عنوان مقاله:
بررسی ارائه خدمات مبتنی بر مشتری و مدیریت دولتی با استفاده از هوش مصنوعی: ربات چت
A survey on providing customer and public administration based services using AI: chatbot
سال انتشار: 2022
رشته: مهندسی کامپیوتر، مهندسی فناوری اطلاعات، مدیریت
گرایش: هوش مصنوعی, فناوری اطلاعات، مدیریت دولتی
دانلود رایگان این مقاله:
دانلود مقاله ارائه خدمات مبتنی بر مشتری
مشاهده سایر مقالات جدید:
مقالات ISI مهندسی فناوری اطلاعات
3 AI‑chatbot: response generation models
AI-Chatbot models can be classifed based on response generation, conversation length or knowledge base. Based on response generation, chatbot response can be given in two ways, either by generating the response using ML from scratch or by selecting a response from available set of responses library using some heuristic. They are termed as Retrieval based models and Generative models Retrieval based architectural modal of chatbot is reliable and can be built easily. Due to the availability of algorithms and APIs to the developers, it is easy to build chatbots for this architectural model. It uses the messages of user and context of conversation to output the best suitable response from predefned library of responses. Traditionally these models existed in form of rule-base answering system which has a repository of question response mapping. Retrieval model proposed by Young et al.in generate multiple responses based on the context of conversation stored. From multiple responses, each one is evaluated from suitable score and response in output is generated for highest score. Combining retrieval based approach with deep learning results in more appropriate responses. In 2016, Yan et al. uses deep learning for analysing two sentences, results in more context of conversation for response generation. Such approaches have better accuracy and control. Figure 2 shows the architectural model of retrieval based systems. Mitsuku is a retrievalbased chatbot which contains over 300,000 predefned response patterns and a knowledge base of over 3000 objects. This chatbot can construct songs and poems based on its knowledge base. Generative architectural model makes the chat boards smarter and advanced. Due to its complex algorithms and implementation, these chatbots are used rarely. Millions of training samples are required to train such chatbots, which consumes huge amount of efort and time. Opposed to retrieval-based model, generation-based neural network model does not depend on fxed responses; instead they generate the response from scratch.Their response depends on training data set and ML algorithms. Sequences to sequence models are more suitable for generation-based neural network.
4 AI chatbots: techniques and technologies
AI based chatbot is normally to response the natural language. Chatbot help people facilitate their work and their interaction, makes interface with the computers however, it cannot imitate the human conversation perfectly and cannot replace the human role and the human competency. Due to increasing efcient learning algorithms, chatbot is learning from human interaction, emotions and behaviours which is raising its relevance in future. ML technologies like NLP, NLU, NLG and Deep Learning technologies like ANN and RNN can be used to analyse the text or speech and generate intelligent responses in chatbots while interacting with humans. The robust techniques and technologies of AI-Chatbot discovered in the literature are as follows: 4.1 Deep learning Deep learning is multi-neural network architecture and is subset of ML approach. Following deep learning based approaches can be used in the development of AI based chatbots.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
3 ربات چت هوش مصنوعی: مدل‌های تولید پاسخ
مدل‌های AI-Chatbot را می‌توان بر اساس تولید پاسخ، طول مکالمه یا پایگاه دانش طبقه‌بندی کرد. بر اساس تولید پاسخ، پاسخ ربات چت را می توان به دو روش ارائه داد، یا با ایجاد پاسخ با استفاده از ML از ابتدا یا با انتخاب پاسخ از مجموعه پاسخ های موجود در کتابخانه با استفاده از برخی اکتشافی. آنها به عنوان مدل های مبتنی بر بازیابی نامیده می شوند و مدل های تولیدی مدل معماری مبتنی بر بازیابی چت بات قابل اعتماد است و به راحتی قابل ساخت است. با توجه به در دسترس بودن الگوریتم ها و API ها برای توسعه دهندگان، ساخت چت بات برای این مدل معماری آسان است. از پیام های کاربر و زمینه گفتگو برای خروجی بهترین پاسخ مناسب از کتابخانه از پیش تعریف شده پاسخ ها استفاده می کند. به طور سنتی این مدل ها در قالب سیستم پاسخگویی مبتنی بر قانون وجود داشتند که دارای یک مخزن نقشه برداری پاسخ سوال است. مدل بازیابی پیشنهاد شده توسط یانگ و همکاران، پاسخ‌های متعددی را بر اساس زمینه مکالمه ذخیره شده ایجاد می‌کند. از چندین پاسخ، هر یک از امتیاز مناسب ارزیابی می شود و پاسخ در خروجی برای بالاترین امتیاز تولید می شود. ترکیب رویکرد مبتنی بر بازیابی با یادگیری عمیق منجر به پاسخ‌های مناسب‌تر می‌شود. در سال 2016، یان و همکاران. از یادگیری عمیق برای تجزیه و تحلیل دو جمله استفاده می کند و منجر به ایجاد زمینه گفتگو برای تولید پاسخ می شود. چنین رویکردهایی دقت و کنترل بهتری دارند. شکل 2 مدل معماری سیستم های مبتنی بر بازیابی را نشان می دهد. Mitsuku یک چت بات مبتنی بر بازیابی است که شامل بیش از 300000 الگوی پاسخ از پیش تعریف شده و پایگاه دانش بیش از 3000 شی است. این چت بات می تواند آهنگ ها و اشعار را بر اساس دانش خود بسازد. مدل معماری مولد، تابلوهای چت را هوشمندتر و پیشرفته تر می کند. به دلیل الگوریتم های پیچیده و پیاده سازی آن، این چت بات ها به ندرت استفاده می شوند. میلیون‌ها نمونه آموزشی برای آموزش چنین ربات‌های چت مورد نیاز است، که تلاش و زمان زیادی را صرف می‌کند. برخلاف مدل مبتنی بر بازیابی، مدل شبکه عصبی مبتنی بر تولید به پاسخ‌های fxed وابسته نیست. در عوض آنها پاسخ را از ابتدا تولید می کنند. پاسخ آنها به مجموعه داده های آموزشی و الگوریتم های ML بستگی دارد. مدل‌های توالی به دنباله برای شبکه‌های عصبی مبتنی بر تولید مناسب‌تر هستند.
4 چت ربات هوش مصنوعی: تکنیک ها و فناوری ها
چت ربات مبتنی بر هوش مصنوعی معمولاً به زبان طبیعی پاسخ می دهد. چت بات به افراد کمک می کند کار و تعامل خود را تسهیل کنند، با رایانه ها رابط ایجاد می کند، اما نمی تواند مکالمه انسان را به طور کامل تقلید کند و نمی تواند جایگزین نقش انسانی و شایستگی انسانی شود. با توجه به افزایش الگوریتم های یادگیری کارآمد، چت بات از تعامل، احساسات و رفتارهای انسانی درس می گیرد که ارتباط آن را در آینده افزایش می دهد. فناوری‌های ML مانند NLP، NLU، NLG و فناوری‌های یادگیری عمیق مانند ANN و RNN می‌توانند برای تجزیه و تحلیل متن یا گفتار و ایجاد پاسخ‌های هوشمند در ربات‌های گفتگو در حین تعامل با انسان‌ها استفاده شوند. تکنیک‌ها و فن‌آوری‌های قوی AI-Chatbot کشف‌شده در ادبیات به شرح زیر است: 4.1 یادگیری عمیق یادگیری عمیق معماری شبکه‌های چند عصبی است و زیر مجموعه رویکرد ML است. پیروی از رویکردهای مبتنی بر یادگیری عمیق می تواند در توسعه ربات های گفتگوی مبتنی بر هوش مصنوعی استفاده شود.
