كيف تجعلون شات بوت الذكاء الاصطناعي يفهم الدارجة المغربية ولهجات أخرى

ما حدث في نظامي السحابي لدعم عيادات الأسنان المغربية

بنيت نظاما سحابيا لدعم العملاء لعيادات أسنان في المغرب. في البداية افترضت أن جودة اللهجة تتطلب تخصيص نموذج محلي. بدا ذلك كالإجابة التقنية: جمع بيانات، تدريب نموذج، استضافته، وجعل الدارجة جزءا من الأوزان. قبل الالتزام بذلك العمل، جربت تدخلا أصغر. جمعنا أمثلة دعم حقيقية من مساعدات عملن داخل عيادات أسنان. كن يعرفن العبارات التي يستخدمها المرضى للألم، المواعيد، الأسعار، الطوارئ، والمتابعة. وضعنا تلك الأمثلة في سياق التوجيه. تحسنت الجودة بسرعة.

فعلت الأمثلة أكثر من ترجمة المفردات. أظهرت النبرة، النية، سياسة العيادة، متى تُطرح سؤال آخر، ومتى تُستدعى أداة الحجز. هذا التمييز مهم. يمكن لقاموس أن يشرح أن كلمة تشير إلى موعد. يُظهر مثال مُفصَّل كيف يجب أن يرد المساعد عندما يستخدم مريض تلك الكلمة أثناء وصف ألم وطلب أقرب موعد متاح.

ما يجب أن يحتويه مثال قوي متعدد اللقطات

استرجاع الأمثلة الصحيحة في الوقت الفعلي

يصبح توجيه واحد ضخم في النهاية صاخبا. الخطوة التالية هي التوجيه الديناميكي متعدد اللقطات. تحدد طبقة توجيه نية العميل، اللهجة، سياق القطاع، والإجراء المطلوب. ثم تسترجع فقط الأمثلة ذات الصلة بتلك الرسالة. يتلقى سؤال حجز أمثلة حجز. تتلقى شكوى ما بعد العلاج أمثلة رُوجعت لتلك الحالة. يحصل سؤال عن السعر على مجموعة أخرى. هذا يبقي السياق مركزا ويسهل تحديث سلوك واحد دون إزعاج كل شيء آخر.

يمكنكم أيضا توجيه الطلبات إلى وكلاء متخصصين، لكن التخصص يجب أن يكون له سبب. الوكلاء المنفصلون منطقيون عندما يستخدمون أدوات، سياسات، أو معارف مختلفة. إنشاء وكيل لكل نية صغيرة يضيف تكلفة والمزيد من نقاط الفشل. غالبا وكيل دعم واحد بتوجيه موثوق وحقن سياق يكفي.

كيف تقيّمون جودة اللهجة

لن تحل الأمثلة القليلة اللقطات كل مشكلة لغوية. يمكن للتخصيص أن يساعد عندما يجب أن يبقى السلوك متسقا عبر حجم كبير وأصبح التوجيه مكلفا أو هشا جدا. لكنني لن أبدأ من هناك. سأثبت أولا أن أمثلة جيدة ومجموعة تقييم تمثيلية يمكنها إنتاج السلوك المطلوب. هذا يمنحكم بيانات أنظف إذا قررتم لاحقا التخصيص.