Costruire un chatbot aziendale: Lavorare con i dati aziendali protetti usando framework open source

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 3 voti.

Titolo originale:

Building an Enterprise Chatbot: Work with Protected Enterprise Data Using Open Source Frameworks

Contenuto del libro:

Esplora l'adozione dei chatbot nelle aziende concentrandosi sulla progettazione, l'implementazione e il miglioramento continuo dei chatbot in un'azienda, con un singolo caso d'uso tratto dal settore bancario e assicurativo. Il libro inizia con l'identificazione dei processi aziendali nel settore bancario e assicurativo. Ciò comporta la raccolta di dati da fonti quali le conversazioni dei centri di assistenza clienti, le chat online, le e-mail e altre fonti NLP. Quindi si progetta l'architettura della soluzione del chatbot. Una volta inquadrata l'architettura, l'autore passa a spiegare la comprensione del linguaggio naturale (NLU), l'elaborazione del linguaggio naturale (NLP) e la generazione del linguaggio naturale (NLG) con esempi.

Nelle sezioni successive, progetterete e implementerete da zero il framework di backend di un tipico chatbot. Verranno inoltre esplorati alcuni popolari framework open-source per chatbot, come Dialogflow e LUIS. Gli autori spiegano poi come è possibile integrare vari servizi di terze parti e database aziendali con il framework del chatbot personalizzato. Nella sezione finale, viene illustrato come distribuire il framework di chatbot personalizzato sul cloud AWS.

Al termine di Building an Enterprise Chatbot, sarete in grado di progettare e sviluppare un chatbot conversazionale pronto per l'azienda utilizzando una piattaforma di sviluppo open source per servire l'utente finale.

Cosa imparerete

⬤ Identificare i processi aziendali in cui i chatbot potrebbero essere utilizzati.

⬤ Focalizzarsi sulla costruzione di un chatbot per un settore e un caso d'uso piuttosto che costruire un chatbot generico e onnipresente.

⬤ Progettare l'architettura della soluzione per un chatbot.

⬤ Integrare i chatbot con le fonti di dati interne utilizzando le API.

⬤ Scoprire le differenze tra comprensione del linguaggio naturale (NLU), elaborazione del linguaggio naturale (NLP) e generazione del linguaggio naturale (NLG).

⬤ Lavorare con il deployment e il miglioramento continuo attraverso l'apprendimento rappresentazionale.

Data scientist e architetti aziendali che stanno cercando di implementare soluzioni di chatbot nella loro azienda.