Gavin老师Transformer直播课感悟 - Rasa对话机器人项目实战之保险行业Insurance Bot架构设计、流程分析、状态管理及智能对话实验剖析(五十五)

    本文继续围绕工业级业务对话平台和框架Rasa，对Rasa对话机器人项目实战之保险行业Insurance Bot架构设计、流程分析、状态管理及基于Rasa Interactive的智能对话实验进行分析。

一、Rasa对话机器人项目实战之保险行业Insurance Bot架构设计、流程分析、状态管理及基于Rasa Interactive的智能对话实验剖析

1. 通过Rasa Visualize可视化工具详解保险行业Insurance Bot功能及架构设计

运行rasa visualize来启动对话流程可视化图：

这个项目的对话流程比较复杂，下面所示是局部的可视化流程图，主要涉及以下流程：

-用户对车辆进行投保，填写报价单并获取报价信息

-健康保险理赔流程

-丢失ID卡之后对获取新卡地址信息以及验证等流程

-用户请求地址信息变更流程

中间部分涉及的主要流程包括：

查询理赔账单信息，这里会使用form “pay_claim_form”，”scroll_claim_form”等：

 2.  Rasa 3.X架构中的Agent、NLU Pipelines、Dialogue Policies、Action Server、Tracker Store等详解

下面是Rasa提供的对话机器人架构图，解析如下

-Agent就是Rasa server，基于Sanic 构建

-Rasa server启动后会操作两大核心部分：NLU pipelines和Dialogue Policies

-用户通过channel和Rasa server进行交互

-Agent内部会使用核心组件Conversation Tracker来动态跟踪和更新整个对话的状态，包括intents，entities，slots和active loops等信息

-Tracker Lock用于识别与对话机器人连接的不同用户的身份信息

-Filesystem用于存放训练后的models和训练数据

-基于Rasa SDK的Action Server称为对话机器人的微服务，它是使用action和events来驱动的

-Agent和Action Server是基于HTTP进行通信的（使用aiohttp），并通过json封装数据，Rasa的Action Server是用Python实现，你也可以使用其它语言来自定义自己的Action Server

 3.  保险行业Insurance Bot案例对Rasa X各组件的应用示例

运行rasa interactive命令，会加载以下各个组件，并100%处理stories和rules数据：

在config.yml文件里使用了两个CountVectorFeaturizer，一个是基于token级别的，另一个是基于character级别的（设置了n-gram参数）：

使用了DIETClassifier组件来输出intents和entities。使用EntitySynonymMapper运用同义词技术对不同形式的词汇表达转换为统一的表达方式：

使用ResponseSelector针对常见问答等场景根据提问进行response的匹配选择：

使用FallbackClassifier用于处理当预测intent获得的confidence低于threshold或者排名最高的两个intents之间的区分度过低的情况：

AugmentedMemoizationPolicy利用具有的“遗忘机制”可以在使用stories数据来进行匹配预测action方面具有更多的灵活性：

 4.  逐行解密Rasa shell启动过程内幕

运行命令rasa shell：

显示当前用户与对话机器人交互使用的channel为cmdline：

Rasa server运行地址：

加载模型，模型包含Dialogue Policies和NLU Pipeline相关的内容：

Rasa server成功运行标识：

 5.  剖析Rasa Interactive中NLU对Insurance Bot输入的Message的处理：Intents、Entities、Slots

输入信息后，对话机器人反馈识别到的intent和提取的entities是否正确：

可以检查nlu.yml关于intent “get_a_quote”的训练数据来进行验证：

确认后会设置slot “AA_quote_insurance_type”为auto，并提示是否运行”quote_form”：

在domain.yml中可以看到slot  “AA_quote_insurance_type”的定义，使用的slot类型为”CategoricalSlot”，其中提供了4个值，slot mapping的类型为”from entity”，也就是说，当从上面提到的用户输入信息中提取到entity “quote_insurance_type”的值为”auto”时，就会自动把这个值填充到这个slot中：

确认运行”quote_form”，对话机器人输出信息，这时对应的requested_slot设置为quote_number_persons：

检查domain.yml中关于”quote_form”的定义：

另外在domain文件中也可以看到对应的模板化responses的定义，也就是上面对话机器人使用的responses：

输入数量信息：

输出信息显示slot已经填充：

继续运行”quote_form”，会提示输入quote_state的信息：

输入state信息：

输出信息显示所有slots都已填充：

运行”action_get_quote”，输出信息：

这时对话流程可视化图更新如下：

 6.  解密Insurance Bot表单提交执行微服务action全生命周期流程及Slots状态管理

当”action_get_quote”运行完成后，可以看到下面的slots已经被清空，这是由action来进行操作的：

这是action类：

下面是run方法：

从tracker中获取各个slots信息：

对final_quote进行计算，并调用模板response输出信息：

在return语句中会重设所有slots的值为None：