Halaman ini diterjemahkan oleh Cloud Translation API.

Model kustom V1 perangkuman untuk chat

Model kustom Agent Assist Summarization untuk fitur ini memungkinkan Anda memberikan ringkasan percakapan kepada agen setelah setiap percakapan selesai, dengan memanfaatkan model yang dilatih secara eksklusif pada data khusus pelanggan. Hal ini berbeda dengan penyesuaian melalui model bahasa besar, seperti yang dijelaskan dalam ringkasan dengan bagian kustom. Ringkasan ini membantu agen membuat catatan percakapan dan memahami histori komunikasi pengguna akhir. Misalnya, output ringkasan tentang percakapan mungkin terlihat seperti berikut:

Anda juga dapat mengimpor model Ringkasan Agent Assist kustom untuk digunakan dengan percakapan CCAI Insights.

Sebelum memulai

Pastikan data Anda dalam format yang diperlukan. Anda juga memiliki opsi untuk menggunakan set data sampel atau menguji fitur menggunakan model Ringkasan demo, tanpa memerlukan set data.

Melatih dan men-deploy model Ringkasan menggunakan API

Membuat set data percakapan dan mengimpor transkrip

Panggil metode create pada resource ConversationDataset untuk membuat set data percakapan. Sertakan jalur ke bucket Cloud Storage yang berisi data transkrip Anda untuk mengimpornya ke set data percakapan baru.

Contoh permintaan:

{
  "displayName": "CONVERSATION_DATASET_NAME",
  "inputConfig": {
    "gcsSource": {
      "uris": ["gs://PATH_NAME/*"]
    }
  }
}

Respons berisi ID set data percakapan. Contoh respons:

{
  "done": true,
  "response": {
    "@type": "type.googleapis.com/google.cloud.dialogflow.v2beta1.ConversationDataset",
    "name": "projects/PROJECT_ID/locations/global/conversationDatasets/CONVERSATION_DATASET_ID",
    "displayName": "CONVERSATION_DATASET_NAME",
    "createTime": "2022-06-16T23:13:22.627380457Z"
  }
}

Membuat model percakapan

Panggil metode create pada resource ConversationModel untuk membuat model percakapan Ringkasan. Setiap project akan memiliki hingga 120 jam kerja node untuk pelatihan setiap bulan dan dapat menjalankan satu tugas pelatihan secara bersamaan.

Kolom wajib diisi:

datasets: Berikan satu set data yang berisi data transkrip yang Anda gunakan untuk melatih model.
summarizationModelMetadata: Setel ke objek kosong, atau isi kolom untuk mengganti nilai default.

Contoh permintaan:

{
  "displayName": "CONVERSATION_DATASET_NAME",
  "datasets": [{
    "dataset": "projects/PROJECT_ID/locations/global/conversationDatasets/CONVERSATION_DATASET_ID"
  }],
  "summarizationModelMetadata": {
    "trainingModelType": "SUMMARIZATION_MODEL"
  },
  "languageCode": "en-US"
}

Responsnya adalah operasi yang berjalan lama, yang dapat Anda polling menggunakan GetOperation API untuk memeriksa penyelesaian. Pelatihan dapat memerlukan waktu beberapa jam. Respons akan menampilkan status dan ID model.

Contoh respons:

{
  "name": "projects/PROJECT_ID/locations/global/operations/OPERATION_ID",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.dialogflow.v2beta1.CreateConversationModelOperationMetadata",
    "conversationModel": "projects/PROJECT_ID/locations/global/conversationModels/MODEL_ID",
    "state": "TRAINING",
    "createTime": "2022-06-16T23:27:50Z"
  }
}

Mengevaluasi model percakapan

Setelah pelatihan model selesai, panggil API ListConversationModelEvaluations untuk memeriksa kualitas model.

Di ListConversationModelEvaluationsRequest, tentukan nama model yang akan diperiksa.

{
  "parent": "projects/cloud-contact-center-quality/locations/global/conversationModels/d3f2ca9f3e2c571a"
}

ListConversationModelEvaluationsResponse mencakup skor Rouge-L untuk mengevaluasi ringkasan otomatis.

{
  "conversationModelEvaluations": [{
    "name": "projects/cloud-contact-center-quality/locations/global/conversationModels/d3f2ca9f3e2c571a/evaluations/c10ac25411a23fe1",
    "displayName": "Training Auto Generated Evaluation",
    "createTime": "2022-06-04T03:38:35.151096Z",
    "evaluationConfig": {
    },
    "summarizationMetrics": {
      "rougel": 0.4474459
    }
  }]
}

Men-deploy model percakapan

Setelah pelatihan model selesai, Anda dapat men-deploy model menggunakan DeployConversationModel API.

Di DeployConversationModelRequest, tentukan name model yang akan di-deploy. Responsnya adalah operasi yang berjalan lama, yang dapat Anda polling menggunakan GetOperation API untuk memeriksa penyelesaian.

Mengonfigurasi profil percakapan

Profil percakapan mengonfigurasi serangkaian parameter yang mengontrol saran yang diberikan kepada agen selama percakapan. Langkah-langkah berikut membuat ConversationProfile dengan objek HumanAgentAssistantConfig.

Membuat profil percakapan

Untuk membuat profil percakapan, panggil metode create pada resource ConversationProfile. Berikan nama untuk profil percakapan baru, Google Cloud project ID, dan ID model Anda. Di CreateConversationProfileRequest, tentukan model percakapan yang akan digunakan dan fitur saran yang akan CONVERSATION_SUMMARIZATION.

Berikut adalah contoh JSON:

{
  "displayName": "CONVERSATION_PROFILE_NAME",
  "humanAgentAssistantConfig": {
    "humanAgentSuggestionConfig": {
      "featureConfigs": [{
        "suggestionFeature": {
          "type": "CONVERSATION_SUMMARIZATION"
        },
        "conversationModelConfig": {
          "model": "projects/PROJECT_ID/locations/global/conversationModels/MODEL_ID",
        }
      }]
    }
  },
  "languageCode": "en-US"
}

Responsnya adalah objek ConversationProfile yang berisi profil percakapan name:

{
  "name": "projects/PROJECT_ID/locations/global/conversationProfiles/CONVERSATION_PROFILE_ID",
  "displayName": "CONVERSATION_PROFILE_NAME",
  "automatedAgentConfig": {
  },
  "humanAgentAssistantConfig": {
    "notificationConfig": {
    },
    "humanAgentSuggestionConfig": {
      "featureConfigs": [{
        "suggestionFeature": {
          "type": "CONVERSATION_SUMMARIZATION"
        },
        "conversationModelConfig": {
        }
      }]
    },
    "messageAnalysisConfig": {
    }
  },
  "languageCode": "en-US",
  "createTime": "2022-06-06T21:06:46.841816Z",
  "updateTime": "2022-06-06T21:06:46.841816Z",
  "projectNumber": "344549229138"
}

Menangani percakapan saat runtime

Saat dialog dimulai antara pengguna akhir dan agen manusia, Anda membuat percakapan. Bagian berikut akan memandu Anda melalui proses ini.

Buat percakapan

Untuk membuat percakapan, panggil metode create pada resource Conversation.

Respons berisi ID percakapan baru Anda.

Membuat peserta pengguna akhir

Untuk membuat peserta pengguna akhir, panggil metode create pada resource Participant. Berikan ID percakapan dan END_USER untuk kolom role.

Segmen jalur setelah participants berisi ID peserta pengguna akhir baru Anda.

Membuat peserta agen manusia

Untuk membuat peserta agen manusia, panggil metode create pada resource Participant. Berikan ID percakapan dan HUMAN_AGENT untuk kolom role.

Segmen jalur setelah participants berisi ID peserta agen manusia baru Anda.

Menganalisis pesan

Opsi 1: Selama percakapan

Untuk menambahkan dan menganalisis pesan agen manusia untuk percakapan, panggil metode analyzeContent pada resource Participant. Berikan ID percakapan dan ID peserta agen manusia.

Untuk menambahkan dan menganalisis pesan pengguna akhir untuk percakapan, panggil metode analyzeContent di resource Participant. Berikan ID percakapan dan ID peserta pengguna akhir.

Jangan membuat panggilan duplikat ke metode analyzeContent jika telah dipanggil untuk fitur Dialogflow lainnya.

Opsi 2: Setelah percakapan

Anda dapat menggunakan opsi ini jika Anda tidak menggunakan metode analyzeContent selama percakapan. Sebagai gantinya, Anda dapat menggunakan metode batchCreate pada resource messages untuk menyerap pesan historis percakapan.

Mendapatkan saran

Anda bisa mendapatkan saran kapan saja untuk pesan terbaru dari peserta mana pun.

Opsi 1. suggestConversationSummary

Panggil metode suggestConversationSummary pada resource conversations.suggestions. Berikan ID percakapan dan ID pesan terbaru dari salah satu peserta.

Opsi 2. generateStatelessSummary

Panggil metode generateStatelessSummary. Berikan Messages percakapan dan ID pesan terbaru dari salah satu peserta.

Berikut adalah contoh permintaan JSON untuk generateStatelessSummary:

{
  "statelessConversation": {
    "messages": [{
      "content": "Hello, how can I help you today?",
      "languageCode": "en-US",
      "participantRole": "HUMAN_AGENT"
    }, {
      "content": "I would like to cancel my plan.",
      "languageCode": "en-US",
      "participantRole": "END_USER"
    }, {
      "content": "Okay, I have canceled your plan. Is there anything else that I can do to help you?",
      "languageCode": "en-US",
      "participantRole": "HUMAN_AGENT"
    }, {
      "content": "No, thank you.",
      "languageCode": "en-US",
      "participantRole": "END_USER"
    }, {
      "content": "Okay, have a great day!",
      "languageCode": "en-US",
      "participantRole": "HUMAN_AGENT"
    }],
    "parent": "projects/PROJECT_ID/locations/global"
  },
  "conversationProfile": {
    "humanAgentAssistantConfig": {
      "humanAgentSuggestionConfig": {
        "featureConfigs": [{
          "suggestionFeature": {
            "type": "CONVERSATION_SUMMARIZATION"
          },
          "conversationModelConfig": {
            "model": "projects/PROJECT_ID/locations/global/conversationModels/MODEL_ID"
          }
        }]
      }
    },
    "languageCode": "en-US"
  }
}

Respons berisi saran Summarization.

Menyelesaikan percakapan

Untuk menyelesaikan percakapan, panggil metode complete pada resource conversations. Berikan ID percakapan.