0

关于 Watson 能力的问题

背景 我们正在设计一个聊天机器人来回答访问者关于我们公司的问题,例如:

  • 你的公司在哪里?
  • 你的公司有多大?
  • 我可以进一步了解贵公司的工作环境吗?
  • 你的公司是做什么的?

上面列出的示例问题应该能够由聊天机器人通过#Intent 和@Entity 映射到定义的对话框处理来解决,以提供预定义的答案。

但是,我们想知道的是关于以下部分的更动态的问答支持。

动态问答挑战 我们希望我们的聊天机器人可以回答访问者可能提出的所有问题,但不知道如何处理以下问题:

关于员工

  1. 自 2007 年以来,有多少员工加入了这家公司?

    示例答案:自 2007 年以来已有 20 多名员工加入

    动态因素: • 加入的员工人数 • 年份范围

  2. 过去五年有多少员工加入并辞职?

    示例答案:10名员工加入,没有人辞职

    动态因素: • 加入的员工人数 • 自然语言年份范围 • 员工就业状况

  3. 你的员工流动率是多少?

    示例答案:25% 或 0.25

    动态因素: • 计算:员工加入人数/员工辞职人数

  4. 员工会在贵公司轻松获得晋升吗?

    示例答案:员工每 3 年晋升一次

    动态因素: • 计算:员工人数和晋升日期与下一个职位的内部平均值

关于项目

  1. 就贵公司处理的价格而言,哪个项目是最大的项目?

示例答案:项目 A 记录了 $10,000,000.00

动态因素:知道如何以最大的服务价格找到项目

  1. 贵公司是否在项目进度或服务交付方面积极进取?

    示例答案:很可能我们提前了原计划的 10%

    动态因素: • 已知所有项目和所有任务持续时间 • 计算进度与实际完成日期之间的差异

  2. 您的平均项目团队规模是多少?

    示例答案:平均项目团队规模为 5 人

    动态因素: • 了解所有项目并阅读所有项目团队结构 • 计算平均值

注意事项:

• We don't want to code the Question and Answer explicitly
• We are thinking IBM Watson should be able to answer those questions after understanding our data source

数据源(WORD格式的一堆文件): • 员工记录,包括入职日期、最后日期和每个晋升日期 • 项目记录,包括合同、提案、团队结构和进度报告

问题想澄清或知道

• Do sample questions listed above must go through programming to handle?

• Can IBM Watson have a way to answer our question in a meaningful manner like we listed example as above, if we provided those data source to IBM Watson and how?

• For the first 2 questions about staff, do we need to code/define separate 2 mapping to handle these 2 questions even they shared similar structure?

• Can it learn to handle dynamic question structure after we let IBM Watson know enough information to answer those questions.

• If I ask something like [Last 5 Years] // [Since 2012] // [Exclude 2011 or Before] , do Watson know they are referring the same date range? Or we need to teach Watson one by one with #Intent and @Entity?
4

3 回答 3

1

您的问题可能最适合 IBM 的 DW 论坛,因为它并不是用于 Stackoverflow 的真正结构。

要回答所有问题:

Watson Conversation 的目的是进行非结构化对话,并以使计算机更容易使用的方式查找和构建响应。

您上面的示例可以使用系统实体sys-number,捕获sys-date

于 2017-06-12T13:05:50.650 回答
0

我想建议一个对话/发现组合。当您的对话无法回答问题时,您会将问题转发给发现。Discovery 可以获取非结构化数据,您可以相应地提取该数据并“教”它以获得正确的答案。

于 2017-10-25T16:44:57.517 回答
0

对话本身就很复杂,即使使用强大的最先进的自然语言处理,仍然需要付出很多努力才能在聊天或语音界面中与人进行交互感觉自然。如果您想看看自己能快速走多远,我建议您从API.AI 之类的跨平台自然语言处理工具开始。

API.AI支持实体提取(即它可以接受用户查询并确定哪些词表示日期、数字和自定义实体及其值)、意图识别(如果您给它示例,它可以猜测用户打算做什么用户使用机器学习会说什么)并支持 14 个平台(Google Assistant、Facebook、Slack、Twilio、Telegram...),所有平台都无需任何代码

如果您确实想自己开发一些东西,API.AI 有一个 API 并支持 16 个用于各种平台(Nodejs、Python、Java 等)的 SDK,以及任何通过 HTTP 和它们的实现 webhook 说 JSON 的语言。

于 2017-08-29T00:10:15.773 回答