为了使数据科学学习更加引人入胜，启动了新的计划“数据小时”。这是一个由行业顶尖专家主讲的网络研讨会系列，他们在此分享并普及数据科学知识。2022年5月11日，有幸邀请到来自美国的Dr. Rachael Tatman博士，为带来了一场关于“构建第一个聊天机器人：Rasa（开源工具）方法”的数据小时会议。
Rachael拥有华盛顿大学的语言学博士学位。自2016年以来，她开始从研究的角度出发，与亚马逊和Alexa等语音助手和语音识别系统进行交互。目前，她是Rasa的员工开发者倡导者，帮助专业人士使用开源系统构建出色的AI对话项目。此前，她曾是Kaggle的开发者倡导者，Kaggle是谷歌的一部分，她致力于发展Kaggle平台并帮助Kagglers发展专业的数据科学技能。
是否对深入聊天机器人的世界感到兴奋？为提供了全面的会议要点：构建第一个聊天机器人：Rasa（开源工具）方法。
在本次会议中，将学习聊天机器人的概念，为什么需要聊天机器人，以及如何使用开源工具构建它们。这里提到的Rasa方法是一个开源工具，将用它来构建聊天机器人。这是一种处理早期手动辅助的新方法。机器学习算法已经充斥着市场，带来了更好和更改进的方法。
本次会议重点关注：
聊天机器人或聊天机器人是一种软件应用程序，用于通过文本或文本到语音在线聊天对话，代替直接与真人代理接触。聊天机器人是一种软件，可以通过自动化对话和通过消息平台与客户互动来帮助客户。设计用来模拟人类作为对话伙伴的行为，聊天机器人系统通常需要持续的调整和测试，许多在生产中的聊天机器人仍然无法充分对话。同时，它们都不能通过标准的图灵测试。
聊天机器人用于对话系统，包括客户服务、请求路由或信息收集。虽然一些聊天机器人应用程序使用广泛的词汇分类过程、自然语言处理器和复杂的AI，其他则扫描通用关键词，并使用从相关库或数据库中获得的常见短语生成响应。
大多数聊天机器人可以通过网站弹出窗口或虚拟助手在线访问。它们可以分为使用类别：商业（通过聊天的电子商务）、教育、娱乐、金融、健康、新闻和生产力。
早期方法：要构建聊天机器人，必须有目录或列出希望系统做的事情。早期，人类查看数据并为此编写了一些规则。例如，ELIZA是一个早期的聊天机器人系统。这个系统会将用户的东西带到聊天机器人。然后它会使用一个字符串来追求它。然后重新形成那个声明成问题和答案。然后，相同的过程重复，直到结果满足。这种方法足够旧，而且是手动的。
今天的方法：现在机器学习已经改变了聊天机器人的动态，并将它们改进为更先进和更快的解决方案系统。在这里，将采用ML算法并对语言或对话数据进行训练，将菜单步骤移动以获得更大的灵活性。
Rasa是一个开源的机器学习框架，用于自动化基于文本和语音的对话。理解消息，进行对话，并连接到消息渠道和API。可以使用开源工具构建第一个聊天机器人，如下例所示。
# 示例代码
# 构建一个简单的Rasa聊天机器人
from rasa.core.agent import Agent
from rasa.core.policies.fallback import FallbackPolicy
from rasa.core.policies.keras_policy import KerasPolicy
from rasa.core.policies.memoization import MemoizationPolicy
# 加载训练好的模型
agent = Agent.load("models/dialogue_model.tar.gz", policies=[MemoizationPolicy(), KerasPolicy(), FallbackPolicy()])
# 处理输入消息
message = "好，想了解更多关于Rasa的信息。"
responses = agent.handle_message(message)
for response in responses:
print(response['text'])
对话驱动开发（CDD）是倾听用户，并使用这些见解来改进AI助手。它是聊天机器人开发的总体最佳实践方法。CDD背后的原理是用户用自己的话告诉他们在每次对话中想要什么。通过在机器人开发的每个阶段实践CDD，将助手定位到实际用户的语言和行为。
它包括这些基本步骤：
注意：聊天机器人和对话AI之间的区别。虽然聊天机器人主要适用于基于文本的对话，但对话AI可以通过文本和语音操作。
对话AI结合了自然语言处理（NLP）与传统软件，如聊天机器人、语音助手或交互式语音识别系统，通过口头或打字界面帮助客户。例如，亚马逊的Alexa，苹果的Siri等。
自然语言理解：首先，获取文本输入并将其转换为计算机可读格式。这更像是获取文本输入并以某种方式向量化。不需要仅在英语中进行向量化，可以在任何语言中进行。可以使用预训练的嵌入来这样做，或者可以根据自己的训练数据进行训练。
对话策略：决定聊天机器人接下来要说什么
助手响应：它处理-助手说什么。可以使用自然语言生成（NLG）来产生它，但更常见的是通过提供逐字稿。
无论需要执行什么实时编码，视频里都已经提供了。可以按照相同的操作进行，执行需要执行的任何操作来构建聊天机器人。
注意：尝试自己编写代码，因为死记硬背数据是没有意义的。为了澄清方法，尝试它并构建自己的模型。