von einem der beiden Teilnehmer an.
Option 2: generateStatelessSummary
Rufen Sie die Methode generateStatelessSummary auf. Geben Sie die Messages der Unterhaltung und die ID der letzten Nachricht von einem der Teilnehmer an.
Hier ist ein Beispiel für eine JSON-Anfrage für generateStatelessSummary:
{ "statelessConversation": { "messages": [{ "content": "Hello, how can I help you today?", "languageCode": "en-US", "participantRole": "HUMAN_AGENT" }, { "content": "I would like to cancel my plan.", "languageCode": "en-US", "participantRole": "END_USER" }, { "content": "Okay, I have canceled your plan. Is there anything else that I can do to help you?", "languageCode": "en-US", "participantRole": "HUMAN_AGENT" }, { "content": "No, thank you.", "languageCode": "en-US", "participantRole": "END_USER" }, { "content": "Okay, have a great day!", "languageCode": "en-US", "participantRole": "HUMAN_AGENT" }], "parent": "projects/PROJECT_ID/locations/global" }, "conversationProfile": { "humanAgentAssistantConfig": { "humanAgentSuggestionConfig": { "featureConfigs": [{ "suggestionFeature": { "type": "CONVERSATION_SUMMARIZATION" }, "conversationModelConfig": { "model": "projects/PROJECT_ID/locations/global/conversationModels/MODEL_ID" } }] } }, "languageCode": "en-US" } }
Die Antwort enthält Summarization Vorschläge.
Unterhaltung abschließen
Rufen Sie zum Abschließen der Unterhaltung die Methode complete für die Ressource conversations auf. Geben Sie die Unterhaltungs-ID an.