Knowledge Base Optimizer er et testverktøy som viser deg hvilke fragmenter av treningsdataene dine chatboten finner for et gitt spørsmål. Det bruker botens kunnskapsinnhenting og språkinnstillinger for et frittstående spørsmål. Det gjentar ikke en hel samtale eller kaller opp botens butikk og andre handlinger, så det er ikke et nøyaktig spor av hvert eneste faktiske svar.
Det er skrivebeskyttet: å teste et spørsmål her endrer ikke treningsdataene dine og påvirker ikke chatboten din på noen måte.
Hvor du finner det
Velg chatboten din i hovedoversikten og åpne fanen Training (Trening). I den venstre kolonnen, under listen over kildekategorier, klikker du på Knowledge Base Optimizer.
Hvis du ikke har trent chatboten din ennå, bør du starte med å legge til treningsdata først - optimaliseringsverktøyet kan bare søke i kunnskap som allerede er trent.
Teste et spørsmål
- Skriv et spørsmål i feltet Message (Melding) - helst et reelt spørsmål de besøkende stiller, eller et spørsmål chatboten nylig svarte dårlig på.
- Klikk på Submit (Send inn).
- Etter et øyeblikk vises de samsvarende kunnskapsfragmentene nedenfor, sortert etter innhentingsrangering og språkpolicy.
Lese resultatene
Hver resultatrad representerer ett fragment av treningsdataene dine:
- Match (Treff) - prosentandelen til venstre viser hvor godt fragmentet matcher spørsmålet ditt. Bruk det som et signal på likhet, ikke som en prosentvis sannsynlighet for at et svar er riktig. Språkpreferanser og omrangering kan også påvirke rekkefølgen.
- Source (Kilde) - radoverskriften viser kildetypens ikon og navn, for eksempel URL-en til den opplærte siden, et filnavn eller en Q&A-oppføring.
- Language badge (Språkmerke) - det lille merket ved siden av kilden viser hvilket språk fragmentet er merket med. Kilder uten språkmerke viser "any", noe som betyr at de brukes for alle språk.
- Fragment content (Fragmentinnhold) - klikk på en rad for å utvide den og lese den nøyaktige teksten chatboten ville mottatt.
Rekkefølgen har betydning. Resultatene rangeres etter relevans, og chatboten leser dem i denne rekkefølgen, fra toppen, til budsjettet for kunnskapskontekst er fullt. Budsjettet avhenger av botens Chat Context Size og minneinnstillinger - fragmenter som ikke får plass innenfor budsjettet, kuttes bort fra bunnen. Hvis fragmentet du forventet mangler eller ligger veldig langt nede på listen, bruker chatboten det mest sannsynlig ikke når den svarer.
Språkpolicy
Over meldingsfeltet forklarer linjen Language policy (Språkpolicy) hvordan boten behandler kildespråk under søket. For en bot uten språkfiltrering søker den i alle kilder samlet. Med Multi-language kan den konfigurerte policyen begrense innhentingen til hovedspråket eller den besøkendes språk, med valgt reserve og språkuavhengige kilder. Les den viste policyen før du tolker manglende resultater.
For flerspråklige boter vises en ekstra informasjonslinje under meldingsfeltet etter hvert søk. Den viser Detected message language (registrert meldingsspråk - språket verktøyet gjenkjente i spørsmålet ditt), Searched languages (søkte språk - hvilke kildespråk som ble inkludert i søket), og, når verktøyet omformulerte spørsmålet ditt for å søke bedre, Refined query (forbedret søkestreng - spørringen det faktisk brukte).
Når du bør bruke det
- Chatboten svarer feil eller sier at den ikke vet. Test det samme spørsmålet her. Hvis det riktige fragmentet mangler, bør du først sjekke den opprinnelige kilden, dens fullførte treningsstatus, språkmerke og den viste språkpolicyen. Manglende resultater kan også gjenspeile rangering eller kontekstbudsjettet; de er ikke et bevis på at informasjonen mangler helt. Legg til eller korriger innhold først etter at du har identifisert gapet.
- Etter gjenopptrening. Når du trener kildene dine på nytt, bør du kjøre noen typiske spørsmål for å kontrollere at det oppdaterte innholdet hentes inn som forventet.
- Før publisering. Test de vanligste spørsmålene de besøkende vil stille, og bekreft at hvert av dem returnerer relevante fragmenter nær toppen.
Hvis resultatene avdekker hull, forbedrer du treningsdataene dine og tester på nytt - endringene blir tilgjengelige etter at treningen er fullført. Deretter tester du svaret i Overview (Oversikt), inkludert et realistisk oppfølgingsspørsmål. For en mer omfattende veiledning, se Hvordan forbedre chatbotsvar.