задний план
Из-за потребностей бизнеса мы создали пользовательское приложение на основе команд, чтобы пользователи могли получить доступ к соответствующей бизнес-системе с помощью команд и запросов, связанных с данными. Например /GetTradeStatus 123456 Гонконг Когда пользователь вызывает указанную выше команду, система возвращает данные транзакции в области HK, идентифицированной как 123456.
проблема
Однако в настоящее время эти команды «жестко закодированы» в соответствии с потребностями бизнеса, и нет возможности легко расширить их в соответствии с потребностями бизнеса. Например, когда пользователь запрашивает в соответствии со временем транзакции, мы должны добавить в команду новый параметр, чтобы принять время транзакции, и отфильтровать в соответствии с входящим временем в бизнес-логике.
считать
Вы когда-нибудь думали, что если бы у меня был бот службы поддержки, его можно было бы обучить для определенной цели отвечать на конкретные вопросы пользователей. И может установить принятые объекты запроса, такие как идентификатор транзакции, область и даже время. Затем система распознает намерение пользователя и вызывает определенную структуру системы для расчета и, наконец, возвращает данные системы пользователя. Здесь робот может распознать реальное намерение пользователя посредством обучения, а собранная информация также может динамически устанавливаться.
решение
Хорошо, давайте взглянем на создание нашего первого чат-бота с помощью Google Dialagflow и посмотрим, как она решила проблему, с которой мы столкнулись.
- Во-первых, нам нужно определить намерение пользователя.Например, здесь мы нажимаем команду, чтобы принять транзакцию запроса пользователя, а затем пользователь будет запрашивать в соответствии с идентификатором транзакции и областью.
Затем определите, что мы ответим после определения команды
Наконец, мы можем протестировать функциональность чат-бота.
На данный момент мы завершили первый чат-бот. Он может принимать различные параметры в соответствии с заданным пользователем намерением. После обучения он может распознавать инструкции пользователя и отвечать на заданный нами контент пользователя. Более того, все это масштабируемо, и нам потребовалось всего 30 минут.