Estudo sobre pipeline ML Rasa

In traditional programming, the focus is on code. In machine learning projects, the focus shifts to representation. That is, one way developers hone a model is by adding and improving its features.

Rasa NLU

Objetivo do RasaNLU - aplicar algoritmos de linguagem natural para extrair a intenção do usuários (intent) a partir do texto inserido por este.

Input: frase(s) digitadas pelo usuário

Output: intenção do usuário (intent) + a confiança dessa estimativa [0,1]

• Pipeline do NLU

• Hiperparâmetros

Rasa Core

Objetivo: gestão do diálogo entre o usuário e o bot. A principal funcionalidade é o policy, que recebe a intent do usuário, atualiza o tracker() e prevê a melhor ação do bot (utter, action, listening)

Input: ultima _intent inserida pelo usuário

Output: próxima ação para o usuário (utter, action, listening)

• Pipeline do Core

• Policy

• Hiperparâmetros

• BATCH_SIZE
• VALIDATION_SPLIT
• TRAINING_EPOCHS
• loss
• acc
• val_loss
• val_acc
• MAX_HISTORY
• augmentation_factor

Boas práticas para criação de intents

Boas práticas para criação de stories

Leitura Sugerida

Basico ML

• Curso bem interessante de tensor flow/Machine Learning https://developers.google.com/machine-learning/crash-course/ - Vale a pena ler sobre classificação de textos que é a base do RasaNLU (https://developers.google.com/machine-learning/guides/text-classification/step-2-5#figure-5)

• Bom para entender a relação entre os hiperparametros de uma rede neural - https://playground.tensorflow.org

• Visualização de intents - https://projector.tensorflow.org

• Tensorflow e chatbots - https://chatbotsmagazine.com/contextual-chat-bots-with-tensorflow-4391749d0077

• Funcionamento do algoritmos do embedding do tensorflow, usado no RASANLU - https://www.tensorflow.org/tutorials/representation/word2vec

• Funcionamento do algoritmo LSTM, base teórica do KerasPolicy - http://adventuresinmachinelearning.com/keras-lstm-tutorial/