任务型对话系统(Task-oriented Dialogue Systems, TODS)已经广泛应用于客户服务、个人助理、智能客服等领域。这些系统的核心目标是帮助用户完成特定的任务,如预订酒店、查询信息或执行交易。然而,要确保这些系统的有效性和用户满意度,就需要一套科学的评价指标来衡量它们的性能。以下是一些常用的评价指标:
1. BLEU(Bilingual Evaluation Understudy)
BLEU是一种广泛用于机器翻译和文本生成任务的评价指标,它通过比较机器生成的文本和一组参考文本之间的重叠程度来评估生成文本的质量。在任务型对话系统中,BLEU可以用来评估系统生成的回复与人类生成的标准回复之间的相似度。BLEU分数越高,表示系统生成的回复越接近人类生成的回复。
2. 任务完成率(Task Success Rate)
任务完成率是衡量任务型对话系统性能的关键指标之一。它指的是系统成功帮助用户完成指定任务的比例。例如,在预订酒店的任务中,如果系统能够引导用户完成预订流程并确认预订信息,则认为任务成功完成。
3. 对话轮次(Dialogue Turns)
对话轮次是指完成一个任务所需的对话回合数。理想情况下,对话轮次越少,说明系统的效率越高。然而,对话轮次的减少并不总是意味着更好的用户体验,因为过少的轮次可能导致用户需求没有被充分理解。
4. 意图识别准确率(Intent Recognition Accuracy)
在任务型对话系统中,意图识别是指系统理解用户输入的意图并将其映射到相应的任务或操作的能力。意图识别准确率是衡量系统在这一过程中表现的指标,高准确率意味着系统能够更好地理解用户的需求。
5. 实体识别准确率(Entity Recognition Accuracy)
实体识别是指系统从用户输入中提取关键信息(如时间、地点、人名等)的能力。实体识别准确率是衡量系统在这一过程中表现的指标,这对于执行特定任务(如预订、查询等)至关重要。
6. 响应时间(Response Time)
响应时间是指系统接收到用户输入后生成回复所需的时间。快速的响应时间可以提高用户体验,尤其是在需要即时反馈的场景中。
7. 人工评价
人工评价(如mos分等)是最直接的评价方式,它依赖于人类评估者对对话系统的输出进行主观评价。人工评价可以包括多个维度,如流畅性、相关性、准确性、满意度等。人工评价的优点是能够综合考虑多种因素,但缺点是成本较高,且可能受到评估者主观性的影响。
(1). 评价维度
人工评价通常包括多个维度,这些维度可以是:
-
流畅性:对话的自然程度,是否像人类之间的对话。
-
相关性:系统回复是否与用户的意图和上下文紧密相关。
-
准确性:系统提供的信息是否正确无误。
-
完整性:系统是否提供了用户所需的所有信息。
-
一致性:系统在对话过程中是否保持一致性,不出现矛盾。
-
满意度:用户对对话体验的整体满意程度。
(2). 评价方法
人工评价可以采取不同的方法进行:
-
直接评价:评估者直接与对话系统进行交互,然后根据体验给出评价。
-
旁观评价:评估者观察用户与系统的交互过程,然后给出评价。
-
回放评价:评估者观看或听取用户与系统的交互记录,然后进行评价。
(3). 评价标准
人工评价通常需要一套明确的标准或指南,以确保评价的一致性和可重复性。这些标准可能包括:
-
评分量表:如1到5或1到10的评分系统。
-
检查清单:列出需要评估的具体项目。
-
评价指南:提供评价过程中的指导和建议。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。