Page 45 - My FlipBook

“Эрдмийн чуулган-2023” ЭРДЭМ ШИНЖИЛГЭЭНИЙ БҮТЭЭЛИЙН ЭМХЭТГЭЛ

гадаад мэдээллийн эх сурвалжтай нэгтгэх бүтэц үгс дээр тулгуурлаж, хариулах боломжтой
боломжийг олгодог. болгож өргөжүүлэх боломжтой.
III. СУДАЛГААНЫ АРГА ЗҮЙ
Rasa бүтэц [1-4]: Rasa фреймворк нь NLU, CORE
гэсэн 2 хэсгээс бүрддэг. Rasa фреймворк (framework)
нь Open Source, Enterprise болон Pro гэх
бүтээгдэхүүнтэй ба чатбот хөгжүүлэхэд ашиглагдаж
байгаа фреймворк юм. Тус судалгааны ажил нь
dialogue management болон slot-filling and intent
recognition сэдвүүдийн хүрээг хамарсан бөгөөд Rasa
Open Source ашиглаж чатбот хөгжүүлж байна.
Rasa Open Source [5-9]: Энэ нь бидний чатботын
үндсэн хэсэг болох хэрэглэгчийн хүсэлтийг ойлгох
мөн үүнд нь зохистой хариулт илгээх үйлдлийг
хариуцдаг фреймворк болно. Бид уг фреймворкийг
ашиглахын тулд бэлдэх шаардлагатай хэдэн хэсэг
байгаа ба туршилт хийхээр судалж байна.
Өгөгдөл цуглуулах: Бид ШУТИС-ийн вэб сайт,
цахим шуудан, сошиал медиа платформуудаас
байнга асуудаг асуултууд болон элсэлттэй
холбоотой асуултуудаар өгөгдлийн санг бүрдүүлсэн. Зураг 1. Intent confidence
Өгөгдлийн санг Rasa NLU (эх хэлний ойлголт)
модулийг ашиглан урьдчилан боловсруулж, тайлбар
хийсэн.

Чатбот хөгжүүлэлт: Энэ хэсэгт харилцан ярианы
хиймэл оюун ухаан бүтээх нээлттэй эхийн платформ
болох Rasa фреймворк ашиглан чатботыг
боловсруулсан. Бид урьдчилан боловсруулж,
тэмдэглэсэн өгөгдлийн багцыг ашиглан intent
ангиллын загварыг бий болгосон бөгөөд энэ нь
чатбот хэрэглэгчийн хүсэлтийг ойлгож, ангилах
боломжийг олгодог. Мөн хөтөлбөр, шаардлага,
эцсийн хугацаа, баримт бичгийн талаар мэдээлэл
өгөх гэх мэт элсэлттэй холбоотой янз бүрийн ажлыг
шийдвэрлэх тусгайлсан үйлдлүүдийг
боловсруулсан.
Зураг 2. Intent ranking
Өгөгдлөө сургах: Одоогийн байдлаар 7 intent
байгаа бөгөөд 12 entity, 7 slot бэлдсэн судалгааны 2 дугаар зурагт 1 дүгээр зурагт үзүүлсэн
шатанд явж байна. RASA фреймворкийн хувьд entity өгүүлбэрийг бусад intent хэсгүүдтэй харьцуулсныг
болон slot нь ялгаатай ойлголтууд байдаг ба бид харуулж байна. 2 дугаар зурагт харуулж байгаагаар
дараах түвшинд судалгаа хийсэн. Үүнд: Entity нь гүн сургалтаар сургасан чатбот нь бусад боломжийг
DIET model эсвэл Regular Expression ашигладаг ч бас тооцож үзэх боломжтой нь харагдаж байна.
бүрэлдэхүүн хэсгийн (component) тусламжтайгаар Үүгээрээ энэхүү чатбот нь энгийн агент суурьт
хэрэглэгчийн өгүүлбэрээс бидэнд хэрэгтэй чатботоос ялгарна.
мэдээллийг хадгалах үүрэгтэй. Мөн entity нь өөртөө
roles, groups болон synonyms гэх мэт бидний
тодорхойлох ёстой бүрдэл хэсгүүдийг агуулдаг бол
slot ийм хэсгүүд байдаггүй. Slot нь хадгалах утгаа
адил нэр бүхий хэсгээс (entity) шууд авч болно, эсвэл
бид slot авах утгыг өөрсдийн тодорхойсон функц
ашиглан хадгалж болно.
IV. ТУРШИЛТЫН ҮР ДҮН
1 дүгээр зурагт өгүүлбэрийг бүтнээр нь таньж Зураг 3. Story graph
requirement буюу элсэлтийн шаардлага intent гэдгийг
ойролцоогоор 100% итгэлтэйгээр мөн гэдгийг 3 дугаар зурагт харагдаж байгаа энэхүү график нь
харуулсан. Өгөгдөлдөө entity нэмж, өгүүлбэрийн гол story буюу чатбот болон хэрэглэгчийн харилцан яриа
хэрхэн явагдаж болохыг үзүүлсэн. Одоогоор
хариултуудаа ямар нэг сан ашиглалгүй response дээр

44