本文深入探讨Rasa 3.0如何利用DAG图实现可伸缩的对话机器人架构。通过图中展示，NLU与Dialogue Policy组件在Transformer基础上并行处理，提升了效率和弹性。Rasa的pipeline转变为DAG，允许更灵活的定制和并行化，并引入缓存机制减少训练时间。在新架构中，组件间的依赖关系被明确，优化了训练和推理过程。
本文继续围绕工业级业务对话平台和框架Rasa来解析如何实现全新一代可伸缩DAG图架构(Directed Acyclic Graph)，基于新的架构，Rasa提出了一个全新的对话机器人计算引擎。从下面这个图中，我们可以看到把NLU部分和Dialogue Policy部分的各个组件都融入到一个图里，图中每个节点表示一个组件，使用节点之间的边来表达节点之间的依赖关系。从图中可以看出在Tokenizer和TEDPolicy之间存在并行处理的机制。这样的一个开放的架构不仅表现出灵活性而且更具有弹性。无论是在语言理解，语言处理，语言生成方面，未来会有更多的模型出现，那么可以基于这样一个开放的架构进行定制，从而可以更好地适应未来的变化。
五、关于Rasa3.0构建基于对话机器人的机器学习 pipeline剖析
Rasa 3.0开始使用一种全新的计算
1055
950
687
625
549
513
192
18
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
