O Knowledge Base Optimizer é uma ferramenta de teste que mostra quais os fragmentos dos seus dados de treino que o chatbot encontra para qualquer pergunta. Utiliza a recuperação de conhecimento e as definições de idioma do bot para uma pergunta isolada. Não reproduz uma conversa inteira nem aciona a loja ou outras ações do bot, pelo que não constitui um registo exato de todas as respostas em direto.
É apenas de leitura: testar uma pergunta aqui não altera os seus dados de treino e não afeta o seu chatbot de forma alguma.
Onde encontrar
Selecione o seu chatbot no painel principal e abra o separador Training (Treino). Na coluna da esquerda, por baixo da lista de categorias de fontes, clique em Knowledge Base Optimizer.
Se ainda não treinou o seu chatbot, comece por adicionar dados de treino - o otimizador só pode pesquisar conhecimento que já tenha sido treinado.
Testar uma pergunta
- Escreva uma pergunta no campo Message (Mensagem) - de preferência uma pergunta real colocada pelos seus visitantes, ou uma à qual o chatbot tenha respondido recentemente de forma inadequada.
- Clique em Submit (Enviar).
- Após alguns instantes, os fragmentos de conhecimento correspondentes surgem abaixo, ordenados pela classificação de recuperação e pela política de idiomas.
Como interpretar os resultados
Cada linha de resultados representa um fragmento dos seus dados de treino:
- Match (Correspondência) - a percentagem à esquerda mostra a proximidade com que o fragmento corresponde à sua pergunta. Utilize-a como um indicador de semelhança, e não como uma probabilidade percentual de que a resposta esteja correta. As preferências de idioma e a reordenação também podem influenciar a ordem.
- Source (Fonte) - o cabeçalho da linha apresenta o ícone e o nome do tipo de fonte, por exemplo o URL da página treinada, o nome de um ficheiro ou uma entrada de P&R.
- Language badge (Etiqueta de idioma) - o pequeno indicador junto à fonte mostra com que idioma o fragmento está etiquetado. As fontes sem etiqueta de idioma mostram "any", o que significa que são utilizadas para todos os idiomas.
- Fragment content (Conteúdo do fragmento) - clique numa linha para a expandir e ler o texto exato que o chatbot receberia.
A ordem é importante. Os resultados são ordenados por relevância e o chatbot lê-os por esta ordem, a partir do topo, até que o seu orçamento de contexto de conhecimento esteja esgotado. O orçamento depende das definições de Chat Context Size (Tamanho do contexto do chat) e de memória do bot - os fragmentos que não couberem no orçamento são cortados a partir do fundo. Se o fragmento que esperava estiver em falta ou surgir muito abaixo na lista, é muito provável que o chatbot não o esteja a utilizar ao responder.
Política de idiomas
Acima do campo de mensagem, a linha Language policy (Política de idiomas) explica como o seu bot processa os idiomas de origem durante a pesquisa. Num bot sem filtragem de idioma, pesquisa em todas as fontes em conjunto. Com a funcionalidade de vários idiomas, a política configurada pode restringir a recuperação ao idioma principal ou ao idioma do visitante, incluindo o recurso de contingência selecionado e as fontes independentes de idioma. Leia a política apresentada antes de interpretar resultados em falta.
Nos bots multilingues, surge uma linha informativa adicional por baixo do campo de mensagem após cada pesquisa. Mostra o Detected message language (idioma da mensagem detetado: o idioma reconhecido pela ferramenta na sua pergunta), os Searched languages (idiomas pesquisados: que idiomas de origem foram incluídos na pesquisa) e, caso a ferramenta tenha reformulado a pergunta para pesquisar melhor, a Refined query (consulta refinada) que utilizou efetivamente.
Quando utilizar
- O chatbot responde incorretamente ou indica que não sabe a resposta. Teste a mesma pergunta aqui. Se o fragmento correto estiver em falta, comece por verificar a fonte original, o estado de conclusão do treino, a etiqueta de idioma e a política de idiomas apresentada. Os resultados em falta também podem refletir a classificação ou o orçamento de contexto; não provam necessariamente que a informação esteja ausente. Adicione ou corrija conteúdo apenas após identificar a lacuna.
- Após o retreino. Quando retreinar as suas fontes, execute algumas perguntas típicas para confirmar que o conteúdo atualizado é recuperado como esperado.
- Antes de publicar. Teste as perguntas mais frequentes que os seus visitantes farão e confirme que cada uma devolve fragmentos relevantes perto do topo.
Se os resultados revelarem lacunas, melhore os seus dados de treino e volte a testar - as alterações ficam disponíveis após a conclusão do treino. De seguida, teste a resposta no separador Overview (Visão geral), incluindo uma pergunta de seguimento realista. Para um guia mais abrangente, consulte Como melhorar as respostas do chatbot.