– Nasz zespół AI opracował model, którego skuteczność w tym zadaniu przewyższa wcześniej istniejące rozwiązania, co zostało pokazane m.in. na znanym zbiorze ATIS. Rozwiązanie opiera się na sieci neuronowej typu Transformer, która w ostatnich czasach święci triumfy w zagadnieniach z dziedziny uczenia maszynowego. Rozwinęliśmy to podejście w celu uzyskania lepszych rezultatów poprzez połączenie jej z tzw. sieciami kapsułowymi, znanymi do tej pory głównie z zastosowania w dziedzinie rozpoznawania obrazu – mówi Michał Lew, Head of AI odpowiedzialny za projekt.
Rozpoznanie intencji jest kluczem do sukcesu każdego chatbota. Jest to proces rozumienia znaczenia oddzielnych słów, wyrażeń i zdań w kontekście danego dialogu i możliwych procesów obsługiwanych przez takiego zautomatyzowanego asystenta. Przykładowo, dobry chatbot obsługujący klientów bankowych powinien rozumieć typowe wyrażenia, takie jak „Sprawdź saldo na moim rachunku bieżącym”, a także to samo zdanie wypowiedziane w języku potocznym „Ile mam pieniędzy na koncie?”. Innymi słowy chatboty i ich algorytm rozumienia języka naturalnego i zdolność rozpoznawania intencji klientów.
