Создание интеллектуальных рабочих процессов Slack

Intwixt помогает клиентам разрабатывать бизнес-процессы, которые можно развернуть в приложениях для обмена сообщениями, таких как Slack или Messenger. Их проще развернуть, чем традиционные веб-приложения и мобильные приложения, но новые проблемы, такие как удобство использования, все еще решаются.

При создании диалогового пользовательского интерфейса важно точно интерпретировать намерения пользователя.

Извлечение шаблонов поведения из разговоров пользователей

Машинное обучение (ML) существенно меняет дизайн интеллектуальных диалоговых ботов. Чтобы обеспечить те же возможности без использования машинного обучения, приложению пришлось бы просить пользователя ответить на длинный набор вопросов, что негативно повлияло бы на взаимодействие с пользователем. Возьмем, к примеру, случай использования диалогового агента по заказу еды. Очень легко представить, что сервис будет задавать вопросы вроде «вы вегетарианец?», «вы веган?» и адаптировать пользовательский опыт на основе этих ответов. Пользователь сервиса ожидает, что его попросят ответить на такой вопрос. Кроме того, когда дело доходит до реализации, разработчик службы может легко смоделировать профиль пользователя с такими свойствами, как «вегетарианец» или «веган». В отличие от этих фактов, которые охватывают профиль пользователя, с поведенческими паттернами гораздо сложнее иметь дело как с точки зрения пользовательского опыта, так и с точки зрения реализации. Например, тот факт, что Джонни не вегетарианец, но заказывает вегетарианство по вторникам, потому что он не ест мяса по вторникам, или тот факт, что Мэри не веган, но заказывает веганскую еду каждую вторую субботу, когда на ужин приходит ее подруга-веган Сьюзан. . Эти модели поведения сложно смоделировать как часть службы. И хотя это можно сделать, сервису заказа еды действительно не имеет смысла просить пользователя обрисовать и настроить все эти модели поведения. Это значительно повлияет негативным образом на пользовательский опыт.

Машинное обучение является ключом к работе с этими моделями поведения. Интеллектуальная служба, использующая машинное обучение, может извлечь уроки из разговоров с Джонни и сделать вывод, что существует очень высокая вероятность того, что если он заказывает еду во вторник, эта еда будет вегетарианской, и может узнать из разговоров с Женей, что в субботу она, скорее всего, закажет еду. веганская еда (обслуживание не будет знать, что Сьюзен придет на ужин, но это не имеет большого значения 😃).

Теперь техническая проблема с этими поведенческими шаблонами заключается в том, что традиционно ML было очень сложно использовать. Машинное обучение часто называют командным видом спорта, и, конечно же, когда дело доходит до очень сложных моделей машинного обучения, для интеграции машинного обучения в приложения требуются большие усилия и команда людей (например, специалисты по данным, инженеры по искусственному интеллекту, разработчики и т. д.). Однако так ли сложно создавать модели машинного обучения на основе разговорных данных и создавать интеллектуальных ботов с поддержкой машинного обучения?

Чтобы ответить на эти вопросы и решить проблемы, Intwixt искала легкий компонент машинного обучения для добавления в интерактивные рабочие процессы.

Ранее этой весной Intwixt запросил демонстрацию через наш веб-сайт, чтобы увидеть, может ли прогностическая база данных Aito стать шагом в правильном направлении. Intwixt получила доступ к бесплатной среде Aito и начала экспериментировать самостоятельно. Вскоре они заметили, что это именно то решение, которое они искали. Они смогли интегрировать Aito в платформу Intwixt за один день.

Использование Aito, чтобы сделать интерактивный рабочий процесс более интеллектуальным

Контекстная осведомленность является ключом к решению проблем юзабилити, и именно здесь Айто сияет. Если, например, вам нужно собрать несколько полей информации от пользователя, вы можете использовать Aito, чтобы предсказать, что пользователь, скорее всего, скажет. Вместо того, чтобы предлагать пользователю вводить последовательные входные данные, приложение может один раз предложить ему подтвердить то, что он, скорее всего, сделает.

Теперь пользователи Intwixt могут выбирать Aito в своих интерактивных рабочих процессах. Возможные варианты использования: прогнозы, интеллектуальный поиск или рекомендации. При создании рабочего процесса пользовательский интерфейс позволяет создать модель данных, которую можно использовать для создания таблиц в Aito или других базах данных. Это упрощает управление данными, независимо от того, поступают ли они из той или иной базы данных.

Каждый раз, когда пользователь подтверждает прогноз (и даже когда он этого не делает), API-интерфейсы Aito упрощают обучение модели и повышают точность прогнозов. Это отличное улучшение удобства использования без необходимости самостоятельно разрабатывать и управлять сложными моделями машинного обучения.

«Мы ценим широкую применимость Aito — универсального инструмента для задач автоматизации. Айто может органично расти с новым контентом, а новые запросы и рабочие процессы могут разрабатываться итеративно», — говорит Сабин Иелчану, соучредитель Intwixt.