A IA de conversação pode pular o treinamento de PNL? Yellow AI tem um plano

Um dos maiores desafios de configuração que as equipes de inteligência artificial (IA) enfrentam é treinar os agentes manualmente. Os métodos supervisionados atuais são demorados e caros, exigindo dados de treinamento rotulados manualmente para todas as classes. Em uma pesquisa da Dimensional Research e da AIegion, 96% dos entrevistados disseram ter encontrado problemas relacionados ao treinamento, como qualidade de dados, rotulagem necessária para treinar o modelo e aumentar a confiança do modelo.

À medida que o domínio do processamento de linguagem natural (NLP) cresce de forma constante por meio de avanços em redes neurais profundas e grandes conjuntos de dados de treinamento, esse problema mudou para a frente e para o centro para uma variedade de casos de uso baseados em linguagem. Para resolver isso, a plataforma de IA de conversação Yellow AI anunciou recentemente o lançamento do DynamicNLP, uma solução projetada para eliminar a necessidade de treinamento do modelo de PNL.

DynamicNLP é um modelo de PNL pré-treinado, que oferece a vantagem de as empresas não precisarem perder tempo treinando o modelo de PNL continuamente. A ferramenta é baseada no aprendizado zero-shot (ZSL), que elimina a necessidade de as empresas passarem pelo processo demorado de rotular manualmente os dados para treinar o bot de IA. Em vez disso, isso permite que os agentes dinâmicos de IA aprendam rapidamente, configurando fluxos de IA conversacionais em minutos, reduzindo dados, custos e esforços de treinamento.

“O aprendizado zero oferece uma maneira de contornar esse problema, permitindo que o modelo aprenda com o nome da intenção”, disse Raghu Ravinutala, CEO e cofundador da Yellow AI. “Isso significa que o modelo pode aprender sem precisar ser treinado em cada novo domínio.”

Além disso, o modelo de tiro zero também pode mitigar a necessidade de coletar e anotar dados para aumentar a precisão, disse ele.

Barreiras de treinamento de IA conversacional

As plataformas de IA de conversação exigem treinamento extensivo para fornecer efetivamente conversas semelhantes às humanas. A menos que os enunciados sejam constantemente adicionados e atualizados, o modelo de chatbot não consegue entender a intenção do usuário, portanto, não pode oferecer a resposta certa. Além disso, o processo deve ser mantido para muitos casos de uso, o que requer treinamento manual de PNL com centenas a milhares de pontos de dados diferentes.

Ao usar métodos de aprendizado supervisionado para adicionar enunciados (entrada de um usuário do chatbot), é crucial monitorar constantemente como os usuários digitam enunciados, rotulando de forma incremental e iterativa os que não foram identificados. Uma vez rotulados, os enunciados ausentes devem ser reintroduzidos no treinamento. Várias consultas podem não ser identificadas durante o processo.

Outro desafio significativo é como os enunciados podem ser adicionados. Mesmo considerando todas as formas de registro de entrada do usuário, ainda há a questão de quantas o chatbot será capaz de detectar.

Para esse fim, a plataforma DynamicNLP da Yellow AI foi projetada para melhorar a precisão das intenções vistas e não vistas nos enunciados. A remoção da rotulagem manual também ajuda a eliminar erros, resultando em um NLP mais forte e robusto, com melhor cobertura de intenção para todos os tipos de conversas.

De acordo com a Yellow AI, a agilidade do modelo do DynamicNLP permite que as empresas maximizem com sucesso a eficiência e a eficácia em uma ampla gama de casos de uso, como suporte ao cliente, engajamento do cliente, comércio conversacional, automação de RH e ITSM.

“Nossa plataforma vem com um modelo pré-treinado com aprendizado não supervisionado que permite que as empresas ignorem o processo tedioso, complexo e propenso a erros de treinamento de modelos”, disse Ravinutala.

O modelo pré-treinado é construído usando bilhões de conversas anônimas, que, segundo Ravinutala, ajudam a reduzir os enunciados não identificados em até 60%, tornando os agentes de IA mais humanos e escaláveis ​​em setores com casos de uso mais amplos.

“A plataforma também foi exposta a muitos enunciados relacionados ao domínio”, disse ele. “Isso significa que as incorporações de frases subsequentes geradas são muito mais fortes, com mais de 97% de precisão de intenção.”

Tendências e desafios futuros para a IA conversacional

Ravintula disse que o uso de modelos pré-treinados para aprimorar o desenvolvimento de IA conversacional sem dúvida aumentará, abrangendo diferentes modalidades, incluindo texto, voz, vídeo e imagens.

“Empresas de todos os setores exigiriam esforços ainda menores para ajustar e criar seus casos de uso exclusivos, pois teriam acesso a modelos pré-treinados maiores que proporcionariam uma experiência elevada ao cliente e ao funcionário”, disse ele.

Um desafio atual, ele apontou, é tornar os modelos mais sensíveis ao contexto, uma vez que a linguagem, por sua própria natureza, é ambígua.

“Os modelos capazes de entender entradas de áudio que incluem vários alto-falantes, ruído de fundo, sotaque, tom, etc., exigiriam uma abordagem diferente para fornecer efetivamente conversas naturais com os usuários”, disse ele.