ปรับปรุง Chatbot: เพิ่มความสามารถในการเข้าใจเจตนาของผู้ใช้ (

ปรับปรุง Chatbot: เพิ่มความสามารถในการเข้าใจเจตนาของผู้ใช้ (Intent Recognition)

ในบทที่แล้ว เราได้สร้าง Chatbot ที่สามารถตอบคำถามเกี่ยวกับสภาพอากาศได้ โดยใช้เทคนิค Keyword Matching ซึ่งเป็นวิธีที่ง่ายและตรงไปตรงมา แต่มีข้อจำกัดคือ Chatbot จะตอบได้เฉพาะคำถามที่มีคำหลักตรงกับที่กำหนดไว้เท่านั้น ถ้าผู้ใช้ถามด้วยประโยคที่แตกต่างออกไป Chatbot อาจไม่เข้าใจเจตนาและไม่สามารถให้คำตอบที่ถูกต้องได้

ในบทนี้ เราจะมาปรับปรุง Chatbot ของเราให้มีความสามารถในการเข้าใจเจตนา (Intent Recognition) ของผู้ใช้ได้ดีขึ้น โดยใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) อย่างง่าย ซึ่งจะช่วยให้ Chatbot สามารถตอบคำถามได้หลากหลายรูปแบบมากขึ้น แม้ว่าผู้ใช้จะไม่ได้ใช้คำหลักที่ตรงกับที่กำหนดไว้

ทำไมต้อง Intent Recognition?

ลองพิจารณาคำถามเหล่านี้:

"วันนี้อากาศเป็นยังไงบ้าง"
"วันนี้ฝนจะตกไหม"
"ช่วยบอกสภาพอากาศวันนี้หน่อย"
"อากาศวันนี้"

ถึงแม้ว่าคำถามเหล่านี้จะใช้คำที่แตกต่างกัน แต่ทั้งหมดมีเจตนาเดียวกันคือต้องการทราบสภาพอากาศวันนี้ Chatbot ที่ใช้ Keyword Matching อาจต้องมีกฎสำหรับแต่ละคำถาม ซึ่งเป็นเรื่องที่ยุ่งยากและไม่สามารถครอบคลุมทุกรูปแบบที่เป็นไปได้

Intent Recognition ช่วยให้เราสามารถระบุเจตนาของผู้ใช้ (เช่น ต้องการทราบสภาพอากาศ) จากประโยคที่ผู้ใช้พิมพ์เข้ามา โดยไม่จำเป็นต้องพึ่งพาการจับคู่คำหลักแบบตรงไปตรงมา ทำให้ Chatbot มีความยืดหยุ่นและสามารถเข้าใจภาษาที่เป็นธรรมชาติมากขึ้น

ขั้นตอนการสร้าง Intent Recognition

การสร้างระบบ Intent Recognition โดยทั่วไปประกอบด้วยขั้นตอนหลักๆ ดังนี้:

การเก็บรวบรวมข้อมูลตัวอย่าง: รวบรวมประโยคตัวอย่างที่แสดงถึงเจตนาต่างๆ ที่ Chatbot ของเราต้องการรองรับ
การเตรียมข้อมูล: ทำความสะอาดและแปลงข้อมูลตัวอย่างให้เป็นรูปแบบที่เหมาะสมสำหรับใช้ในการฝึกโมเดล
การฝึกโมเดล: ใช้ข้อมูลที่เตรียมไว้เพื่อฝึกโมเดล Machine Learning ให้สามารถจำแนกเจตนาจากประโยคที่ผู้ใช้พิมพ์เข้ามา
การประเมินผลโมเดล: ทดสอบประสิทธิภาพของโมเดลโดยใช้ข้อมูลที่ไม่เคยใช้ในการฝึก
การผสานรวมโมเดลเข้ากับ Chatbot: นำโมเดลที่ฝึกเสร็จแล้วไปใช้งานใน Chatbot เพื่อให้สามารถเข้าใจเจตนาของผู้ใช้และให้คำตอบที่เหมาะสม

1. การเก็บรวบรวมข้อมูลตัวอย่างเจตนาของผู้ใช้

ขั้นตอนแรกคือการเก็บรวบรวมข้อมูลตัวอย่างประโยคที่แสดงถึงเจตนาต่างๆ ที่ Chatbot ของเราต้องการรองรับ ในกรณีนี้ เราจะเน้นที่เจตนาเกี่ยวกับการถามสภาพอากาศ ตัวอย่างเช่น:

weather_intents = {
    "ask_weather": [
        "วันนี้อากาศเป็นยังไงบ้าง",
        "วันนี้ฝนจะตกไหม",
        "ช่วยบอกสภาพอากาศวันนี้หน่อย",
        "อากาศวันนี้",
        "พรุ่งนี้อากาศจะเป็นยังไง",
        "อากาศวันพรุ่งนี้",
        "สภาพอากาศตอนนี้",
        "ฝนจะตกเมื่อไหร่",
        "วันนี้ร้อนไหม",
        "วันนี้หนาวไหม"
    ],
    "greet": [
        "สวัสดี",
        "หวัดดี",
        "Hi",
        "Hello",
        "ดีจ้า",
        "สบายดีไหม",
        "เป็นไงบ้าง"
    ],
    "thank": [
        "ขอบคุณ",
        "ขอบใจ",
        "Thank you",
        "Thanks",
        "ขอบคุณมาก",
        "ขอบคุณครับ",
        "ขอบคุณค่ะ"
    ]
}

ในตัวอย่างนี้ เราได้กำหนดเจตนา 3 แบบคือ ask_weather (ถามสภาพอากาศ), greet (ทักทาย) และ thank (ขอบคุณ) แต่ละเจตนาจะมีรายการของประโยคตัวอย่างที่แสดงถึงเจตน่านั้นๆ

เหตุผลเชิงออกแบบ: การมีข้อมูลตัวอย่างที่หลากหลายและครอบคลุมเป็นสิ่งสำคัญในการฝึกโมเดล Machine Learning ที่มีประสิทธิภาพ จำนวนข้อมูลตัวอย่างที่มากขึ้นจะช่วยให้โมเดลสามารถเรียนรู้รูปแบบของภาษาและเข้าใจเจตนาของผู้ใช้ได้ดีขึ้น

2. การเตรียมข้อมูล

ก่อนที่จะนำข้อมูลตัวอย่างไปใช้ในการฝึกโมเดล เราจำเป็นต้องเตรียมข้อมูลให้อยู่ในรูปแบบที่เหมาะสม ซึ่งโดยทั่วไปแล้วจะเกี่ยวข้องกับการทำความสะอาดข้อมูลและการแปลงข้อมูลให้เป็นตัวเลข (Numerical Representation)

ในกรณีนี้ เราจะใช้เทคนิค Bag-of-Words (BoW) ซึ่งเป็นวิธีที่ง่ายและได้รับความนิยมในการแปลงข้อความเป็นตัวเลข โดย BoW จะสร้างเวกเตอร์ (Vector) ที่แสดงถึงความถี่ของแต่ละคำในประโยค ตัวอย่างเช่น ถ้าเรามีคำศัพท์ทั้งหมด 5 คำคือ "วันนี้", "อากาศ", "เป็น", "ยังไง", "บ้าง" ประโยค "วันนี้อากาศเป็นยังไงบ้าง" จะถูกแปลงเป็นเวกเตอร์ [1, 1, 1, 1, 1] (แต่ละตำแหน่งในเวกเตอร์แทนจำนวนครั้งที่คำศัพท์นั้นปรากฏในประโยค)

from sklearn.feature_extraction.text import CountVectorizer

sentences = []
labels = []
for intent, examples in weather_intents.items():
    for example in examples:
        sentences.append(example)
        labels.append(intent)

vectorizer = CountVectorizer()
vectorizer.fit(sentences)

X = vectorizer.transform(sentences)
y = labels

print(X.shape) # แสดงขนาดของข้อมูล (จำนวนประโยค, จำนวนคำศัพท์)
print(y)       # แสดงรายการเจตนา

โค้ดนี้จะสร้าง CountVectorizer ซึ่งเป็นเครื่องมือสำหรับแปลงข้อความเป็นเวกเตอร์ BoW จากนั้นจะแปลงประโยคทั้งหมดใน weather_intents เป็นเวกเตอร์ BoW และเก็บไว้ในตัวแปร X ส่วน y จะเก็บรายการเจตนาที่สอดคล้องกับแต่ละประโยค

เหตุผลเชิงออกแบบ: การใช้ BoW เป็น trade-off ระหว่างความง่ายในการใช้งานและความแม่นยำ BoW ไม่คำนึงถึงลำดับของคำในประโยค ซึ่งอาจส่งผลต่อความแม่นยำในการจำแนกเจตนา แต่ก็เป็นวิธีที่รวดเร็วและง่ายต่อการเข้าใจ สำหรับผู้เริ่มต้น

3. การฝึกโมเดล Machine Learning

เมื่อเรามีข้อมูลที่อยู่ในรูปแบบที่เหมาะสมแล้ว เราสามารถฝึกโมเดล Machine Learning เพื่อจำแนกเจตนาได้ ในที่นี้ เราจะใช้โมเดล Logistic Regression ซึ่งเป็นโมเดลที่ง่ายและมีประสิทธิภาพสำหรับการจำแนกประเภท (Classification)

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# แบ่งข้อมูลเป็นส่วนสำหรับฝึก (train) และทดสอบ (test)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# สร้างและฝึกโมเดล Logistic Regression
model = LogisticRegression()
model.fit(X_train, y_train)

# ประเมินผลโมเดล
accuracy = model.score(X_test, y_test)
print(f"Accuracy: {accuracy}")

โค้ดนี้จะแบ่งข้อมูลออกเป็นสองส่วนคือ ส่วนสำหรับฝึก (80%) และส่วนสำหรับทดสอบ (20%) จากนั้นจะสร้างโมเดล Logistic Regression และฝึกโมเดลโดยใช้ข้อมูลส่วนที่ใช้ฝึก สุดท้ายจะประเมินผลโมเดลโดยใช้ข้อมูลส่วนที่ใช้ทดสอบ และแสดงค่าความถูกต้อง (Accuracy)

เหตุผลเชิงออกแบบ: การแบ่งข้อมูลออกเป็นส่วนสำหรับฝึกและทดสอบเป็นแนวปฏิบัติที่ดีในการประเมินประสิทธิภาพของโมเดล โดยข้อมูลส่วนที่ใช้ทดสอบจะไม่ถูกใช้ในการฝึกโมเดล เพื่อให้เราสามารถวัดประสิทธิภาพของโมเดลในการทำนายข้อมูลที่ไม่เคยเห็นมาก่อนได้อย่างแม่นยำ

4. การผสานรวมโมเดลเข้ากับ Chatbot

เมื่อเราได้โมเดลที่ฝึกเสร็จแล้ว เราสามารถนำโมเดลไปผสานรวมเข้ากับ Chatbot ของเราได้ โดยเมื่อผู้ใช้พิมพ์ข้อความเข้ามา เราจะแปลงข้อความนั้นเป็นเวกเตอร์ BoW แล้วใช้โมเดลเพื่อทำนายเจตนา จากนั้นเราจะให้ Chatbot ตอบสนองตามเจตนาที่ทำนายได้

def get_response(user_input):
    user_input_vector = vectorizer.transform([user_input])
    intent = model.predict(user_input_vector)[0]

    if intent == "ask_weather":
        return "วันนี้อากาศดีมากครับ/ค่ะ" # แทนที่ด้วยการดึงข้อมูลสภาพอากาศจริง
    elif intent == "greet":
        return "สวัสดีครับ/ค่ะ ยินดีที่ได้คุยกับคุณ"
    elif intent == "thank":
        return "ด้วยความยินดีครับ/ค่ะ"
    else:
        return "ขออภัย ฉันไม่เข้าใจคำถามของคุณ"

# ตัวอย่างการใช้งาน
user_input = "วันนี้อากาศเป็นยังไงบ้าง"
response = get_response(user_input)
print(response)

โค้ดนี้จะสร้างฟังก์ชัน get_response ซึ่งรับข้อความที่ผู้ใช้พิมพ์เข้ามาเป็นอินพุต จากนั้นจะแปลงข้อความนั้นเป็นเวกเตอร์ BoW และใช้โมเดลเพื่อทำนายเจตนา สุดท้ายจะคืนค่าข้อความตอบกลับที่เหมาะสมตามเจตนาที่ทำนายได้

ข้อควรระวัง: ตัวอย่างนี้เป็นเพียงการสาธิตแนวคิด Intent Recognition อย่างง่าย ในการใช้งานจริง เราอาจต้องใช้เทคนิคที่ซับซ้อนกว่านี้ เช่น การใช้ Word Embeddings แทน BoW เพื่อให้โมเดลสามารถเข้าใจความหมายของคำได้ดีขึ้น หรือการใช้โมเดล Deep Learning เช่น Recurrent Neural Networks (RNNs) หรือ Transformers เพื่อให้สามารถจับใจความและเข้าใจบริบทของประโยคได้ดียิ่งขึ้น

สรุป

ในบทนี้ เราได้เรียนรู้วิธีการเพิ่มความสามารถในการเข้าใจเจตนาของผู้ใช้ให้กับ Chatbot ของเรา โดยใช้เทคนิคการเรียนรู้ของเครื่องอย่างง่าย ซึ่งจะช่วยให้ Chatbot สามารถตอบคำถามได้หลากหลายรูปแบบมากขึ้น แม้ว่าผู้ใช้จะไม่ได้ใช้คำหลักที่ตรงกับที่กำหนดไว้ การนำเทคนิค Intent Recognition ไปใช้จะช่วยให้ Chatbot ของเรามีความฉลาดและเป็นประโยชน์มากยิ่งขึ้น