這是本系列文章的第二部分，如果您還沒有閱讀第一部分，我們建議您先從第一部分開始。

　　當我們談論聊天機器人時，針對互動內容的意圖識別就是它的魅力所在。任何設計良好的聊天機器人都支持用戶使用自然語言輸入內容，并理解意圖以便提供必要的答案和支持。現在，我們將探討企業(yè)在使用意圖引擎時通常遇到的潛在問題以及設置方式。

　　在大多數自助操作平臺上，意圖引擎通常是一個黑匣子，您幾乎無法控制這個模塊。大多數客戶在上線后的第5次或第6次迭代中才意識到他們有這個問題，這讓他們很難發(fā)現。通常面臨的典型問題如下:

　　以下說明可能對于那些還處于項目初始階段尚未遇到上述困境的企業(yè)有所幫助。大多數DIY解決方案都會提供某種形式的開箱即用的意圖資源包，可以使系統(tǒng)快速啟動。

　　這是一件好事，因為您的聊天機器人可以從一開始就具備理解基本會話的能力。但是當您開始配置意圖以使其成為您專屬的聊天機器人，也就是可以理解您自己的客戶的問題并滿足您的應用場景，這時就需要添加新的意圖并優(yōu)化現有意圖。為此，您需要手動輸入訓練詞句。這將成為一項耗時的任務，您無法了解或控制系統(tǒng)如何識別意圖，尤其是當您有兩個非常相似的意圖時。例如，在使用旅游網站訂位時，當某人即將錯過航班與某人已經錯過航班時，您可能有不同的流程。（已錯過航班意圖vs即將錯過航班意圖）。

　　在第一種情況下，客戶仍然有時間更改機票；在后一種情況下，您必須根據他們的機票種類討論退款。對于第一種情況，客戶可能會說，“我將錯過航班”，而對于第二種情況，客戶可能會說，“我錯過了我的航班”。系統(tǒng)很可能會觸發(fā)錯誤的意圖，除非你的系統(tǒng)有很高的精確度來區(qū)分這些狀況。

　　當項目團隊遇到以上情況時，他們唯一的選擇就是向供應商申請技術協(xié)助，而最常見的回答可能是“您的訓練詞句太少”或“您輸入的訓練詞句太多”。團隊將不得不經歷一個乏味的試錯過程來調整模型、發(fā)布和測試。這種問題的出現是因為沒有進行對話早期發(fā)現/分析，而絕大多數廠商的工具只提供了單向的創(chuàng)建意圖的方法，即手動創(chuàng)建意圖并輸入培訓詞句。

　　當您要將聊天機器人推廣到新的領域進行自動化、或者用于解決新的客戶問題甚至期望機器人能夠代表您的企業(yè)品牌，那么處理對話的微妙語言差異就非常重要。更好的方法是使用透明的機器學習工具，比如Verint的Intent Manager，以便您可以完全進行掌控。基于這類工具，整個過程將是從分析客戶的對話數據開始，您只需要將客戶數據和任何元數據輸入到工具中，就可以進行自動分類和意圖發(fā)現（我們在第一部分介紹了如何選擇適當的案例）。