Chatboty, które działają! Praktyczny przewodnik po konwersacyjnej sztucznej inteligencji Andrew Freed, Eniko Rozsa, Cari Jacobs

Dostępność produktu

Produkt nie został jeszcze oceniony pod kątem ułatwień dostępu lub nie podano żadnych informacji o ułatwieniach dostępu lub są one niewystarczające. Prawdopodobnie Wydawca/Dostawca jeszcze nie umożliwił dokonania walidacji produktu lub nie przekazał odpowiednich informacji na temat jego dostępności.

Spis treści książki

Przedmowa

Wstęp

Podziękowania

O tej książce

O autorach

O ilustracji na okładce

Część I. Platforma do doskonalenia konwersacyjnej sztucznej inteligencji

• 1. Co sprawia, że konwersacyjna sztuczna inteligencja działa?
  • 1.1. Wprowadzenie do konwersacyjnej sztucznej inteligencji
    • 1.1.1. Dlaczego warto stosować konwersacyjną sztuczną inteligencję?
    • 1.1.2. Jak działa konwersacyjna sztuczna inteligencja?
    • 1.1.3. Jak budować konwersacyjną sztuczną inteligencję?
  • 1.2. Wprowadzenie do generatywnej sztucznej inteligencji w systemach konwersacyjnych
    • 1.2.1. Czym jest generatywna sztuczna inteligencja?
    • 1.2.2. Zabezpieczenia generatywnej AI
    • 1.2.3. Efektywne wykorzystanie generatywnej sztucznej inteligencji w konwersacyjnej sztucznej inteligencji
  • 1.3. Wprowadzenie ciągłego doskonalenia w konwersacyjnej sztucznej inteligencji
    • 1.3.1. Dlaczego ciągłe ulepszanie jest konieczne?
    • 1.3.2. Cykl ciągłego doskonalenia
    • 1.3.3. Komunikowanie ciągłego doskonalenia interesariuszom
  • 1.4. Śledzenie
  • Podsumowanie
• 2. Tworzenie konwersacyjnej sztucznej inteligencji
  • 2.1. Tworzenie bota FAQ
    • 2.1.1. Podstawy bota FAQ
    • 2.1.2. Statyczne pytania i odpowiedzi
    • 2.1.3. Dynamiczne odpowiadanie na pytania
  • 2.2. Agenty kierujące i boty zorientowane na procesy
    • 2.2.1. Agenty kierujące
    • 2.2.2. Przejście od agenta kierującego do bota zorientowanego na proces
  • 2.3. Odpowiadanie użytkownikowi za pomocą generatywnej sztucznej inteligencji
    • 2.3.1. Integracja z dużym modelem językowym
    • 2.3.2. Kierowanie żądań do modelu LLM
  • Podsumowanie
• 3. Planowanie pod kątem usprawniania
  • 3.1. Kiedy wiesz, że musisz się rozwijać
  • 3.2. Twój zespół interdyscyplinarny
  • 3.3. Dążenie do wspólnego celu
    • 3.3.1. Ponowne określenie celów biznesowych
    • 3.3.2. Skuteczność
    • 3.3.3. Zakres możliwości
  • 3.4. Wykrywanie i rozwiązywanie problemów
    • 3.4.1. Wykrywanie problemów
    • 3.4.2. Przegląd grup
    • 3.4.3. Określanie kryteriów akceptacji
  • 3.5. Implementacja i wdrażanie poprawek
    • 3.5.1. Planowanie sprintu
    • 3.5.2. Ponowny pomiar
  • Podsumowanie

Część II. Wzorzec: AI nie rozumie

• 4. Zrozumienie prawdziwych potrzeb użytkowników
  • 4.1. Podstawy rozumienia
    • 4.1.1. Wpływ słabego rozumienia
    • 4.1.2. Co powoduje słabe rozumienie?
    • 4.1.3. Jak osiągnąć zrozumienie w przypadku stosowania tradycyjnej konwersacyjnej sztucznej inteligencji?
    • 4.1.4. Jak osiągnąć zrozumienie dzięki generatywnej sztucznej inteligencji?
  • 4.2. Jak mierzy się poziom zrozumienia?
    • 4.2.1. Mierzenie zrozumienia w tradycyjnej sztucznej inteligencji (opartej na klasyfikacji)
    • 4.2.2. Pomiar rozumienia w generatywnej sztucznej inteligencji
    • 4.2.3. Mierzenie zrozumienia za pomocą bezpośrednich informacji zwrotnych od użytkowników
  • 4.3. Ocena obecnego stanu rzeczy
    • 4.3.1. Ocena tradycyjnego rozwiązania AI (opartego na klasyfikacji)
    • 4.3.2. Ocena rozwiązania opartego na generatywnej sztucznej inteligencji
  • 4.4. Pozyskiwanie i przygotowanie danych testowych z dzienników
    • 4.4.1. Pozyskiwanie dzienników produkcyjnych
    • 4.4.2. Wytyczne do identyfikacji kandydatów na wypowiedzi testowe
    • 4.4.3. Przygotowanie i oczyszczanie danych do wykorzystania w ulepszeniach iteracyjnych
    • 4.4.4. Proces adnotacji
  • 4.5. Co mówią nam dane?
    • 4.5.1. Interpretacja dzienników z adnotacjami dla tradycyjnej sztucznej inteligencji (opartej na klasyfikacji)
    • 4.5.2. Interpretacja opisanych dzienników dla generatywnej sztucznej inteligencji
    • 4.5.3. Argumenty za iteracyjnym ulepszaniem
  • Podsumowanie
• 5. Poprawianie słabego rozumienia tradycyjnych sztucznych inteligencji
  • 5.1. Tworzenie planu rozwoju
    • 5.1.1. Identyfikacja problematycznych wzorców w źle zrozumianych wypowiedziach
    • 5.1.2. Ulepszenia przyrostowe
    • 5.1.3. Od czego zacząć: identyfikacja największych problemów
  • 5.2. Rozwiązywanie problemu "dopasowano błędną intencję"
    • 5.2.1. Poprawa skuteczności rozpoznawania jednej intencji
    • 5.2.2. Poprawa precyzji dla jednej intencji
    • 5.2.3. Poprawa wskaźnika F1 dla jednej intencji
    • 5.2.4. Poprawa precyzji i czułości dla wielu intencji
  • 5.3. Rozwiązywanie problemu "nie rozpoznano intencji"
    • 5.3.1. Grupowanie wypowiedzi dla nowych intencji
    • 5.3.2. Kiedy przestać dodawać intencje?
  • 5.4. Wzbogacanie tradycyjnej sztucznej inteligencji o treści generatywne
    • 5.4.1. Łączenie tradycyjnej i generatywnej sztucznej inteligencji w celu obsługi intencji
    • 5.4.2. Prompty do wyrażania zrozumienia
  • Podsumowanie
• 6. Usprawnianie odpowiedzi dzięki generowaniu wspomaganemu wyszukiwaniem
  • 6.1. Nie tylko intencje: rola wyszukiwania w konwersacyjnej sztucznej inteligencji
    • 6.1.1. Stosowanie wyszukiwania w konwersacyjnej sztucznej inteligencji
    • 6.1.2. Zalety tradycyjnego wyszukiwania
    • 6.1.3. Wady tradycyjnego wyszukiwania
  • 6.2. Poza wyszukiwaniem: generowanie odpowiedzi za pomocą RAG
    • 6.2.1. Wykorzystanie RAG w konwersacyjnej sztucznej inteligencji
    • 6.2.2. Zalety RAG
    • 6.2.3. Łączenie techniki RAG z innymi zastosowaniami generatywnej AI
    • 6.2.4. Porównanie podejść opartych na intencjach, wyszukiwaniu i technice RAG
  • 6.3. Jak wdrażać rozwiązania RAG?
    • 6.3.1. Implementacja wysokiego poziomu
    • 6.3.2. Przygotowanie repozytorium dokumentów dla rozwiązania RAG
  • 6.4. Dodatkowe aspekty implementacji systemów RAG
    • 6.4.1. Czy nie możemy po prostu użyć modelu LLM bezpośrednio?
    • 6.4.2. Utrzymywanie aktualności i trafności odpowiedzi dzięki wykorzystaniu techniki RAG
    • 6.4.3. Jak łatwe jest skonfigurowanie potoku pobierania danych?
    • 6.4.4. Obsługa opóźnień
    • 6.4.5. Kiedy używać mechanizmu awaryjnego, a kiedy wyszukiwania?
  • 6.5. Ocena i analiza wydajności systemów RAG
    • 6.5.1. Miary indeksowania
    • 6.5.2. Wskaźniki wyszukiwania
    • 6.5.3. Metryki generowania
    • 6.5.4. Porównywanie skuteczności rozwiązań indeksowania i osadzania dla RAG
  • Podsumowanie
• 7. Wzbogacanie danych intencji przy użyciu generatywnej sztucznej inteligencji
  • 7.1. Pierwsze kroki
    • 7.1.1. Dlaczego warto to robić: zalety i wady
    • 7.1.2. Czego potrzebujesz?
    • 7.1.3. Jak wykorzystać wzbogacone dane?
  • 7.2. Zabezpieczanie istniejących intencji
    • 7.2.1. Kreatywne podejście do synonimów
    • 7.2.2. Generowanie nowych wariantów gramatycznych
    • 7.2.3. Budowanie mocnych intencji na podstawie wyników modelu LLM
    • 7.2.4. Tworzenie jeszcze większej liczby przykładów z wykorzystaniem szablonów
  • 7.3. Czas na kreatywność
    • 7.3.1. Wymyślanie dodatkowych intencji
    • 7.3.2. Sprawdzanie niejasności
  • Podsumowanie

Część III. Wzorzec: sztuczna inteligencja jest zbyt skomplikowana

• 8. Usprawnianie złożonych przepływów
  • 8.1. Ciężar złożoności
    • 8.1.1. Wpływ złożoności na użytkownika końcowego
    • 8.1.2. Wpływ złożoności na wskaźniki biznesowe
    • 8.1.3. Stopniowe koszty i korzyści wynikające z upraszczania interfejsu dla użytkownika
  • 8.2. Upraszczanie i usprawnianie ścieżki użytkownika
    • 8.2.1. Rozpoznawanie złożonych przepływów dialogowych
    • 8.2.2. Wykorzystanie tego, co wiemy o użytkowniku
    • 8.2.3. Dostosowanie do modelu mentalnego użytkownika
    • 8.2.4. Zapewnienie elastyczności w oczekiwanych odpowiedziach użytkowników
    • 8.2.5. Wspomaganie samoobsługowych procesów za pomocą API i systemów serwerowych
  • Podsumowanie
• 9. Wykorzystanie kontekstu w celu zapewniania adaptacyjnych doświadczeń w iteracjach z wirtualnym asystentem
  • 9.1. Znaczenie kontekstu w działaniu wirtualnych asystentów
    • 9.1.1. Jak kontekst wpływa na interakcje użytkowników?
    • 9.1.2. Czym są informacje kontekstowe?
  • 9.2. Zrozumienie modalności
    • 9.2.1. Porównanie modalności
    • 9.2.2. Znaczenie modalności w projektowaniu przepływów wirtualnego asystenta
    • 9.2.3. Przykłady wpływu modalności na doświadczenia użytkownika
    • 9.2.4. Zasady projektowania botów głosowych
  • 9.3. Zwiększanie świadomości kontekstu i poprawa ogólnych doświadczeń użytkownika dzięki użyciu techniki RAG
    • 9.3.1. Projektowanie przepływów adaptacyjnych z RAG
    • 9.3.2. Strategie wyszukiwania i generowania kontekstowo trafnych odpowiedzi
    • 9.3.3. Utrzymanie i aktualizacja przepływów adaptacyjnych
  • Podsumowanie
• 10. Zmniejszanie złożoności z użyciem generatywnej sztucznej inteligencji
  • 10.1. Przepływy procesów wspomagane przez AI w czasie budowania
    • 10.1.1. Generowanie przepływów dialogowych przy użyciu generatywnej sztucznej inteligencji
    • 10.1.2. Ulepszanie przepływu dialogu przy użyciu generatywnej AI
  • 10.2. Przepływy procesów wspomagane przez sztuczną inteligencję w czasie wykonywania
    • 10.2.1. Wykonywanie przepływów dialogowych korzystających z generatywnej AI
    • 10.2.2. Wykorzystanie modelu LLM do wykonania procesu wyszukiwania
  • 10.3. Przepływy wspomagane przez AI w fazie testowania
    • 10.3.1. Konfiguracja generatywnej sztucznej inteligencji jako użytkownika
    • 10.3.2. Konfiguracja testu konwersacyjnego
  • Podsumowanie

Część IV. Wzorzec: zmniejszenie oporu

• 11. Łagodzenie nieprzychylnego nastawienia
  • 11.1. Co wpływa na zachowania rezygnacyjne?
    • 11.1.1. Przyczyny natychmiastowej rezygnacji
    • 11.1.2. Powody późniejszej rezygnacji
    • 11.1.3. Zbieranie danych o zachowaniach rezygnacyjnych
  • 11.2. Ograniczanie natychmiastowych rezygnacji
    • 11.2.1. Zacznij od dobrego wrażenia: powitanie i przedstawienie się
    • 11.2.2. Przekazywanie możliwości i ustalanie oczekiwań
    • 11.2.3. Zachęcanie do samoobsługi
    • 11.2.4. Umożliwienie użytkownikowi wyrażenia zgody
  • 11.3. Ograniczanie innych rezygnacji
    • 11.3.1. Staraj się zrozumieć użytkownika
    • 11.3.2. Staraj się być zrozumiany
    • 11.3.3. Bądź elastyczny i wyrozumiały
    • 11.3.4. Sygnalizowanie postępu
    • 11.3.5. Przewidywanie dodatkowych potrzeb użytkownika
    • 11.3.6. Nie bądź niegrzeczny
  • 11.4. Zapobieganie rezygnacjom
    • 11.4.1. Zacznij od razu od zbierania danych o przyczynach rezygnacji
    • 11.4.2. Implementacja procesu zatrzymywania użytkowników wyrażających chęć rezygnacji
  • 11.5. Usprawnianie dialogu z generatywną sztuczną inteligencją
    • 11.5.1. Usprawnianie komunikatów o błędach za pomocą generatywnej sztucznej inteligencji
    • 11.5.2. Ulepszanie komunikatów powitalnych za pomocą generatywnej sztucznej inteligencji
  • 11.6. Czasami warto przekazać problem wyżej
  • Podsumowanie
• 12. Streszczanie konwersacji do dalszego wykorzystania
  • 12.1. Wprowadzenie do streszczania
    • 12.1.1. Dlaczego streszczanie jest potrzebne?
    • 12.1.2. Elementy skutecznych streszczeń
  • 12.2. Przygotowanie chatbota do streszczania tekstu
    • 12.2.1. Wykorzystanie gotowych elementów
    • 12.2.2. Przygotowywanie chatbota do wykonywania transkrypcji
    • 12.2.3. Wyposażanie chatbota w możliwości korzystania z danych
  • 12.3. Ulepszanie streszczeń przy użyciu generatywnej sztucznej inteligencji
    • 12.3.1. Generowanie tekstowego streszczenia transkryptu przy użyciu odpowiednich promptów
    • 12.3.2. Generowanie ustrukturyzowanego streszczenia transkryptu przy użyciu promptu wyodrębniającego dane
  • Podsumowanie

pokaż cały spis treści

ukryj recenzje