Saat agen dilatih, Dialogflow akan menggunakan data pelatihan Anda untuk membuat model machine learning khusus untuk agen Anda. Data pelatihan ini terutama terdiri dari intent, frasa pelatihan intent, dan entity yang dirujuk pada agen; yang secara efektif digunakan sebagai label data machine learning. Namun, model agen dibuat menggunakan respons perintah parameter, setelan agen, dan banyak bagian data lainnya yang terkait dengan agen Anda.
Setiap kali mengganti agen, Anda harus memastikan bahwa agen telah dilatih sebelum mencoba menggunakannya. Bergantung pada setelan agen Anda, pelatihan dapat dilakukan secara otomatis atau manual.
Anda juga dapat menggunakan Alat Pelatihan untuk menganalisis, mengimpor, dan mengekspor data percakapan yang sebenarnya, serta untuk meningkatkan data pelatihan Anda.
Pelatihan otomatis agen draf
Secara default, pelatihan agen untuk agen draf dijalankan secara otomatis setiap kali Anda mengupdate dan menyimpan agen dari konsol. Dialog pop-up akan menampilkan status pelatihan ini.
Namun, mengupdate agen dengan API tidak akan memicu pelatihan otomatis.
Pelatihan manual agen draf
Anda dapat memperbarui setelan ML agen guna menonaktifkan pelatihan otomatis untuk agen draf.
Jika agen memiliki lebih dari 780 intent, atau jika Anda telah menonaktifkan setelan pelatihan otomatis, Anda harus menjalankan pelatihan secara manual.
Untuk melatih agen secara manual dari konsol, klik tombol Train di setelan ML.
Untuk melatih agen secara manual dengan API,
panggil metode train pada
jenis
Agen.
Pelatihan otomatis versi agen
Setiap kali versi agen baru dibuat, versi agen baru akan otomatis dilatih.
Untuk membuat versi agen baru dari konsol, klik tombol Publish a version di tab Environment.
Untuk membuat versi agen baru dengan API,
panggil metode create untuk
Jenis versi
guna membuat versi agen baru.
Alat Pelatihan
Alat Pelatihan digunakan untuk meninjau input pengguna akhir yang dikirim ke agen Anda dan untuk meningkatkan data pelatihan Anda. Dengan menggunakan alat ini, Anda dapat:
- Tinjau input pengguna akhir yang sebenarnya dan intent yang cocok untuk setiap giliran percakapan dengan model agen saat ini.
- Tambahkan ekspresi pengguna akhir dari percakapan ini ke frasa pelatihan intent yang cocok, intent yang berbeda, atau intent penggantian.
- Mengimpor ekspresi pengguna akhir yang telah Anda siapkan atau ambil dari percakapan sebenarnya.
Alat ini menggunakan data histori agen untuk memuat percakapan, sehingga logging interaksi harus diaktifkan agar dapat menggunakan alat ini. Alat Pelatihan hanya menampilkan ekspresi pengguna akhir. Untuk melihat data percakapan agen dan pengguna akhir, lihat histori agen yang lebih lengkap.
Untuk membuka Alat Pelatihan:
- Buka Dialogflow ES Console.
- Pilih agen di dekat bagian atas menu sidebar kiri.
- Klik Pelatihan di menu sidebar kiri.
Daftar percakapan
Saat Anda membukanya, daftar percakapan akan ditampilkan. Ini adalah daftar percakapan terbaru dalam urutan kronologis terbalik. Setiap baris dalam daftar memberikan ringkasan percakapan. Tabel berikut menjelaskan setiap elemen UI:
| Elemen UI | Deskripsi |
|---|---|
| Percakapan | Ekspresi pengguna akhir pertama dalam percakapan. |
| Tanggal | Tanggal percakapan terjadi atau diimpor. |
| refresh | Saat percakapan digunakan untuk memperbarui data pelatihan (seperti yang dijelaskan di bawah), indikator status untuk baris akan menampilkan tanda centang hijau. |
Tampilan pelatihan
Ketika Anda mengeklik baris dalam daftar percakapan, itu akan membuka percakapan dalam tampilan pelatihan. Tampilan pelatihan menunjukkan daftar percakapan dan memberikan kontrol untuk menambahkan data ini ke data pelatihan Anda.
Saat mengedit data yang ditampilkan atau mengklik tombol tugas di sebelah kanan, Anda akan membuat tugas pembaruan data pelatihan yang ada dalam antrean untuk disimpan. Setelah selesai membuat tugas, klik tombol Setujui untuk menjalankan semua tugas dalam antrean. Setelah disetujui, Anda harus melatih agen secara manual.
Tabel berikut menjelaskan setiap elemen UI:
| Elemen UI | Deskripsi |
|---|---|
| Tanggal | Tanggal percakapan terjadi atau diimpor. |
| Permintaan | Jumlah baris untuk percakapan. |
| Tidak Cocok | Jumlah baris yang tidak cocok dengan intent. |
| Kata Pengguna | Ekspresi pengguna akhir untuk baris. |
| Intent | Intent untuk baris ini cocok dengan model agen saat ini. Anda dapat mengklik link untuk mengubah intent terkait ke intent baru atau yang sudah ada. |
| check | Mengantrekan tugas untuk menambahkan ekspresi pengguna akhir untuk baris sebagai frasa pelatihan ke intent yang saat ini dipilih. Ikon berubah menjadi hijau saat tugas dimasukkan dalam antrean. |
| block | Mengantrekan tugas untuk menambahkan ekspresi pengguna akhir untuk baris sebagai frasa pelatihan ke intent penggantian default. Langkah ini menghasilkan contoh negatif. Ikon berubah menjadi oranye saat tugas dimasukkan dalam antrean. |
| delete | Mengantrekan tugas untuk menghapus baris. Ikon berubah menjadi merah saat tugas dimasukkan dalam antrean. |
| Setujui | Menjalankan tugas dalam antrean untuk semua baris. |
Anotasi
Saat melihat percakapan dalam tampilan pelatihan, ekspresi pengguna akhir menampilkan entity yang cocok seperti anotasi yang ditandai. Untuk menambahkan atau mengedit anotasi:
- Klik anotasi atau pilih kata yang ingin Anda anotasikan.
- Pilih entitas yang ada dari menu.
Mengimpor percakapan
Anda dapat mengimpor file data percakapan yang telah Anda siapkan atau ambil ke Alat Pelatihan. Mengimpor percakapan dapat digunakan untuk meningkatkan agen yang ada. Untuk mengupload percakapan, klik tombol Upload di bagian atas halaman. Kemudian, Anda dapat menganalisis data ini untuk ditambahkan ke data pelatihan seperti yang dijelaskan di atas.
Berikut ini penjelasan tentang format konten file, batasannya, dan hasilnya:
- Setiap file yang diupload menghasilkan satu percakapan di Alat Pelatihan.
- Permintaan tidak dikirim ke API intent deteksi, oleh karena itu, tidak ada konteks yang diaktifkan dan tidak ada intent yang cocok.
- Satu file teks atau arsip zip yang dapat berisi hingga 10 file teks.
- Satu file yang diupload tidak boleh melebihi 3 MB.
- File hanya boleh berisi ekspresi pengguna akhir yang dipisahkan oleh baris baru.
- Idealnya, file hanya boleh menyertakan data yang berguna sebagai frasa pelatihan.
- Urutan ekspresi pengguna akhir tidak penting.
Berikut adalah file contohnya:
I want information about my account. What is my checking account balance? How do I transfer money to my savings account?
Batasan
- Alat Pelatihan hanya tersedia untuk wilayah
global. - Alat Pelatihan tidak mempertimbangkan Batas Klasifikasi ML sebagai pertimbangan untuk pencocokan intent. Anda mungkin melihat intent berbeda yang cocok saat runtime dan di alat Pelatihan, meskipun model agen belum berubah.
- Input pengguna akhir yang berisi parameter value wajib
mungkin tidak cocok dengan intent yang diharapkan di alat Pelatihan,
sekaligus mencocokkan dengan benar saat runtime. Hal ini dapat terjadi dalam
situasi berikut:
- Tidak ada frasa pelatihan yang dianotasi dalam intent tersebut.
- Input sangat berbeda dengan frasa pelatihan.
Praktik terbaik
Menggunakan Alat Pelatihan pada berbagai tahap pengembangan
Gunakan Alat Pelatihan di berbagai tahap pengembangan agen, dan sempurnakan data pelatihan Anda di setiap tahap:
- Sebelum agen dirilis ke produksi, uji agen dengan sekelompok kecil pengguna.
- Segera setelah agen dirilis ke tahap produksi, periksa apakah percakapan nyata berjalan sesuai harapan.
- Setiap kali perubahan signifikan dilakukan pada agen Anda, periksa apakah perubahan baru berfungsi seperti yang diharapkan.
- Jalankan alat secara berkala untuk agen produksi, untuk melakukan analisis rutin.
Impor data berkualitas
Berikut ini sering kali dapat menjadi sumber data yang berguna:
- Log percakapan dengan agen layanan pelanggan manusia.
- Percakapan dukungan pelanggan online (email, forum, FAQ).
- Pertanyaan pelanggan di media sosial.
Anda harus menghindari jenis data berikut:
- Ekspresi pengguna akhir non-percakapan yang panjang.
- Ekspresi pengguna akhir yang tidak relevan dengan intent apa pun di agen Anda.
- Log hal-hal yang tidak dikatakan oleh pengguna akhir (misalnya, respons dari agen layanan pelanggan).