Hoe bouw je een chatbot met Watson Conversation Service?

Wavy onze nieuwe collega!

Wavy is onze virtuele assistente en ze helpt graag onze bezoekers om de juiste informatie op onze website te vinden. Zij is daar prominent aanwezig. Zoals zij zelf aangeeft, leert zij elke dag bij en weet ze zeker nog niet alles. Maar hoe en waarvan leert zij dan?

Wavy is gemaakt met de Watson Conversation Service (WCS). Deze ondersteunt de Nederlandse taal, alhoewel Nederlands voor deze service nu nog in experimentele fase zit. We verwachten dat het ‘experimental’ in de loop der tijd zal verdwijnen.

Hoe bouw je nu zo’n chatbot?

We hebben eerst bepaald met welke vragen Wavy zou kunnen helpen: we wilden een bot die de gebruiker naar de juiste informatie toe leidt. Zo willen we dat vragen naar bepaalde diensten of producten de bezoeker een juiste link naar de website geeft. Daarnaast willen we dat zij algemene vragen over e-office of medewerkers juist beantwoordt. Indien Wavy het antwoord niet weet, geven we de bezoeker de mogelijkheid om een live chat op te starten met een medewerker of een terugbel formulier in te vullen, zodat een collega contact op kan nemen.

Om dit te kunnen realiseren, maak je In WCS intents en entiteiten aan.

Met intents leren we Watson wat iemand eigenlijk wil weten. Een intent bestaat uit een aantal gelijksoortige vragen die allemaal tot hetzelfde antwoord leiden. Het Machine Learning stuk zorgt ervoor dat je met een beperkt aantal voorbeelden, Watson traint om alle andere variaties zelfstandig te herkennen.

 

Naast intents kent WCS ook entiteiten. Een entiteit is een begrip dat voor jouw domein belangrijk is. Zo hebben wij onze producten die belangrijk zijn: Watson, SharePoint, IBM Connections, etc. Indien de gebruiker een domeinterm intypt en deze bekend is onder de entiteiten, dan leidt deze direct tot een antwoord. Ook onze medewerkers zijn entiteiten. Bij entiteiten kan je diverse synoniemen opgegeven: zo worden diverse termen naar één en dezelfde entiteit geleid.

Met de dialogen functie knoop je diverse dialogen aan elkaar. Als eerste geef je de trigger aan, een entiteit of een intent, en in de response geeft je het antwoord terug. Ook is er de mogelijkheid om wisselende antwoorden te geven die dezelfde strekking hebben

 

 

 

Ervaringen

Chatbots zie je nu overal verschijnen. De één wat slimmer dan de ander. De één wat communicatief vaardiger dan de ander. Onze ervaring is dat je nooit alle vragen van elke bezoekers kan afvangen. Belangrijk is wel dat de chatbot leert. Zo zien wij in de log van Wavy welke vragen zij fout beantwoordt of überhaupt niet kan beantwoorden. Vooral de eerste dagen zijn we dagelijks bezig geweest om alle nog niet bestaande scenario’s naar nieuwe intents te vertalen en fout beantwoorde vragen naar de juiste intents om te zetten.

Het mooie van een Wavy is dat je de vraag in natuurlijke taal kan stellen en je het gevoel krijgt dat je een soort van echte communicatiedialoog kan hebben. Dit is overigens best lastig om dit goed in te bouwen: je moet als bouwer van tevoren bedacht zijn op diverse mogelijke scenario’s die zich kunnen voordoen.

In Wavy zit nu een zoekservice om een medewerker te vinden. Het idee achter deze service is dat de bezoeker iemand van e-office gezien en gesproken heeft en dat Wavy de bezoeker helpt de juiste naam hierbij te vinden. Ik zou zeggen: probeer hem eens uit!

Vragen? Of wil je ook een Wavy op je site?

We geven je graag meer informatie over de technologie en mogelijkheden bij het ontwikkelen van een chatbot.

 

zien is geloven

blogpost

zien is geloven

visuele dataverwerking met Watson Visual Recognition Betekenis geven aan hetgeen we zien leren we als mens van jongs af aan. We verwerken ongekend veel visuele informatie op basis van ervaring en kennis over onze wereld. Ook in het bedrijfsleven is

lees verder
feedback