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调试、interactive learning解密及项目总结(五十九)

    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进行调试，并使用Rasa提供的interactive learning的模式对交互过程中出现的不符合预期的行为进行纠正。纠正包括两个方面，一是intent预测纠正，另外一方面是针对action的预测纠正，然后通过生成新的训练数据来改进对话机器人。

一、Rasa对话机器人项目实战之保险行业Insurance Bot调试、interactive learning解密及项目总结

1. 使用Debugging模式解密Insurance Bot中的Check Claim Status全生命周期

  下面是对话机器人给出的选项：

选择第1个选项后输出信息：

选择Yes后输出信息：

这时如果随意输入ID值，就不能通过验证：

下面是调试信息，显示对slot “claim_id”的值进行验证：

为了进行验证，需要调用action server的微服务”validate_get_claim_form”：

在action server输出信息里可以看到收到了这条要求执行验证action的请求：

这是action类：

在下面的验证方法里，会从模拟测试数据中获取用户理赔信息，然后从tracker中获取slot “claim_id”，如果slot的值在用户理赔信息中不存在，则判定为无效的claim_id：

这是模拟测试数据之一：

使用测试数据中的claim_id值作为输出，可以看到通过了验证并显示claim的状态信息：

 

 2.  使用Debugging模式解密Insurance Bot中的Pay Claim 全生命周期

输入Yes后输出信息：

输入金额信息：

输入Yes后输出信息，这时已经执行了支付操作：

下面是tracker的状态，包含了以下信息：

-用户intent信息

-依次显示了执行的各个action以及激活的form信息

-每个action和form使用的slots信息

ActionPayClaim类：

下面是run方法，首先从tracker中获取各个slots的值，然后检查用户理赔信息，对当前用户请求的claim_id所对应的balance金额进行更新，最后在return语句里对所有slots的值设置为None：

 3.  使用Rasa Interactive Learning启动Insurance Bot过程

运行命令rasa interactive启动交互式模式，注意下面的输出信息显示是直接加载训练好的模型，这是因为模型在加载前没有修改所以不需要重新训练：

 4.  使用Rasa Interactive Learning解密Insurance Bot的order a new card的全生命周期

输入信息hi，然后输出信息：

运行action “utter_greet”输出信息如下：

选择第2个选项，输出信息：

并提示需要验证地址信息：

输入Yes后会输出地址信息让用户进行确认：

确认运行微服务action：

这是action类：

下面是run方法，只是输出信息而已，在实际生产环境中需要和第三方服务进行集成：

 5.  使用Rasa Interactive Learning解密Insurance Bot的file a claim的全生命周期及纠正Insurance Bot的NLU行为和Policies Prediction行为

输入信息，这时intent为”bot_challenge”：

确认后输出信息：

再次输入同样的信息后，可以看到第2次识别到的intent为”nlu_fallback”，这是因为confidence低于了定义在config.yml中的FallbackClassifier的threshold：

然后会使用rules.yml中定义的rule进行处理：

这是在domain.yml中定义的模板化response：

再次输入同样信息得到intent为”bot_challenge”时，选择No，则返回下面的intent list：

这时选择ask_for_help，输出信息：

确认执行action后输出信息：

确认执行action后输出信息：

选择下面第4个选项：

这是form定义：

输入理赔金额信息：

确认以下信息：

这是微服务action：

这是run方法中当选择确认时的业务逻辑操作：

Slots信息如下：

输入信息：

输出信息：

根据提示输入claim id信息：

可以看到intent为”deny”是不正确的，所以输入No，这时返回intent list：

选择inform，并执行”pay_claim_form”，输出信息：

再次输入claim id：

可以看到intent为”deny”是不正确的，输入No，这时返回intent list：

再次选择inform，执行后提示是否要执行fallback action：

输入No，返回action list：

选择执行action_pay_claim，这时从action server输出看由于缺少数据导致执行微服务action报错：

 6.  基于使用Rasa Interactive Learning生成的新增数据分析及对话机器人训练

在交互式模式下选择No，导出刚刚交互时使用的训练数据：

然后进行训练：