Een virtuele agent die wordt gemaakt met CXone Mpower Agent Builder die spraak- of chatinteracties kan behandelen. te trainen om informatie uit contact-uitingen Iets wat een contact zegt of typt.te halen. Geëxtraheerde informatie kan worden opgeslagen voor gebruik in Mpower-agent-reacties. Deze kan ook worden doorgegeven aan CXone Mpower of aan databases of applicaties van derden via integraties.
Contact De persoon die contact heeft met een agent, IVR of bot in uw contactcenter.-uitingen kunnen veel informatie bevatten. U hebt geen entiteiten nodig voor alle informatie. U mag alleen entiteiten aanmaken voor informatie die uw Mpower-agent nodig heeft om zijn doelen te bereiken. Contacten kunnen bijvoorbeeld hun voor- en achternaam opgeven tijdens een interactie. Als het doel simpelweg is om uw Mpower-agent de mogelijkheid te geven om de contactpersoon bij zijn of haar voornaam aan te spreken, hoeft u geen entiteit voor de achternaam of de volledige naam van de contactpersoon te maken.
Wanneer u een entiteit aanmaakt, creëert Agent Builder automatisch een overeenkomstige sleuf Entiteit die uit een bericht van een klant is gehaald en wordt opgeslagen voor gebruik in de reacties van een bot. Een 'slot' is vergelijkbaar met een variabele. om de geëxtraheerde informatie vast te houden. Automatisch aangemaakte slots moeten worden gewijzigd om de standaardinstellingen te wijzigen.
Entiteiten zijn nauw verwant met slots. Slots houden informatie bij tijdens een interactie tot deze nodig is. Een entiteit identificeert en extraheert informatie uit een uiting en slaat deze op in een slot. U kunt de slot gebruiken als een variabele voor het gebruik van de informatie die deze bevat.
Glossary
| Concept | Definitie | Voorbeeld | Wat de Mpower-agent doet |
|---|---|---|---|
Uiting |
Alles wat een contactpersoon De persoon die contact heeft met een agent, IVR of bot in uw contactcenter. zegt tijdens een interactie De volledige conversatie met een agent via een kanaal. Een interactie kan bijvoorbeeld een telefoongesprek, een e-mailuitwisseling, een chatgesprek of een uitwisseling via social media zijn.. Soms ook wel een Bericht genoemd. |
"Ik ben mijn wachtwoord kwijt." "Wat is mijn saldo?" "Ben jij een robot?" |
De Mpower-agent gebruikt Natural Language Understanding (NLU) om elke contactuiting te analyseren om de betekenis of intentieervan te bepalen. |
Intentie |
Datgene wat de klant wil communiceren of bereiken. Elk bericht dat het contact verstuurt heeft een intentie. |
"Ik ben mijn wachtwoord kwijt" heeft de intentie "Wachtwoordreset". "Hallo" heeft de intentie "Begroeting". |
De Mpower-agent analyseert het bericht van een contactpersoon met behulp van NLU |
Entiteit |
Een gedefinieerd stukje informatie in het bericht van een contact. | De naam van een persoon of product, een telefoonnummer, een rekeningnummer, een locatie enzovoort. | De Mpower-agent gebruikt NLU om entiteiten in het bericht van een contactpersoon te identificeren. Entiteiten helpen de Mpower-agent te begrijpen wat het bericht van het contact betekent. |
Slot |
Een entiteit die uit het bericht van een contactpersoon is geëxtraheerd en is opgeslagen voor gebruik in Mpower-agent-reacties. Een 'slot' is vergelijkbaar met een variabele. | Als u een slot voor de contactnaam maakt, kan de Mpower-agent die naam gebruiken in reacties tijdens een interactie, waardoor het persoonlijker wordt. | Wanneer dit zo is geconfigureerd, haalt de Mpower-agent een entiteit uit een contactbericht en slaat deze op in een slot. Je kunt je Mpower-agent deze informatie later in het gesprek laten gebruiken. |
Regel |
Definieert Mpower-agent reacties op berichten waarvan de betekenis niet verandert met de context. |
|
Regels zijn een van de twee manieren waarop u kunt configureren hoe uw Mpower-agent reageert op een intent. Regels zijn nuttig voor bepaalde soorten intenties, maar niet alle intenties. |
Story |
Traint een Mpower-agent om een interactie af te handelen op basis van de bedoeling van het bericht en de conversatiecontext. | Bij een interactie over een vergeten wachtwoord zou de Mpower-agent reageren op "Hoe doe ik dat?" op een bepaalde manier. Als de interactie zou gaan over het aanmaken van een nieuw account, zou de reactie heel anders zijn. Ook al gebruikt de contactpersoon in beide gevallen dezelfde woorden met hetzelfde doel: meer informatie verkrijgen. | Verhalen zijn de tweede van de twee manieren waarop u kunt configureren hoe uw Mpower-agent reageert op een intentie. Verhalen leren de Mpower-agent hoe ze de context van het gesprek kunnen gebruiken om op de juiste manier te reageren. |
Mpower-agent Actie |
Alles wat een Mpower-agent zegt of doet tijdens een interactie. |
Bij een interactie over een vergeten wachtwoord reageert Mpower-agent door de link naar de FAQ voor het opnieuw instellen van het wachtwoord op de website te sturen. Wanneer een contact frustratie uit zoals: "Ik snap het niet! Het werkt niet!!!" de Mpower-agent antwoordt met "Het spijt me. Wilt u dat ik u doorschakel naar een menselijke agent?" Wanneer het contact ja zegt, start de Mpower-agent de overdracht. |
Mpower-agent acties zijn de opties die u hebt om te definiëren hoe u wilt dat uw Mpower-agent op elke intentie reageert. Ze geven u de flexibiliteit om elke reactie te configureren om de uitkomst te behalen die aan de behoeften van het contact voldoet. |
Entiteitstypen
Er zijn twee soorten entiteiten Informatie, verzameld uit de berichten van het contact tijdens conversaties met een Mpower-agent. in Agent Builder:
- Reguliere expressie (regex): entiteiten die regelmatige patronen volgen, zoals telefoonnummers, ordernummers of e-mailadressen..
- Opzoektabel: entiteiten die geen patroon volgen, zoals roomijssmaken, rapporttitels, sokkenstijlen of kleuren.
Reguliere expressie-entiteiten
Een reguliere expressie (regex) is een reeks tekens die een zoekpatroon specificeert. Als u een regex maakt om entiteiten te extraheren, leert uw Mpower-agent een patroon waarnaar hij moet zoeken om de juiste informatie voor die entiteit te identificeren. Dit is nuttig voor gegevens die soortgelijke, gewone patronen hebben, zoals e-mailadressen, telefoonnummers en rekening- of factuurnummers.
U kunt een regex-entiteit toevoegen vanaf beide tabbladen in de NLU-sectie in Agent Builder:
Opzoektabelentiteiten
Opzoek entiteiten zijn categorieën van informatie. In Agent Builder zijn ze lijsten van woorden, waar elk woord een lid is van de categorie. De lijst moet elk lid van de categorie bevatten waar uw Mpower-agent meer over moet weten. Als u bijvoorbeeld een entiteit maakt voor roomijssmaken, moet u elke smaak opgeven die uw bedrijf aanbiedt. U kunt ook smaken toevoegen die uw bedrijf niet aanbiedt, maar die vaak worden aangevraagd, zodat uw Mpower-agent op die aanvragen kan reageren met een pad buiten het bereik.
U kunt een entiteit voor een opzoektabel toevoegen vanaf de NLU-sectie in Agent Builder:
- Tabblad Entiteiten
- Inbox, bij het weergeven van berichten
- Tabblad Intenties, wanneer u werkt met intentievoorbeelden
Opzoekentiteiten zijn niet hoofdlettergevoelig.
Zo werken entiteiten
Om ervoor te zorgen dat uw Mpower-agent een entiteit Trefwoord of woordgroep die in uw bedrijfsprofiel in Interaction Analytics is gedefinieerd. Gerelateerd aan een entiteitstype. Kan varianten omvatten. uit een uiting Iets wat een contact zegt of typt.haalt, moet u deze labelen in de juiste intentie De betekenis of het doel achter hetgeen een contact zegt of typt; datgene wat de klant wil communiceren of bereiken..-voorbeelden en in de dialogen Mpower-agent Verhalen, regels en stromen in Agent Builder. voor die intentie. Door op beide plaatsen labels aan te brengen traint u Mpower-agent wanneer u een entiteit moet extraheren, welke entiteit u moet extraheren en hoe u de entiteit kunt associëren met de intentie. Labeling is vereist voor regex-entiteiten, maar niet voor opzoektabelentiteiten. Het is echter nog steeds nuttig voor opzoektabelentiteiten.
Om een entiteit te labelen, moet u het selecteren in de uiting en dan de soort entiteit kiezen die het woord of de zin vertegenwoordigt. Dit kunt u doen vanaf de NLU-inbox, in intentievoorbeelden en vanaf een story of regel.
Tijdens een interactie voorspelt de Mpower-agent de intentie van een uiting. Als de intentie een gelabelde entiteit bevat, controleert Mpower-agent de uiting op een tekenreeks die overeenkomt met het patroon dat is vastgesteld in een regex-entiteit of op een van de voorbeelden in een opzoektabelentiteit. Als er een overeenkomst wordt gevonden, extraheert de Mpower-agent de waarde en slaat deze op in de overeenkomstige sleuf Entiteit die uit een bericht van een klant is gehaald en wordt opgeslagen voor gebruik in de reacties van een bot. Een 'slot' is vergelijkbaar met een variabele.van de entiteit. Die informatie is dan beschikbaar voor gebruik tijdens de interactie.
U moet configureren wanneer en hoe het wordt gebruikt door de sleuf als variabele te gebruiken. Je kunt het volgende doen:
- Gebruik het in toekomstige Mpower-agent berichten die naar het contact worden verzonden.
- Gebruik het als een voorwaarde om het pad te bepalen dat de Mpower-agent het gesprek laat volgen.
- Gebruik het met script en API-integraties.
Entiteiten worden altijd geëxtraheerd en opgeslagen in de overeenkomstige sleuf wanneer de Mpower-agent ze herkent. Als de Mpower-agenteen entiteit herkent, maar geen verhaal Worden gebruikt om een Mpower-agent te trainen voor interactieafhandeling op basis van intentie en context. of regel Wordt gebruikt voor het definiëren van een Van Mpower-agent-reactie op berichten die niet afhankelijk zijn van de context. heeft die aangeeft wat er met de informatie moet gebeuren, wordt deze genegeerd. De aanwezigheid van de entiteit waarvan het niet weet wat het ermee moet doen, kan echter het Van Mpower-agentvertrouwen verlagen in het voorspellen van de juiste intentie De betekenis of het doel achter hetgeen een contact zegt of typt; datgene wat de klant wil communiceren of bereiken...
Er kunnen zich situaties voordoen waarin u wilt dat uw Mpower-agent alleen onder bepaalde omstandigheden de positie van een entiteit inneemt. U kunt beperkingen configureren voor wanneer de Mpower-agent elke sleuf kan vullen. Beperkingen kunnen worden gebaseerd op de intentie, een formulier of beide. Niet elke slot-vulmethode ondersteunt beide soorten beperkingen.
Voorbeelden en synoniemen van entiteiten
Nadat u een entiteit hebt gemaakt, moet u voorbeelden geven om uw Mpower-agent te helpen deze te herkennen. Voorbeelden verschillen voor elk type entiteit:
- Voor regex-entiteiten moeten voorbeelden realistische representaties zijn van het type gegevens dat de Mpower-agent tijdens interacties tegenkomt. Gebruik bijvoorbeeld echte telefoonnummers voor een telefoonnummer.
- Voor entiteiten voor opzoektabellen, moeten de voorbeelden deel uitmaken van de categorie die de entiteit vertegenwoordigt. De entiteit iceCreamFlavors kan voorbeelden hebben, zoals chocolade, vanille en aardbei. De lijst met voorbeelden moet elk lid van de categorie bevatten waar uw Mpower-agent meer over moet weten. U kunt leden opnemen uit een categorie die uw organisatie niet gebruikt, maar die uw contactpersonen mogelijk wel vermelden.
Voor opzoektabelentiteiten kunt u bijvoorbeeld ook synoniemen identificeren. Met synoniemen kunt u de Mpower-agent leren op welke verschillende manieren contactpersonen naar dezelfde entiteitswaarde kunnen verwijzen. New York City kan bijvoorbeeld ook NYC, NY, New York en de Big Apple worden genoemd.
Classic Ice Cream Parlor, een dochteronderneming van Classics, Inc., verkoopt 10 smaken ijs. De beheerder van Agent Builder, Christopher Robin, vermeldt deze smaken als entiteitsvoorbeelden. Er zijn nog zes andere smaken waar contacten vaak om vragen, dus die voegt Christopher ook toe. Vervolgens bedenkt hij verhalen die zijn Mpower-agent leren hoe ze moeten reageren op verzoeken om smaken die ze niet in het assortiment hebben.
Verder weet Christopher dat sommige contacten andere namen gebruiken voor de 10 smaken die het bedrijf op voorraad heeft. Zo noemen ze de Grape Ice-smaak Icy Grape. Christopher voegt deze algemene synoniemen toe als extra entiteitsvoorbeelden en bouwt vervolgens verhalen om de Mpower-agent te leren bij welke inventarissmaak elk synoniem past.
U kunt entiteitsvoorbeelden en synoniemen toevoegen in de volgende plaatsen in in Agent Builder:
- Het tabblad Intenties wanneer voorbeelden worden toegevoegd aan een intentie.
- De tabbladen Story's en Regels wanneer u een dialoog Mpower-agent Verhalen, regels en stromen in Agent Builder. maakt.
- De NLU Inbox, bij het bekijken van berichten die naar de Mpower-agentzijn verzonden.
Label entiteiten om deMpower-agent te leren ze te gebruiken
Nadat u entiteiten Informatie, verzameld uit de berichten van het contact tijdens conversaties met een Mpower-agent. hebt gemaakt, moet u ze selecteren en labelen in de trainingsgegevens voor story's Worden gebruikt om een Mpower-agent te trainen voor interactieafhandeling op basis van intentie en context., regels Wordt gebruikt voor het definiëren van een Van Mpower-agent-reactie op berichten die niet afhankelijk zijn van de context., intentie De betekenis of het doel achter hetgeen een contact zegt of typt; datgene wat de klant wil communiceren of bereiken.. evenals NLU-inboxberichten war ze verschijnen. Door labels toe te voegen, leert u uw Mpower-agent dat een entiteit belangrijk is in de context van de bedoeling van de berichten waarop deze is gelabeld. Labelen doet ook het volgende:
- Voegt de gemarkeerde tekst toe als een voorbeeld van de entiteit die u selecteert. Als het voorbeeld al bestaat, wordt er niets nieuws toegevoegd.
- Geeft de Mpower-agent de opdracht om die entiteit uit de uiting te halen. Vervolgens kunt u de waarde van de entiteit gebruiken of opslaan, bijvoorbeeld om een klantrecord bij te werken of Mpower-agent te configureren om de naam van het contact te gebruiken in een Mpower-agent-antwoord.
Zowel regex- als opzoekentiteiten moeten worden gelabeld. Voor regex-entiteiten is dit vereist om uw Mpower-agent te leren het regex-patroon te herkennen. Bij opzoekentiteiten leert het uw Mpower-agent dat de entiteit een belangrijk onderdeel van de bedoeling is.
U kunt entiteiten labelen in story's en regels, intentietrainingsgegevens of NLU-inboxberichten.