作者：来自 Elastic Aditya Tripathi
世界每天都越来越受到人工智能的推动。 事实上，你很难找到尚未宣布将人工智能以某种方式集成到其技术堆栈中的科技公司。 愤世嫉俗者可能会说这是一个过渡阶段，但人工智能如此受欢迎的原因是它是一组多功能的功能，可以帮助解决很多问题。
利用人工智能最直接的方式是聊天机器人的形式：模仿人类交互的对话界面，根据用户输入生成上下文响应。 有时这些是基于文本的，例如你经常在网站或应用程序上看到的客户服务机器人。 有时它们是支持语音的，例如 Siri、Google Assistant 和 Alexa。 这些具体示例只是聊天机器人功能的冰山一角。 随着技术的不断发展和改进，聊天机器人在各个行业的重要性将日益增强。
在本文中，我们不仅仅将引导你完成构建第一个聊天机器人的步骤。 我们还将介绍聊天机器人开发人员的注意事项，这将帮助你以正确的方式创建聊天机器人。 本文还将涵盖：
- 了解人工智能领域的聊天机器人
- 聊天机器人的基本组成部分
- 构建你的第一个聊天机器人：分步指南
- 将 LLMs 用于你的聊天机器人
- 测试和部署你的聊天机器人
在本文结束时，你将了解如何创建一个能够保持最新状态并提供最大价值的聊天机器人，同时尊重用户的安全。
了解人工智能领域的聊天机器人
简单来说，聊天机器人是一个通过模拟对话与软件进行通信的界面。 过去，这是使用基本的工作流程来完成的，但由于人工智能和机器学习工具的可用性呈爆炸式增长，聊天机器人的能力远不止于此。 现在，虚拟代理（virtual agents）使用人工智能和自然语言处理 (NLP) 来理解和处理你的输入，以便可以根据这些输入定制响应。 这包括回答问题、解决问题和进行随意对话等用例。
这使得聊天机器人能够出色地实现许多关键业务功能。 让我们看看聊天机器人在哪些方面发挥了作用：
- 客户服务：它们使公司能够更便宜、更轻松地为其客户提供 24/7 支持。
- 潜在客户开发和资格认证：他们可以与网站访问者互动和接触、收集信息，甚至为销售团队安排预约。
- 数据收集和分析：他们可以从用户那里收集信息，分析反馈并确定趋势以改进产品和服务。
- 教育和培训：他们可以提供在线课程、回答学生问题并提供反馈。
- 可访问性和包容性：它们可以为残疾用户提供支持、翻译语言并提供多种格式的信息。
- 内容创建和审核：他们可以生成书面内容、审核在线社区，甚至过滤不适当的内容。
正如这些例子所示，聊天机器人弥合了客户与用于运营公司的技术之间的差距。 你无需手动收集数据，然后将其输入人工智能系统，而是省去了中间人。 这意味着你可以更快地识别和解决问题，为用户提供更好的体验。
聊天机器人的基本组件
对于最终用户来说，聊天机器人的美妙之处在于体验的简单性。 用户可以像与真人交谈一样与机器人交谈，并且他们应该得到有意义且有帮助的回复。
但为了实现这种简单性，你需要几个关键组件协同工作来解释输入，从可用数据源中学习，并决定最佳响应是什么。
解释器：自然语言处理（NLP）
将 NLP 视为翻译器，以确保聊天机器人理解对其提出的要求。 该组件接收用户所说或询问的内容，并分析其情绪、上下文、意图等。 它通过做一些事情来实现这一目标：
- 标记化：将输入拆分为单独的单词和短语
- 词性标注：将每个单词分类为名词、动词、形容词等。
- 语法分析：计算出句子结构和单词之间的关系
- 语义分析：破译每个单词背后的含义，分析上下文和意图
学习者：机器学习 (ML)
成功的聊天机器人的一个属性是它能够随着交互次数的增加而学习和成长。 这要归功于机器学习，它赋予了它通过多种方式学习和适应的能力：
- 监督学习：聊天机器人接受标记数据的训练，学习将输入与所需的响应联系起来。
- 无监督学习：这是聊天机器人分析未标记数据的地方。 因此，它不会显示连接，而是寻找模式和关系来找到连接本身。
- 强化学习：聊天机器人通过反复试验来了解最有效的方法，并根据结果和用户反馈改进其响应。
大脑：人工智能算法
理论上，聊天机器人不需要使用人工智能算法。 但这些算法是基于规则的基本响应与正确理解其为用户解决的问题的自由对话之间的区别。 这些功能可能会有很大差异，但以下是人工智能算法的一些更常见的功能：
- 对话管理：这些算法管理对话的流程：在主题之间移动、提供相关信息并帮助对话自然地进行。
- 响应生成：这些人工智能算法根据上下文、意图、语气和其他相关信息生成适当的响应。
- 个性化：个性化算法根据特定用户及其需求定制响应。 它使用用户数据和过去的交互来做到这一点。
构建你的第一个聊天机器人：分步指南
第一步：选择合适的平台和工具
构建第一个聊天机器人的第一步是决定要使用什么平台。 这是聊天机器人的基础，你选择的平台将取决于聊天机器人的目标。 你应该问自己以下几个问题：
- 你想解决什么问题？
- 这个问题有多复杂？
- 谁是你的聊天机器人的目标受众？
- 你需要什么特性和功能？
另一个重要的考虑因素是可用的预算和技能。 技术技能最低的业余爱好者和拥有大量预算支持的成熟开发团队之间存在巨大差异。 这就是为什么考虑不同类型的聊天机器人平台很有用：
- 无代码/低代码：易于使用，具有模板、拖放界面等。非常适合那些编码经验有限的人。 示例：Chatfuel、ManyChat 和 Landbot。
- 基于代码的平台：需要编码技能，但允许更大的灵活性、控制和定制。 示例：Rasa、Microsoft Bot Framework、Dialogflow。
- 企业级：专为大规模部署而设计，包括开箱即用的高级功能和集成。 示例：IBM Watson Assistant、Amazon Lex、Nuance。
例如，如果你想快速构建一个功能相对简单的 Facebook Messenger 聊天机器人，像 ManyChat 这样的东西将是完美的。 但如果你想构建一个更强大的聊天机器人，通过 API 运行并且可以进行大量定制，那么像 Rasa 这样的平台将是你更好的选择。
第二步：设计对话流程
当你构建聊天机器人时，对话流决定了用户和聊天机器人之间对话的结构和进程。 将对话流程视为指挥，指导不同的音乐家以确保一切顺利进行。 你可以使用五个关键要素来做到这一点：
- 意图：从用户的输入中确定目标和动机。
- 实体：对名称、位置和日期等关键信息进行分类。
- 对话状态：跟踪到目前为止的对话以避免重复并指导响应。
- 分支和转换：根据用户的响应映射不同的路径。
- 响应：生成上下文和有用的响应并发回给用户。
要设计有效的流程，你需要从要解决的关键问题开始，然后规划出潜在的对话路径。 如何实现这一点取决于你选择的平台，但流程图在设计阶段可用于表示对话结构。
当你第一次构建聊天机器人时，请使流程尽可能简单，并避免使用过多选项的复杂分支。 这样你就可以更快地开始测试和迭代，并可以专注于最需要改进的领域。
第三步：整合 NLP 和机器学习
NLP 和机器学习的集成是真正智能的聊天机器人（可以学习并与用户进行自然对话）与只是基本脚本阅读器的机器人之间的区别。
除了执行意图识别和实体提取之外，spaCy 和 NLTK（自然语言工具包）等 NLP 库还可以帮助完成情感分析等关键任务。 这会分析用户消息的语气并识别情绪，这意味着你的聊天机器人可以匹配语气并以同理心做出回应。
同样，与 TensorFlow 或 PyTorch 等强大的 ML 库的集成使你的聊天机器人能够根据过去的交互和用户数据进行学习和发展。 这不仅使你的聊天机器人能够生成更加个性化和有用的响应，而且还可以根据这些数据进行预测，并在用户提出问题之前主动提供帮助和建议。
聊天机器人开发人员的注意事项
要做：拥抱人工智能和机器学习
通过集成人工智能和机器学习算法，你将增强聊天机器人的理解和响应准确性。 这些技术是优秀的聊天机器人随着时间的推移不断适应、学习和改进的原因。 作为聊天机器人开发人员，你应该寻找能够为用户增加真正价值的人工智能和机器学习库。
要做：专注于数据驱动的见解
要创建真正有用的聊天机器人，请不断寻找提高机器人性能和响应质量的方法。 做到这一点的最佳方法是捕获和分析用户交互数据，然后确定可以在哪里完善和迭代对话流和功能。
要做：及时了解人工智能趋势
正如过去几年所表明的那样，人工智能领域正在快速增长。 感觉每天都有一个新的改变游戏规则的库、应用程序或 API 被推出。 这些进步可能让人望而生畏，但如果你继续掌握这些新趋势和技术，你可能会找到缺失的要素，将你的聊天机器人提升到一个新的水平。
要做：考虑聊天机器人响应的范围
有很多基于 GPT 的聊天机器人被问及各种问题的例子（例如，用户向专门处理旅行问题的聊天机器人询问财务建议问题）。 在设计的早期，就考虑创建有限范围的问题和主题，让聊天机器人能够响应，以便尽早获得良好的用户体验。
不要做：将用户安全和偏见放在第二位
人们很容易被聊天机器人的无限可能性冲昏头脑，但小心也很重要。 偏见可能会渗透到你的聊天机器人中，从而对其响应产生负面影响。 你还需要尊重用户隐私和道德标准，以保护你的用户并避免给自己带来麻烦。
不要做：忽视测试的重要性
我们很快就会更详细地介绍这一点，但不要陷入在没有对现实场景进行严格测试的情况下部署聊天机器人的陷阱。 在最终用户接近你的聊天机器人之前，你需要确信它是强大且可靠的。
不要做：忽视用户反馈
要创建最好的聊天机器人，你需要定期收集用户的反馈并根据反馈采取行动。 如果你希望你的聊天机器人保持相关性并取得长期成功，这种反馈至关重要。 这可能是错误报告、投诉，甚至是功能请求。 认真对待所有这些反馈，并不断寻找改善用户体验的方法。
将 LLMs 用于你的聊天机器人（RAG、微调）
提高聊天机器人能力和性能的另一种有效方法是将其连接到大型语言模型 (LLM)。 LLM 是一种强大的人工智能类型，经过大量数据训练以理解和生成人类语言响应。
尽管它们的功能令人印象深刻，但像 GPT-4 或 LLaMA 这样的 LLM 不太可能立即满足聊天机器人的特定需求。 为了利用 LLM 的力量，你需要对其进行自定义和增强，以便它能够理解并根据你的聊天机器人的预期用途做出一致的响应。
实现此目的的一种方法是使用检索增强生成 (RAG)。 检索模型用于根据用户的查询整理相关文档，然后将其传递给 LLM。 这些文档可能来自你的私人数据，例如预先存在的知识库、聊天日志或任何其他相关内容。 然后，LLM 可以将此信息与其现有能力相结合，生成更准确、相关和高效的响应。
改进与聊天机器人集成的另一种方法是微调 LLM。 在这里，你基本上可以根据聊天机器人旨在解决的特定任务或问题来定制 LLM。 这使其能够学习特定领域的语言并提高其生成的响应的相关性。 随着你的聊天机器人的发展或更多数据可用，也可以重复此过程，因此 LLM 始终针对与你的机器人一起进行优化。
测试你的聊天机器人
与任何类型的软件开发一样，测试是构建和改进聊天机器人的关键部分。 为了确保你的聊天机器人已准备好部署，你需要测试功能、用户体验和错误处理。
功能测试
为了确保你的聊天机器人按预期运行，请在单元和集成级别以及更广泛的系统测试中执行功能测试。 你还应该评估聊天机器人的性能，确保不存在瓶颈或可扩展性问题。
用户体验测试
考虑最终用户，确保为他们提供最佳的体验。 可用性测试是实现此目的的一个好方法，你可以观察真实用户与聊天机器人的交互。 为了确保每个人都可以使用你的聊天机器人，请进行辅助功能测试，其中包括使用屏幕阅读器进行测试以及仅通过键盘使用机器人。
错误处理
在部署聊天机器人之前，你需要知道它可以正常处理可能发生的任何错误。 这可以包括模拟高流量的压力测试、提交意外输入以及检查安全漏洞。 你要确保如果出现问题，整个事情不会爆炸。
部署你的聊天机器人
当你确信你的聊天机器人已准备就绪时，就可以进行部署了。 但在按下绿色大按钮之前，你应该考虑以下几点：
- 监控和分析：确保你拥有持续监控性能、用户活动和其他关键指标的系统，这将帮助你快速发现问题并做出未来的改进。
- 反馈渠道：让用户在部署后尽可能轻松地发送反馈。 他们会感觉更好，因为他们有人可以联系，而你也会感觉更好，因为你知道他们在想什么。
- 分阶段部署：部署新应用程序可能存在风险，因此请考虑在全面启动之前进行分阶段部署来试水。 通过首先向较小的受众推出，你可以分析交互并进行必要的调整。
无尽的聊天机器人机会
聊天机器人和人工智能的世界在不断发展，改变着我们与技术和企业互动的方式。 希望本文能够揭开这项技术的神秘面纱，让你有信心构建自己的聊天机器人。 通过拥抱聊天机器人的无限潜力，你可以创建自己独特的人工智能应用程序，该应用程序可以随着你学习和完善自己的技能而成长和发展。
我们在 Elastic® 也在做同样的事情 — 始终寻找利用这些进步来改进我们的产品并使客户的生活更轻松的方法，从增强 Elasticsearch® 中的聊天机器人功能到我们最近收购 Opster（后者建立了自己的产品） 出色的聊天机器人 OpsGPT。
人工智能革命无疑正在如火如荼地进行，这肯定会是一次激动人心的旅程！
接下来你应该做什么
只要你准备好，我们可以通过以下四种方式帮助你从业务数据中获取见解：
- 开始免费试用，看看 Elastic 如何帮助你的业务。
- 浏览我们的解决方案，了解 Elasticsearch 平台的工作原理以及我们的解决方案如何满足你的需求。
- 了解如何在企业中提供生成式人工智能。
- 通过电子邮件、LinkedIn、Twitter 或 Facebook 与你认识的愿意阅读本文的人分享本文。
原文：How to make a chatbot: Dos and don'ts for developers in an AI-driven world | Elastic Blog
