הגדרות הסוכן

לנציגים יש הרבה הגדרות שמשפיעות על ההתנהגות, ובכל מסוף יש הגדרות שונות.

הגדרות הסוכן במסוף של "כלי ליצירת סוכנים בממשק שיחה"

כדי לגשת להגדרות של הסוכן:

המסוף

  1. פותחים את מסוף Conversational Agents.
  2. בוחרים את הפרויקט.
  3. בוחרים את הסוכן.
  4. לוחצים על סמל ההגדרות בפינה השמאלית העליונה.
  5. מעדכנים את ההגדרות לפי הצורך.
  6. לוחצים על Save.

API

אפשר לעיין ב-methods‏ get ו-patch/update של הסוג Agent.

בוחרים פרוטוקול וגרסה להפניה לסוכן:

פרוטוקול V3 V3beta1
REST משאב של נציג משאב של נציג
RPC ממשק הסוכן ממשק הסוכן
C++‎ AgentsClient לא זמין
C#‎ AgentsClient לא זמין
המשך AgentsClient לא זמין
Java AgentsClient AgentsClient
Node.js AgentsClient AgentsClient
PHP לא זמין לא זמין
Python AgentsClient AgentsClient
Ruby לא זמין לא זמין

בסעיפי המשנה הבאים מתוארות הקטגוריות השונות של הגדרות הנציג.

הגדרות כלליות

אלה ההגדרות הכלליות שזמינות לסוכנים:

  • שם לתצוגה

    שם קריא לאנשים של הנציג.

  • אזור זמן

    אזור הזמן שמוגדר כברירת מחדל לנציג.

  • תחילת השיחה

    ההגדרה הזו קובעת אם הסוכן יתחיל את השיחה באמצעות פלייבוק גנרטיבי או זרימה דטרמיניסטית.

  • מיקום הסוכן

    האזור של הנציג שבחרתם כשיצרתם את הנציג.

  • נעילת הסוכן

    • נעילת הנציג: מציין אם הנציג נעול. אי אפשר לערוך נציג נעול.

  • הגדרות רישום ביומן

    • ‫Enable cloud logging: מציין אם רישום ביומן ב-Cloud מופעל לסוכן.

    • הפעלת היסטוריית השיחות: מציינת אם אתם רוצים ש-Google תאסוף ותאחסן שאילתות מצונזרות של משתמשי קצה כדי לשפר את האיכות.

    • ציון URI של Cloud Storage לאחסון ולהפעלה של שיחות קוליות: כשהיסטוריית השיחות מופעלת, אתם יכולים לציין URI של Cloud Storage, והאודיו של השיחה יישמר במיקום הזה. השדה הזה מסונכרן עם הגדרות הדיבור המתקדמות של קטגוריית ייצוא האודיו. אפשר גם ללחוץ על הכפתור Browse Google cloud storage כדי לפתוח חלונית לבחירת קטגוריה.

    • הפעלת צנזור של קלט ממשתמשי קצה על סמך הסכמה: אם ההגדרה הזו מופעלת, אתם יכולים להשתמש בפרמטר סשן מיוחד כדי לקבוע אם הקלט והפרמטרים של משתמשי הקצה יצונזרו מהיסטוריית השיחות ומ-Cloud Logging. כברירת מחדל, הפרמטר של הסשן הוא true. אם ההגדרה הזו מושבתת, לא מתבצעת צנזורה.

      ההסכמה מהמשתמש נאספת באמצעות פרמטר בוליאני של סשן: $session.params.conversation-redaction. אם ההגדרה הזו מופעלת והפרמטר של הסשן מוגדר לערך false, לא מתבצעת צנזורה (אסטרטגיות אחרות של צנזורה עדיין חלות). אם ההגדרה הזו מופעלת ופרמטר הסשן מוגדר לערך true, מתבצעת צנזורה.

      דוגמה לתהליך של בקשת הסכמה: קודם שואלים את המשתמש אם הוא רוצה לשמור את הקלט של משתמש הקצה, ומתאימים את התשובה לשתי כוונות, אחת היא "כוונת כן" והשנייה היא "כוונת לא". אחר כך מגדירים את הפרמטר של הסשן לערך false (ללא צנזור) בהגדרות הקבועות מראש של הפרמטר של הנתיב "yes intent" במילוי הבקשה, ולערך true (מתבצע צנזור) בהגדרות הקבועות מראש של הפרמטר של הנתיב "no intent".

  • BigQuery Export

    • ‫Enable BigQuery export: מציין אם הייצוא ל-BigQuery מופעל.
    • מערך נתונים ב-BigQuery: השם של מערך הנתונים ב-BigQuery.
    • טבלה ב-BigQuery: שם הטבלה ב-BigQuery.

  • הצעות לכוונות

    אתם יכולים להפעיל הצעות לכוונות.

  • משוב ממשתמשים

    אתם יכולים להפעיל את ההגדרה הזו כדי לתת משוב על איכות התשובות של הנציג, כולל סימון לייק או דיסלייק.

  • שילוב Git

    משתמשים בהגדרה הזו כדי להוסיף שילוב של Git.

הגדרות של AI גנרטיבי

אלה ההגדרות של ה-AI הגנרטיבי:

  • כללי:

    • בחירת מודל גנרטיבי

    בוחרים את המודל שבו התכונות הגנרטיביות ישתמשו. מידע נוסף זמין במאמר גרסאות של מודלים.

  • מגבלות על טוקנים:

    • מגבלת טוקנים לקלט

      בוחרים את מגבלת הטוקנים לקלט של המודל הגנרטיבי. זהו גודל הטוקן המקסימלי לקלט שיישלח למודל. בהתאם למודל, אסימון יכול להיות בין תו אחד למילה אחת. מגבלות קטנות יותר של אסימונים מקצרות את זמן האחזור, אבל גודל הקלט של המודל מוגבל. מגבלות גדולות יותר של אסימונים גורמות לזמן אחזור ארוך יותר, אבל גודל הקלט של המודל יכול להיות גדול יותר.

    • מגבלת טוקנים לפלט

      בוחרים את מגבלת הטוקנים לפלט של המודל הגנרטיבי. זהו גודל הטוקן המקסימלי לפלט שמתקבל מהמודל. בהתאם למודל, אסימון יכול להיות בין תו אחד למילה אחת. מגבלות קטנות יותר של אסימונים מפחיתות את זמן האחזור, אבל גודל הפלט מהמודל מוגבל. מגבלות גדולות יותר של אסימונים גורמות לזמן אחזור ארוך יותר, אבל גודל הפלט מהמודל יכול להיות גדול יותר.

    • טמפרטורה

      הטמפרטורה של LLM מאפשרת לכם לקבוע את מידת היצירתיות של התשובות. ערך נמוך נותן תשובות צפויות יותר. ערך גבוה מספק תשובות יצירתיות או אקראיות יותר.

    • מגבלות על טוקנים של הקשר

      ההגדרה הזו מסירה חלק מהתורות הקודמים מההנחיה של מודל ה-LLM, כדי שההנחיה לא תגדל עם כל תור שהנציג מטפל בו. התכונה הזו מאפשרת לצמצם את הגידול הלא רצוי בגודל ההנחיה.

      בדרך כלל, בלי קיטוע, כל סבב שיחה נוסף יתווסף ל"היסטוריית השיחות" של ההנחיה ל-LLM, גם אם הוא לא רלוונטי לסבב השיחה הנוכחי. בסופו של דבר, זה יכול להוביל להנחיה שגדלה בכל שלב. ככל שהפרומפט מכיל יותר היסטוריית שיחות, כך נשאר פחות מקום לדוגמאות של פרומפט עם כמה דוגמאות (few-shot) (ולכן יכול להיות שהן יושמטו). בסופו של דבר, ההנחיה עלולה גם לחרוג ממגבלות האסימונים הנוכחיות. כדי להתמודד עם זה, אפשר להגדיל את מספר הטוקנים, אבל חשוב לזכור שהנחיות ארוכות יותר גם מגדילות את זמן האחזור של התגובה מה-LLM.

      קיטוע ההקשר מאפשר לכם להגדיר אחוז מתקציב הטוקנים שיישמר להיסטוריית השיחות, כערך מקסימלי. התורות בשיחה נשמרים בסדר כרונולוגי הפוך (מהחדש לישן). ההגדרה הזו יכולה לעזור לכם למנוע חריגה ממגבלות הטוקנים. לא משנה באיזו הגדרה תבחרו, המערכת תשמור לפחות שני מהלכי שיחה, מהחדש לישן ביותר.

      כדי לשנות את ההגדרה הזו, צריך קודם להגדיר מגבלת טוקנים.

      קיצור ההקשר עלול לגרום לאובדן לא מכוון של פרמטרים מסוימים אם הם חלק מהתורות שהוסרו. אחרי שמפעילים את האפשרות הזו, חשוב לבדוק בקפידה את האינטראקציות של הפלייבוק.

      תקציב הטוקנים לקלט משמש גם את:

      • הוראות ודוגמאות למערכת: נוספות להנחיה באופן אוטומטי. אי אפשר לשנות את ההתנהגות הזו.
      • הוראות ויעדים ב-Playbook: כל ההוראות והיעדים שתכתבו יתווספו להנחיה במלואם.
      • דוגמאות לפרומפטים עם כמה דוגמאות (few-shot) בפלייבוק: נוספות לפי הסדר (כברירת מחדל) או לפי אלגוריתם שאתם בוחרים (כמו סדר ההתאמה הכי טובה של ביטוי רגולרי). הדוגמאות נבחרות כך שיתאימו למכסת הטוקנים לקלט אחרי שכל שאר הפריטים נכללים.
      • היסטוריית השיחות מורכבת מהתבטאויות של המשתמש והסוכן, מהקשר המעבר בין תהליכים ו-Playbooks, מקריאות לכלים ומפלט באותו סשן מכל התורות הקודמים שטופלו ברצף על ידי ה-Playbook הנוכחי.

    • ביטויים אסורים

    רשימה של ביטויים שאסור להשתמש בהם ב-AI גנרטיבי. אם ביטוי אסור מופיע בהנחיה או בתשובה שנוצרה, היצירה תיכשל. חשוב לזכור שלרשימת הביטויים האסורים יש השלכות על כל שאילתה וקריאה ל-LLM, והיא תגדיל את זמן האחזור.

    • מסנני בטיחות

    להגדיר רמות רגישות של מסנני בטיחות בהתאם לקטגוריות שונות של AI אחראי (RAI). התוכן ייבדק לפי ארבע הקטגוריות הבאות:

    קטגוריה תיאור
    דברי שטנה תגובות שליליות או פוגעניות שמתמקדות בזהות או במאפיינים מוגנים.
    תוכן מסוכן מקדם או מאפשר גישה למוצרים, לשירותים או לפעילויות שגורמים נזק
    תוכן מיני בוטה מכיל אזכורים של מעשים מיניים ו/או תוכן גס אחר
    הטרדה תגובות זדוניות, מאיימות, בריוניות או פוגעניות שמכוונות לאדם אחר

    התוכן נחסם על סמך הסבירות שהוא מזיק. אפשר להתאים אישית את רמת הרגישות על ידי בחירה באחת מהאפשרויות הבאות לכל קטגוריה: ללא חסימה, חסימה של מעט, חסימה של חלק וחסימה של הרוב.

    מידע נוסף זמין במאמר הגדרת מאפייני בטיחות.

    • אבטחת הנחיות

    כדי להפעיל בדיקות אבטחה של הנחיות, אתם יכולים לסמן את ההגדרה הפעלת בדיקת אבטחה של הנחיות. אם ההגדרה מופעלת, הנציג ידחה שאילתות של משתמשים שמפעילות את מסנן האבטחה, כולל מתקפות של החדרת פרומפטים. התקפות כאלה יכולות לשמש כדי לחשוף חלקים מההנחיה של הנציג או כדי לספק תשובות שהנציג לא אמור לספק. כדי לעשות את זה, נשלחת הנחיה נוספת ל-LLM שבודקת אם יכול להיות שהשאילתה של המשתמש זדונית. אם האפשרות מופעלת, אתם יכולים לספק את האפשרויות הבאות:

    • הגדרות אבטחה של הנחיות: אתם יכולים לבחור באפשרות ברירת מחדל כדי להשתמש בהגדרות האבטחה שמוגדרות כברירת מחדל, או באפשרות התאמה אישית כדי להבהיר אילו שאילתות של משתמשים צריכות להיחשב בטוחות או לא בטוחות.
    • בחירת מודל גנרטיבי: ההגדרה הזו קובעת באיזה מודל שפה גדול (LLM) ייעשה שימוש לצורך הסיווג. אם בוחרים באפשרות ברירת מחדל (מומלץ), המערכת תבחר בשבילכם מודל ברירת מחדל, שיכול להשתנות באופן אוטומטי כשמודלים חדשים ומשופרים יהיו זמינים.
    • הנחיית אבטחה: אתם יכולים לבחור באפשרות ברירת מחדל כדי להשתמש בהנחיית אבטחה שמוגדרת כברירת מחדל, או באפשרות התאמה אישית כדי לספק הוראות שיעזרו לסווג שאילתות זדוניות של משתמשים. אם בוחרים באפשרות ברירת מחדל, יכול להיות שההנחיה תתעדכן באופן אוטומטי כדי לשפר את התוצאות.
    • סף קלט: מספר התווים המינימלי בשאילתת משתמש לפני שמתבצעות בדיקות אבטחה. שאילתות קטנות הן יותר מעורפלות, ויכול להיות שהן יסווגו באופן שגוי. כל שאילתה קטנה מסף הקלט תטופל כבטוחה מטבעה.

  • מענה גנרטיבי כגיבוי:

  • מאגר נתונים:

    הגדרות של סוכן מאגר נתונים

תהליכים דטרמיניסטיים

ההגדרות האלה חלות על כל התהליכים בנציג הזה, חוץ מהגדרות ה-ML שחלות על כל תהליך בנפרד. כדי לערוך הגדרות אחרות שספציפיות לתהליך, עוברים לתהליך במסוף ועורכים את ההגדרות שם.

  • אימון כוונות: Flows משתמש באלגוריתמים של למידת מכונה (ML) כדי להבין את הקלט של משתמשי הקצה, להתאים אותו לכוונות ולחלץ נתונים מובְנים. תהליכי העבודה לומדים מביטויי האימון שאתם מספקים וממודלי השפה שמובנים בתהליכי העבודה. על סמך הנתונים האלה, המערכת בונה מודל לקבלת החלטות לגבי הכוונה שצריך להתאים לקלט של משתמש הקצה. אפשר להחיל הגדרות ML ייחודיות לכל תהליך של סוכן.

    אלה ההגדרות הזמינות לאימון כוונות:

    • תיקון איות

    אם האפשרות הזו מופעלת ובקלט של משתמש הקצה יש שגיאת כתיב או דקדוק, תתבצע התאמה ל-intent כאילו הקלט נכתב בצורה נכונה. התגובה לזיהוי הכוונה תכיל את הקלט המתוקן של משתמש הקצה. לדוגמה, אם משתמש קצה מזין "אני רוצה תפוחח", המערכת תעבד את זה כאילו משתמש הקצה הזין "אני רוצה תפוח". הכלל הזה חל גם על התאמות שכוללות גם ישויות מערכת וגם ישויות בהתאמה אישית.

    תיקוני האיות זמינים באנגלית, בצרפתית, בגרמנית, בספרדית ובאיטלקית. הם זמינים בכל האזורים של Dialogflow CX.

    אזהרות ושיטות מומלצות:

    • תיקון האיות לא יכול לתקן שגיאות ASR (זיהוי דיבור אוטומטי), ולכן לא מומלץ להפעיל אותו לנציגים שמשתמשים בקלט ASR.
      • יכול להיות שהקלט המתוקן יתאים לכוונה הלא נכונה. כדי לפתור את הבעיה, אפשר להוסיף ביטויים נפוצים שלא תואמים לדוגמאות שליליות.

    • תיקון האיות מאריך מעט את זמן התגובה של הנציג.

      • אם נציג מוגדר באמצעות ז'רגון ספציפי לתחום, יכול להיות שהתיקונים לא יהיו רצויים.

    • הגדרות למידת מכונה ספציפיות לתהליך:

      הערך יכול להיות אחד מהבאים:

      • NLU מתקדם: (ברירת המחדל) טכנולוגיית NLU מתקדמת. סוג ה-NLU הזה פועל טוב יותר מהסוג הרגיל, במיוחד עבור נציגים וזרימות גדולים.
      • thought NLU רגיל: טכנולוגיית NLU רגילה. לא יקבלו יותר שיפורים באיכות או תכונות חדשות.

      • אימון אוטומטי

        אם האפשרות הזו מופעלת, רצף הפעולות מאומן בכל פעם שהוא מתעדכן באמצעות המסוף. בתהליכים גדולים, זה עלול לגרום לעיכובים בממשק המשתמש של המסוף, לכן כדאי להשבית את ההגדרה הזו ולאמן באופן ידני לפי הצורך בתהליכים גדולים.

      • סף סיווג (classification threshold)

        כדי לסנן תוצאות חיוביות מוטעות ועדיין לקבל מגוון של קלט בשפה טבעית שתואם לנציג, אפשר לכוונן את סף הסיווג של למידת המכונה. ההגדרה הזו קובעת את רמת הוודאות המינימלית שנדרשת כדי שהתאמה לכוונת המשתמש תזוהה.

        אם ציון המהימנות של התאמת כוונה נמוך מערך הסף, יופעל אירוע של חוסר התאמה.

        אפשר להגדיר ערך סף סיווג נפרד לכל תהליך בכל שפה שמופעלת בנציג. הסיבה לכך היא שבשפות שונות, ספי סיווג שונים מניבים את הביצועים הכי טובים. למידע נוסף על יצירת נציג בכמה שפות, קראו את המסמכים בנושא נציגים בכמה שפות.

      • סטטוס האימון

        מציין אם התהליך אומן מאז העדכון האחרון של נתוני התהליך.

      • רכבת

        אפשר להשתמש בכפתור הזה כדי לאמן את התהליך באופן ידני.

    • שפה

      השפות שהנציג תומך בהן. אחרי שיוצרים נציג, אי אפשר לשנות את שפת ברירת המחדל. עם זאת, אתם יכולים לבצע את הפעולות הבאות:

      1. מייצאים את הנציג לפורמט JSON.
      2. מחלצים את הקובץ שהורדתם.
      3. מוצאים את הקובץ agent.json.
      4. מעדכנים את השדות defaultLanguageCode ו-supportedLanguageCodes בערכים שנבחרו.
      5. משחזרים את הסוכן לאותו סוכן או לסוכן אחר משלב 1.
      6. מעדכנים את ביטויי האימון וערכי הישויות הספציפיים לשפה לפי הצורך.

      אתם יכולים גם להפעיל זיהוי שפה אוטומטי ומעבר בין שפות.

קישוריות

  • תבנית מטען ייעודי (payload) בהתאמה אישית

    בקטע הזה אפשר ליצור תיאורים ומטענים ייעודיים (payloads) לתבניות של מטענים ייעודיים בהתאמה אישית.

  • הגדרת פרמטר

    ציינו בבירור אילו פרמטרים מהסשן יישלחו ל-webhook, ואילו פרמטרים של הסשן אפשר להגדיר באמצעות התגובה של ה-webhook.

  • הגדרות של אישורי לקוח

    משמש להעלאת אישורי SSL.

דיבור ו-IVR

  • אפשרויות דיבור:

    • המרת טקסט לדיבור (TTS)

    • שפות וקולות

      אתם יכולים לבחור את השפה והקול שבהם ייעשה שימוש בהמרת טקסט לדיבור.

      כדי להפעיל קול בהתאמה אישית לנציג, בוחרים באפשרות של קול בהתאמה אישית בתיבת הרשימה הנפתחת של שם הקול, ומציינים את שם הקול בהתאמה אישית בשדה המתאים. השם של הקול בהתאמה אישית צריך להיות בתבנית הבאה: projects/PROJECT_ID/locations/LOCATION/models/MODEL_NAME.

      אתם יכולים גם להשתמש בשיבוט קול.

      • אם אתם משתמשים ב-Telephony Gateway, ודאו שלחשבון השירות Dialogflow Service Agent (service-PROJECT_NUMBER@gcp-sa-dialogflow.) הוקצה התפקיד AutoML Predictor בפרויקט של הקול בהתאמה אישית.

      • בקריאות רגילות ל-API, ודאו שלחשבון השירות שמשמש לקריאה ל-Dialogflow CX הוקצה התפקיד AutoML Predictor בפרויקט של הקול בהתאמה אישית.

      • גובה הצליל

        שולט בגובה הצליל של הדיבור.

      • קצב הדיבור

        שולט במהירות הדיבור של הקול.

      • שינוי ההגדרה של המרת טקסט לדיבור ברמת הבקשה

        אם ההגדרה מופעלת, הגדרת הדיבור המסונתז שצוינה בהגדרות הנציג מבטלת את ההגדרה שצוינה ב-API, בשילוב עם שותפים או בפרופיל השיחה.

      • הגייה

        אתם יכולים להשתמש בהגדרות האלה כדי לספק לסוכן הגייה של ביטויים מסוימים, באמצעות קידוד פונטי של X-SAMPA.

    • המרת דיבור לטקסט (STT)

      • הפעלת התאמה אוטומטית לדיבור

      התאמה אוטומטית לדיבור

  • מצב Companion: ראו מצב Companion.

הגדרות ממשק המשתמש

אתם יכולים להשתמש בהגדרות האלה כדי להתאים אישית את ממשקי המשתמש של Messenger ושל Call Companion.

אבטחה

מידע נוסף זמין במאמרים הגדרות אבטחה ובקרת גישה.

הגדרות הסוכן במסוף Dialogflow CX

כדי לגשת להגדרות של הסוכן:

המסוף

  1. פותחים את המסוף.
  2. בוחרים את הפרויקט.
  3. בוחרים את הסוכן.
  4. לוחצים על Agent Settings.
  5. מעדכנים את ההגדרות לפי הצורך.
  6. לוחצים על Save.

API

מידע נוסף זמין בשיטות get ו-patch/update של הסוג Agent.

בוחרים פרוטוקול וגרסה להפניה לסוכן:

פרוטוקול V3 V3beta1
REST משאב של נציג משאב של נציג
RPC ממשק הסוכן ממשק הסוכן
C++‎ AgentsClient לא זמין
C#‎ AgentsClient לא זמין
המשך AgentsClient לא זמין
Java AgentsClient AgentsClient
Node.js AgentsClient AgentsClient
PHP לא זמין לא זמין
Python AgentsClient AgentsClient
Ruby לא זמין לא זמין

הגדרות כלליות

אלה ההגדרות הכלליות שזמינות לסוכנים:

  • שם לתצוגה: שם קריא לאנשים של הנציג.
  • אזור זמן: אזור הזמן שמוגדר כברירת מחדל לנציג.

  • שפת ברירת המחדל: שפת ברירת המחדל שהנציג תומך בה. אחרי שיוצרים נציג, אי אפשר לשנות את שפת ברירת המחדל. אבל אתם יכולים:

    1. מייצאים את הנציג לפורמט JSON.
    2. מחלצים את הקובץ שהורדתם.
    3. מוצאים את הקובץ agent.json.
    4. מעדכנים את השדות defaultLanguageCode ו-supportedLanguageCodes לערכים הרצויים.
    5. משחזרים את הנציג לאותו נציג או לנציג אחר משלב 1.
    6. מעדכנים את ביטויי האימון וערכי הישויות הספציפיים לשפה לפי הצורך.

  • נעילת הנציג:

    • נעילת הנציג: מציין אם הנציג נעול. אי אפשר לערוך נציג נעול.

  • הגדרות רישום:

    • ‫Enable Cloud Logging: מציין אם Cloud Logging מופעל לסוכן.
    • הפעלת היסטוריית השיחות: מציינת אם אתם רוצים ש-Google תאסוף ותאחסן שאילתות מצונזרות של משתמשי קצה כדי לשפר את האיכות.
    • הפעלת צנזור של קלט ממשתמשי קצה על סמך הסכמה:

    אם ההגדרה הזו מופעלת, אתם יכולים להשתמש בפרמטר מיוחד של סשן כדי לקבוע אם הקלט והפרמטרים של משתמשי הקצה יצונזרו מהיסטוריית השיחות ומCloud Logging. כברירת מחדל, הפרמטר של הסשן הוא true. אם ההגדרה הזו מושבתת, לא מתבצעת צנזורה.

    ההסכמה מהמשתמש נאספת באמצעות פרמטר בוליאני של סשן: $session.params.conversation-redaction. אם ההגדרה הזו מופעלת והפרמטר של הסשן מוגדר לערך false, לא מתבצעת צנזורה (אסטרטגיות אחרות של צנזורה עדיין חלות). אם ההגדרה הזו מופעלת ופרמטר הסשן מוגדר לערך true, מתבצעת צנזורה.

    דוגמה לתהליך של בקשת הסכמה: קודם שואלים את המשתמש אם הוא רוצה לשמור את הקלט של משתמש הקצה, ומתאימים את התשובה לשתי כוונות, אחת היא "כוונת כן" והשנייה היא "כוונת לא". אחר כך מגדירים את הפרמטר של הסשן לערך false (ללא צנזור) בהגדרות הקבועות מראש של הפרמטר של הנתיב "yes intent" במילוי הבקשה, ולערך true (מתבצע צנזור) בהגדרות הקבועות מראש של הפרמטר של הנתיב "no intent".

  • ייצוא ל-BigQuery:

    • ‫Enable BigQuery export: מציין אם הייצוא ל-BigQuery מופעל.
    • מערך נתונים ב-BigQuery: השם של מערך הנתונים ב-BigQuery.
    • טבלה ב-BigQuery: שם הטבלה ב-BigQuery.

  • הצעות לכוונות: אתם יכולים להפעיל הצעות לכוונות.

  • תבנית מטען ייעודי (payload) בהתאמה אישית: בקטע הזה אתם יכולים ליצור תיאורים ומטענים ייעודיים (payloads) לתבניות של מטענים ייעודיים בהתאמה אישית.

הגדרות למידת מכונה

ב-Dialogflow CX נעשה שימוש באלגוריתמים של למידת מכונה (ML) כדי להבין את הקלט של משתמשי הקצה, להתאים אותו לכוונות ולחלץ נתונים מובְנים. ‫Dialogflow CX לומד מביטויי אימון שאתם מספקים וממודלי השפה שמובנים ב-Dialogflow CX. על סמך הנתונים האלה, המערכת בונה מודל לקבלת החלטות לגבי הכוונה שצריך להתאים לקלט של משתמש הקצה. אפשר להחיל הגדרות ML ייחודיות לכל תהליך של סוכן, והמודל שנוצר על ידי Dialogflow CX הוא ייחודי לכל תהליך.

אלה הגדרות ה-ML שזמינות ברמת הנציג:

  • לאפשר ל-ML לתקן את האיות:

    אם האפשרות הזו מופעלת ובקלט של משתמש הקצה יש שגיאת כתיב או דקדוק, תתבצע התאמה ל-intent כאילו הקלט נכתב בצורה נכונה. התגובה לזיהוי הכוונה תכיל את הקלט המתוקן של משתמש הקצה. לדוגמה, אם משתמש הקצה יזין "אני רוצה תפוחח", המערכת תעבד את זה כאילו משתמש הקצה הזין "אני רוצה תפוח". הכלל הזה חל גם על התאמות שכוללות גם ישויות מערכת וגם ישויות בהתאמה אישית.

    תיקון האיות זמין באנגלית, בצרפתית, בגרמנית, בספרדית ובאיטלקית. הוא זמין בכל האזורים של Dialogflow CX.

    אזהרות ושיטות מומלצות:

    • תיקון האיות לא יכול לתקן שגיאות של זיהוי דיבור אוטומטי (ASR), ולכן לא מומלץ להפעיל אותו לנציגים שמשתמשים בקלט של זיהוי דיבור אוטומטי.
    • יכול להיות שהקלט המתוקן יתאים לכוונה הלא נכונה. כדי לפתור את הבעיה, אפשר להוסיף ביטויים נפוצים שלא תואמים לדוגמאות שליליות.
    • תיקון האיות מאריך מעט את זמן התגובה של הנציג.
    • אם הנציג מוגדר באמצעות ז'רגון ספציפי לדומיין, יכול להיות שהתיקונים לא יהיו רצויים.

אלה הגדרות ה-ML שזמינות לכל תהליך:

  • סוג ה-NLU:

    הערך יכול להיות אחד מהבאים:

  • אימון אוטומטי: אם האפשרות הזו מופעלת, ה-flow מאומן בכל פעם שהוא מתעדכן במסוף. בתהליכים גדולים, ההגדרה הזו עלולה לגרום לעיכובים בממשק המשתמש של המסוף, לכן כדאי להשבית אותה ולאמן באופן ידני לפי הצורך בתהליכים גדולים.

  • סף סיווג (classification threshold):

    כדי לסנן תוצאות חיוביות מוטעות ועדיין לקבל מגוון של קלט תואם בשפה טבעית לנציג, אפשר לכוונן את סף הסיווג (classification threshold) של למידת המכונה. ההגדרה הזו קובעת את רמת הסבירות המינימלית לזיהוי כוונה שנדרשת כדי שהכוונה תתאים.

    אם ציון הסמך של התאמת כוונה נמוך מערך הסף, יופעל אירוע של חוסר התאמה.

    אפשר להגדיר ערך סף סיווג נפרד לכל תהליך בכל שפה שמופעלת בנציג. הסיבה לכך היא שבשפות שונות, הביצועים הכי טובים מתקבלים בספי סיווג שונים. למידע נוסף על יצירת נציג בכמה שפות, קראו את המסמכים בנושא נציגים בכמה שפות.

  • סטטוס אימון: מציין אם התהליך אומן מאז העדכון האחרון של נתוני התהליך.

  • אימון NLU: משתמשים בכפתור הזה כדי לאמן את התהליך באופן ידני.

הגדרות של AI גנרטיבי

אלה ההגדרות של ה-AI הגנרטיבי:

  • כללי:

    • ביטויים אסורים: רשימה של ביטויים שאסור להשתמש בהם ב-AI גנרטיבי. אם ביטוי אסור מופיע בהנחיה או בתשובה שנוצרה, היצירה תיכשל.
    • מסנני בטיחות: הגדרת רמות הרגישות של מסנני הבטיחות בהתאם לקטגוריות שונות של AI אחראי (RAI). התוכן ייבדק לפי ארבע הקטגוריות הבאות:
    קטגוריה תיאור
    דברי שטנה תגובות שליליות או פוגעניות שמתמקדות בזהות או במאפיינים מוגנים.
    תוכן מסוכן מקדם או מאפשר גישה למוצרים, לשירותים ולפעילויות שגורמים נזק
    תוכן מיני בוטה מכיל אזכורים של מעשים מיניים או תוכן גס אחר
    הטרדה תגובות זדוניות, מאיימות, בריוניות או פוגעניות שמכוונות לאדם אחר

    התוכן נחסם על סמך הסבירות שהוא מזיק. כדי להתאים אישית את רמת הרגישות, בוחרים באחת מהאפשרויות הבאות לכל קטגוריה: ללא חסימה, חסימה של מעט, חסימה של חלק וחסימה של הרוב.

    מידע נוסף זמין במאמר הגדרת מאפייני בטיחות.

    • אבטחת הנחיות: אתם יכולים לסמן את ההגדרה הפעלת בדיקת אבטחה של הנחיות כדי להפעיל בדיקות אבטחה של הנחיות. אם ההגדרה מופעלת, הנציג ינסה למנוע מתקפות של החדרת פרומפטים. התקפות כאלה יכולות לשמש כדי לחשוף חלקים מההנחיה של הנציג או כדי לספק תשובות שהנציג לא אמור לספק. כדי לעשות את זה, נשלחת הנחיה נוספת ל-LLM שבודקת אם יכול להיות ששאילתת המשתמש זדונית.

  • נציג גנרטיבי:

    • בחירת מודל גנרטיבי: בוחרים את המודל שבו משתמשות התכונות הגנרטיביות. מידע נוסף זמין במאמר בנושא גרסאות של מודלים.
    • קיצור ההקשר של הפלייבוק: מסיר חלק מהתורות הקודמים מההנחיה של הפלייבוק כדי שההנחיה לא תגדל עם כל תור עוקב שהפלייבוק מטפל בו. התכונה הזו מאפשרת לצמצם את הגידול הלא רצוי בגודל ההנחיה.

    בדרך כלל, בלי קיטוע, כל סבב שיחה נוסף יתווסף ל"היסטוריית השיחות" של ההנחיה ל-LLM, גם אם הוא לא רלוונטי לסבב השיחה הנוכחי. בסופו של דבר, זה יכול להוביל להנחיה שגדלה בכל שלב. ככל שהפרומפט מכיל יותר היסטוריית שיחות, כך נשאר פחות מקום לפרומפט עם כמה דוגמאות (few-shot) (ולכן יכול להיות שהן יושמטו). בסופו של דבר, ההנחיה עלולה גם לחרוג ממגבלות האסימונים הנוכחיות. אפשר להגדיל את מספר הטוקנים כדי להתאים את ההנחיה, אבל חשוב לזכור שהגדלת ההנחיה גם מאריכה את זמן האחזור של התגובה מה-LLM.

    קיצור ההקשר של הפלייבוק מאפשר לכם להגדיר אחוז מתקציב הטוקנים שיישמר להיסטוריית השיחות, כמקסימום. התורות בשיחה נשמרים בסדר מהחדש ביותר לישן ביותר. ההגדרה הזו יכולה לעזור לכם למנוע חריגה ממגבלות הטוקנים. לא משנה באיזו הגדרה תבחרו, יישמרו לפחות שני סבבי שיחה, מהחדש ביותר לישן ביותר.

    כדי לשנות את ההגדרה הזו, קודם צריך להגדיר מגבלת טוקנים.

    חשוב: קיצור ההקשר עלול לגרום לאובדן לא מכוון של פרמטרים מסוימים אם הם חלק מהפניות שהוסרו. אחרי שמפעילים את האפשרות הזו, חשוב לבדוק בקפידה את האינטראקציות של הפלייבוק.

    תקציב הטוקנים לקלט משמש גם את:

    • הוראות מערכת ודוגמאות מתווספות להנחיה באופן אוטומטי. אי אפשר לשנות את ההתנהגות הזו.
    • הוראות ויעדים של Playbook: כל ההוראות והיעדים שתכתבו יתווספו להנחיה בשלמותם.
    • דוגמאות לפלייבוק עם כמה דוגמאות (few-shot) שנוספו לפי הסדר (כברירת מחדל) או לפי אלגוריתם שאתם בוחרים (למשל, סדר ההתאמה הטובה ביותר של ביטוי רגולרי). הדוגמאות נבחרות כך שיתאימו למכסת האסימונים של הקלט אחרי שכל שאר הפריטים נכללים.
    • היסטוריית השיחות, שמורכבת מהאמירות של המשתמש והסוכן, מההקשר של המעבר בין תהליכים ופלייבוקים, מהקריאות לכלים ומהפלט באותו סשן מכל הפעולות הקודמות שטופלו ברצף על ידי הפלייבוק הנוכחי.

  • מענה גנרטיבי כגיבוי:

  • מאגר נתונים: ראו הגדרות של סוכן מאגר נתונים.

הגדרות דיבור ו-IVR

אלה ההגדרות של הדיבור וה-IVR שזמינות:

  • Text-to-Speech:

    • בחירת קול:

    אתם יכולים לבחור את השפה והקול שבהם ייעשה שימוש בהמרת טקסט לדיבור.

    כדי להפעיל קול בהתאמה אישית לנציג, בוחרים באפשרות של קול בהתאמה אישית בתיבת הבחירה של הקול ומציינים את שם הקול בהתאמה אישית בשדה המתאים. השם של הקול בהתאמה אישית צריך להיות בתבנית הבאה: projects/PROJECT_ID/locations/LOCATION/models/MODEL_NAME.

    • אם אתם משתמשים ב-Telephony Gateway, ודאו שלחשבון השירות Dialogflow Service Agent (service-PROJECT_NUMBER@gcp-sa-dialogflow.) הוקצה התפקיד AutoML Predictor בפרויקט של הקול בהתאמה אישית.
    • בקריאות רגילות ל-API, ודאו שלחשבון השירות שמשמש לקריאה ל-Dialogflow CX הוקצה התפקיד AutoML Predictor בפרויקט הקול בהתאמה אישית.

  • Speech-to-Text:

DTMF

מידע נוסף זמין במאמר DTMF לשילובי טלפוניה.

מולטי-מודאלי

איך מתקשרים ל-Companion

שיתוף ההגדרות

למידע נוסף על בקרת גישה

הגדרות שפה

להוסיף תמיכה בשפות נוספות לנציג. ברשימת השפות מופיעה הרשימה המלאה של השפות.

זיהוי שפה אוטומטי

כשמגדירים זיהוי שפה אוטומטי, נציג הצ'אט מזהה אוטומטית את השפה של משתמש הקצה ועובר לשפה הזו. לפרטים נוספים, אפשר לעיין במסמכי התיעוד בנושא זיהוי שפה אוטומטי.

הגדרות אבטחה

הגדרות האבטחה

הגדרות מתקדמות

ההגדרה המתקדמת היחידה היא ניתוח סנטימנטים.

הגדרות של הכלי לפיתוח אפליקציות AI גנרטיבי

בקטע הזה מתוארות ההגדרות שזמינות לאפליקציות של נציגים.

כללי

ההגדרות הכלליות הבאות זמינות לאפליקציות של נציגים:

  • שם לתצוגה: שם קריא לאנשים של אפליקציית הנציג.
  • מיקום: האזור של אפליקציית הסוכן.
  • נעילת אפליקציה: אם ההגדרה הזו מופעלת, אי אפשר לבצע שינויים באפליקציית הסוכן.

רישום ביומן

הגדרות הרישום ביומן הבאות זמינות לאפליקציות של סוכנים:

  • הפעלת Cloud Logging: אם ההגדרה מופעלת, היומנים יישלחו אל Cloud Logging.
  • הפעלת היסטוריית השיחות: אם ההגדרה הזו מופעלת, היסטוריית השיחות תהיה זמינה. מציין אם אתם רוצים ש-Google תאסוף ותאחסן שאילתות מצונזרות של משתמשי קצה כדי לשפר את האיכות. ההגדרה הזו לא משפיעה על השימוש בהיסטוריית השיחות כדי ליצור תשובות של הסוכן.
  • הפעלת BigQuery Export: אם האפשרות הזו מופעלת, היסטוריית השיחות מיוצאת ל-BigQuery. גם ההגדרה הפעלת היסטוריית השיחות צריכה להיות מופעלת.

GenAI

ההגדרות הבאות של AI גנרטיבי זמינות לאפליקציות של סוכנים:

  • בחירת מודל גנרטיבי: בוחרים את המודל הגנרטיבי שהנציגים ישתמשו בו כברירת מחדל.
  • מגבלת טוקנים לקלט: בוחרים את מגבלת הטוקנים לקלט של המודל הגנרטיבי. זהו הגודל המקסימלי של טוקנים לקלט שאפשר לשלוח למודל. בהתאם למודל, אסימון יכול להיות בין תו אחד למילה אחת. מגבלות קטנות יותר של אסימונים מפחיתות את זמן האחזור, אבל גודל הקלט של המודל מוגבל. מגבלות גדולות יותר של אסימונים גורמות לזמן אחזור ארוך יותר, אבל גודל הקלט של המודל יכול להיות גדול יותר.
  • ‫Output token limit: בוחרים את מגבלת האסימונים לפלט של המודל הגנרטיבי. זהו הגודל המקסימלי של טוקנים לפלט שמתקבל מהמודל. בהתאם למודל, טוקן יכול להיות בין תו אחד למילה אחת. מגבלות קטנות יותר של אסימונים מאפשרות זמן אחזור קצר יותר, אבל גודל הפלט מהמודל מוגבל. מגבלות גדולות יותר של אסימונים גורמות לזמן אחזור ארוך יותר, אבל גודל הפלט מהמודל יכול להיות גדול יותר.
  • טמפרטורה: הטמפרטורה של LLM מאפשרת לכם לקבוע את מידת היצירתיות של התשובות. ערך נמוך נותן תשובות צפויות יותר. ערך גבוה מספק תשובות יצירתיות או אקראיות יותר.
  • ביטויים אסורים: רשימה של ביטויים שאסור להשתמש בהם ב-AI גנרטיבי. אם ביטוי אסור מופיע בהנחיה או בתשובה שנוצרה, הנציג יחזיר במקום זאת תשובה חלופית.

  • מסנני בטיחות: הגדרת רמות הרגישות של מסנני הבטיחות בהתאם לקטגוריות שונות של AI אחראי (RAI). התוכן ייבדק לפי ארבע הקטגוריות הבאות:

    קטגוריה תיאור
    דברי שטנה תגובות שליליות או פוגעניות שמתמקדות בזהות או במאפיינים מוגנים.
    תוכן מסוכן מקדם או מאפשר גישה למוצרים, לשירותים ולפעילויות שגורמים נזק
    תוכן מיני בוטה מכיל אזכורים של מעשים מיניים או תוכן גס אחר
    הטרדה תגובות זדוניות, מאיימות, בריוניות או פוגעניות שמכוונות לאדם אחר

    התוכן נחסם על סמך הסבירות שהוא מזיק. אפשר להתאים אישית את רמת הרגישות בכל קטגוריה על ידי בחירה באחת מהאפשרויות הבאות: Block none (השבתת בדיקות RAI),‏ Block few (חסימה רק של מקרים בסבירות גבוהה של תוכן פוגעני),‏ Block some (מקרים בסבירות בינונית וגבוהה) ו-Block most (סבירות נמוכה, בינונית וגבוהה).

    מידע נוסף זמין במאמר הגדרת מאפייני בטיחות.

  • אבטחת הנחיות: אתם יכולים לסמן את ההגדרה הפעלת בדיקת אבטחה של הנחיות כדי להפעיל בדיקות אבטחה של הנחיות. אם ההגדרה מופעלת, הנציג ינסה למנוע מתקפות של החדרת פרומפטים. התקפות כאלה יכולות לשמש כדי לחשוף חלקים מההנחיה של הסוכן או כדי לספק תשובות שהסוכן לא אמור לספק. כדי לעשות את זה, נשלחת הנחיה נוספת ל-LLM שבודקת אם השאילתה של משתמש הקצה עלולה להיות זדונית.

Git

ההגדרות האלה מספקות שילוב של Git. פועלים לפי ההוראות כדי להגדיר את השילוב.

הקודם
איסוף מיקודים
הבא
מודלים של דיבור