در دنیای امروز، چت‌بات‌ها به عنوان ابزاری قدرتمند برای تعامل با کاربران در زمینه‌های مختلف، از خدمات مشتری گرفته تا آموزش و اطلاع‌رسانی، جایگاه ویژه‌ای پیدا کرده‌اند. این سیستم‌های هوشمند، با استفاده از پردازش زبان طبیعی (NLP) و یادگیری ماشین (ML)، قادرند به سوالات کاربران پاسخ دهند، اطلاعات مورد نیاز را ارائه کنند و حتی وظایف ساده‌ای را انجام دهند. پیاده‌سازی چت‌بات در یک دامنه‌ی بسته، به معنای محدود کردن موضوعات و اطلاعاتی است که چت‌بات می‌تواند در مورد آن‌ها صحبت کند. این رویکرد، به ویژه در مواردی که نیاز به دقت بالا و جلوگیری از اطلاعات نادرست وجود دارد، بسیار مفید است. این مقاله به بررسی پیاده‌سازی یک چت‌بات در دامنه‌ی بسته با استفاده از چارچوب RASA می‌پردازد، و اهمیت و مزایای این رویکرد را تشریح می‌کند.

مقاله حاضر توسط Khang Nhut Lam، Nam Nhat Le و Jugal Kalita به نگارش درآمده است. زمینه تحقیق این مقاله، بازیابی اطلاعات (Information Retrieval) و به طور خاص، توسعه و پیاده‌سازی سیستم‌های چت‌بات است. نویسندگان با بهره‌گیری از تخصص خود در زمینه‌های پردازش زبان طبیعی و یادگیری ماشین، به دنبال ارائه یک راهکار عملی و کارآمد برای ساخت چت‌بات‌های تخصصی در دامنه‌های محدود هستند. انتخاب دانشگاه کان تو (Can Tho University) در ویتنام به عنوان دامنه‌ی بسته برای این تحقیق، نشان‌دهنده‌ی تلاش نویسندگان برای حل یک مسئله‌ی واقعی و ارائه یک ابزار کاربردی برای دانشجویان و کارکنان این دانشگاه است.

در این پژوهش، یک سیستم چت‌بات در یک دامنه‌ی بسته با استفاده از چارچوب RASA ساخته شده است. این سیستم از مدل‌های مختلفی مانند SVM برای طبقه‌بندی اهداف (Intents)، CRF برای استخراج موجودیت‌ها (Entities) و LSTM برای پیش‌بینی عملکرد (Action) استفاده می‌کند. برای بهبود پاسخ‌های چت‌بات، از الگوریتم kNN برای تبدیل موجودیت‌های نادرست استخراج شده به موجودیت‌های صحیح استفاده شده است. حوزه‌ی دانش چت‌بات، دانشکده‌ی فناوری اطلاعات و ارتباطات دانشگاه کان تو در ویتنام است. نویسندگان به صورت دستی یک مجموعه‌ی دادگان چت‌بات با 19 هدف، 441 الگوی جمله از اهداف، 253 موجودیت و 133 داستان ایجاد کرده‌اند. نتایج آزمایش‌ها نشان می‌دهد که چت‌بات به سوالات مرتبط به خوبی پاسخ می‌دهد.

به طور خلاصه، این مقاله یک رویکرد جامع برای ساخت چت‌بات در یک دامنه‌ی مشخص با استفاده از ابزارهای قدرتمند RASA ارائه می‌دهد. استفاده از الگوریتم kNN برای تصحیح موجودیت‌ها، یکی از نوآوری‌های این پژوهش است که به بهبود دقت و کارایی چت‌بات کمک می‌کند.

روش‌شناسی این تحقیق شامل چندین مرحله کلیدی است:

• جمع‌آوری و آماده‌سازی دادگان: نویسندگان با صرف زمان و تلاش قابل توجه، یک مجموعه‌ی دادگان اختصاصی برای دامنه‌ی دانشکده‌ی فناوری اطلاعات و ارتباطات دانشگاه کان تو ایجاد کرده‌اند. این دادگان شامل سوالات متداول دانشجویان و کارکنان، اطلاعات مربوط به دروس، اساتید، رویدادها و سایر موضوعات مرتبط با دانشکده است. اهمیت این مرحله در کیفیت و دقت عملکرد نهایی چت‌بات بسیار بالاست.
• طراحی معماری چت‌بات: معماری چت‌بات بر اساس چارچوب RASA طراحی شده است. این چارچوب، امکان تعریف اهداف، موجودیت‌ها، داستان‌ها و عملکردها را به صورت ساختاریافته فراهم می‌کند. انتخاب RASA به دلیل انعطاف‌پذیری و قابلیت توسعه‌ی بالای آن، یک انتخاب هوشمندانه بوده است.
• پیاده‌سازی مدل‌های یادگیری ماشین: برای طبقه‌بندی اهداف از مدل SVM، برای استخراج موجودیت‌ها از مدل CRF و برای پیش‌بینی عملکرد از مدل LSTM استفاده شده است. انتخاب این مدل‌ها بر اساس تجربیات قبلی و نتایج تحقیقات مشابه صورت گرفته است.
• بهبود پاسخ‌ها با استفاده از الگوریتم kNN: این الگوریتم برای تصحیح خطاهای احتمالی در استخراج موجودیت‌ها به کار رفته است. به عنوان مثال، اگر کاربر به اشتباه نام یک درس را وارد کند، الگوریتم kNN می‌تواند با جستجو در میان نام دروس موجود، نزدیک‌ترین نام صحیح را پیدا کرده و جایگزین نماید. این رویکرد، به طور قابل توجهی دقت پاسخ‌های چت‌بات را افزایش می‌دهد.
• ارزیابی عملکرد چت‌بات: عملکرد چت‌بات با استفاده از مجموعه‌ای از سوالات آزمایشی ارزیابی شده است. نتایج این ارزیابی‌ها، نشان‌دهنده‌ی کارایی و دقت بالای چت‌بات در پاسخگویی به سوالات مرتبط با دامنه‌ی دانشکده است.

یافته‌های کلیدی این تحقیق عبارتند از:

• کارایی چارچوب RASA: چارچوب RASA به عنوان یک ابزار قدرتمند و انعطاف‌پذیر برای ساخت چت‌بات در دامنه‌های بسته به خوبی عمل می‌کند.
• اهمیت دادگان با کیفیت: کیفیت دادگان آموزشی، تاثیر بسزایی در عملکرد چت‌بات دارد. دادگان کامل و دقیق، منجر به پاسخ‌های دقیق‌تر و مفیدتر می‌شود.
• اثربخشی الگوریتم kNN: استفاده از الگوریتم kNN برای تصحیح موجودیت‌ها، به طور قابل توجهی دقت پاسخ‌های چت‌بات را افزایش می‌دهد.
• قابلیت پاسخگویی به سوالات مرتبط: چت‌بات ساخته شده، قادر است به سوالات مرتبط با دانشکده‌ی فناوری اطلاعات و ارتباطات دانشگاه کان تو به خوبی پاسخ دهد.

به عنوان مثال، چت‌بات می‌تواند به سوالاتی مانند “چه درس‌هایی در ترم آینده ارائه می‌شود؟”، “ساعت کاری کتابخانه دانشکده چه زمانی است؟” و “آدرس وب‌سایت اساتید چیست؟” پاسخ دهد.

این تحقیق دارای کاربردهای عملی و دستاوردهای مهمی است:

• ارائه یک راهکار عملی: این مقاله یک راهکار عملی برای ساخت چت‌بات در دامنه‌های بسته با استفاده از ابزارهای متن‌باز ارائه می‌دهد.
• بهبود دسترسی به اطلاعات: چت‌بات ساخته شده می‌تواند به دانشجویان و کارکنان دانشگاه کان تو کمک کند تا به سرعت و به آسانی به اطلاعات مورد نیاز خود دسترسی پیدا کنند.
• کاهش بار کاری کارمندان: با پاسخگویی به سوالات متداول، چت‌بات می‌تواند بار کاری کارمندان دانشکده را کاهش دهد و به آن‌ها امکان تمرکز بر روی وظایف مهم‌تر را بدهد.
• قابل استفاده در سایر دامنه‌ها: روش‌شناسی ارائه شده در این مقاله، می‌تواند در سایر دامنه‌های بسته نیز مورد استفاده قرار گیرد. به عنوان مثال، می‌توان از آن برای ساخت چت‌بات در یک بیمارستان، یک شرکت تجاری یا یک سازمان دولتی استفاده کرد.

در مجموع، این مقاله یک مطالعه‌ی ارزشمند در زمینه‌ی پیاده‌سازی چت‌بات در دامنه‌های بسته با استفاده از چارچوب RASA است. نویسندگان با ارائه یک راهکار عملی و کارآمد، نشان داده‌اند که چگونه می‌توان با استفاده از ابزارهای متن‌باز و تکنیک‌های یادگیری ماشین، چت‌بات‌های هوشمندی ساخت که به نیازهای کاربران در یک دامنه‌ی خاص پاسخ می‌دهند. استفاده از الگوریتم kNN برای تصحیح موجودیت‌ها، یک نوآوری قابل توجه است که به بهبود دقت و کارایی چت‌بات کمک می‌کند. نتایج این تحقیق می‌تواند برای محققان، توسعه‌دهندگان و سازمان‌هایی که به دنبال پیاده‌سازی چت‌بات در دامنه‌های بسته هستند، بسیار مفید باشد. در نهایت، این مقاله گامی مهم در جهت توسعه‌ی سیستم‌های هوشمند و تعاملی برداشته است که می‌توانند به بهبود دسترسی به اطلاعات و افزایش بهره‌وری کمک کنند.