Saat agen Anda dilatih, Dialogflow menggunakan data pelatihan untuk membuat model machine learning khusus untuk agen Anda. Data pelatihan ini terutama terdiri dari intent, frasa pelatihan intent, dan entitas yang dirujuk dalam 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 mengubah agen, Anda harus memastikan bahwa agen dilatih sebelum mencoba menggunakannya. Bergantung pada setelan agen, pelatihan dapat dilakukan secara otomatis atau manual.
Anda juga dapat menggunakan Alat Pelatihan untuk menganalisis dan mengimpor data percakapan sebenarnya, serta untuk meningkatkan kualitas data pelatihan.
Pelatihan otomatis agen draf
Secara default, pelatihan agen untuk agen draf dijalankan secara otomatis setiap kali Anda memperbarui dan menyimpan agen dari konsol. Dialog pop-up akan menampilkan status pelatihan ini.
Namun, memperbarui agen dengan API tidak akan memicu pelatihan otomatis.
Draf pelatihan manual agen
Anda dapat memperbarui setelan ML agen untuk menonaktifkan pelatihan otomatis untuk agen draf.
Jika agen Anda 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 Latih di setelan ML.
Untuk melatih agen secara manual dengan API,
panggil metode train pada
jenis
Agent.
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 Publikasikan versi di tab Lingkungan.
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 kualitas data pelatihan Anda. Dengan 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.
- Impor ekspresi pengguna akhir yang telah Anda siapkan atau rekam dari percakapan sebenarnya.
Alat ini menggunakan data histori agen untuk memuat percakapan, sehingga logging interaksi harus diaktifkan untuk 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 konsol Dialogflow ES.
- Pilih agen Anda di dekat bagian atas menu sidebar kiri.
- Klik Pelatihan di menu sidebar kiri.
Daftar percakapan
Saat Anda membuka alat ini, alat akan menampilkan daftar percakapan. 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
Saat Anda mengklik baris dalam daftar percakapan, percakapan akan terbuka dalam tampilan pelatihan. Tampilan pelatihan menampilkan daftar giliran percakapan dan menyediakan 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 dimasukkan ke antrean untuk disimpan. Setelah selesai membuat tugas, klik tombol Approve untuk menjalankan semua tugas yang ada 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. |
| Ucapan 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 menjadi 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 akan berubah menjadi hijau saat tugas diantrekan. |
| block | Mengantrekan tugas untuk menambahkan ekspresi pengguna akhir untuk baris sebagai frasa pelatihan ke intent penggantian default. Tindakan ini akan membuat contoh negatif. Ikon akan berubah menjadi oranye saat tugas diantrekan. |
| delete | Mengantrekan tugas untuk menghapus baris. Ikon akan berubah menjadi merah saat tugas diantrekan. |
| Setujui | Menjalankan tugas yang diantrekan untuk semua baris. |
Anotasi
Saat melihat percakapan dalam tampilan pelatihan, ekspresi pengguna akhir akan menampilkan entitas yang cocok sebagai annotations 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 rekam ke Alat Pelatihan. Mengimpor percakapan dapat digunakan untuk meningkatkan kualitas 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 akan menghasilkan satu percakapan di Alat Pelatihan.
- Permintaan tidak dikirim ke API intent deteksi, sehingga 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 upload 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 contoh filenya:
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 region
global. - Alat Pelatihan tidak mempertimbangkan setelan ML Classification Threshold untuk pencocokan intent. Anda mungkin melihat intent yang berbeda yang dicocokkan saat runtime dan di alat Pelatihan, meskipun model agen belum berubah.
- Input pengguna akhir yang berisi nilai parameter wajib
mungkin tidak cocok dengan intent yang diharapkan di alat Pelatihan,
tetapi cocok dengan benar saat runtime. Hal ini dapat terjadi dalam situasi berikut:
- Tidak ada frasa pelatihan yang dianotasi dalam intent tersebut.
- Input berbeda secara signifikan dengan frasa pelatihan.
Praktik terbaik
Menggunakan Alat Pelatihan pada berbagai tahap pengembangan
Gunakan Alat Pelatihan pada berbagai tahap pengembangan agen, dan tingkatkan kualitas data pelatihan Anda di setiap tahap:
- Sebelum agen dirilis ke produksi, uji dengan sekelompok kecil pengguna.
- Segera setelah agen dirilis ke produksi, periksa apakah percakapan sebenarnya berperilaku seperti yang diharapkan.
- Setiap kali perubahan signifikan dilakukan pada agen Anda, periksa apakah perubahan baru berperilaku seperti yang diharapkan.
- Jalankan alat ini secara berkala untuk agen produksi, untuk melakukan analisis reguler.
Mengimpor data kualitas
Berikut adalah sumber data yang sering kali 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 panjang, non-percakapan.
- Ekspresi pengguna akhir yang tidak relevan dengan intent apa pun di agen Anda.
- Log hal-hal yang tidak diucapkan oleh pengguna akhir (misalnya, respons dari agen layanan pelanggan).