Facebook - konwersja
Chatboty, które działają! Praktyczny przewodnik po konwersacyjnej sztucznej inteligencji - Ebook (Książka PDF) do pobrania w formacie PDF
Darmowy fragment

  • nowość

Chatboty, które działają! Praktyczny przewodnik po konwersacyjnej sztucznej inteligencji - ebook

Andrew Freed, Eniko Rozsa, Cari Jacobs
Wydawnictwo:
Helion
Tłumacz:
Piotr Rajca
Format:
PDF
Data wydania:
16 lipca 2026
119,00 zł
11900 pkt
punktów Virtualo

Chatboty, które działają! Praktyczny przewodnik po konwersacyjnej sztucznej inteligencji - ebook

Konwersacyjna sztuczna inteligencja jest potężnym narzędziem. Dzięki chatbotom firmy usprawniają obsługę klientów i obniżają jej koszty, a pracownicy mogą się koncentrować na zadaniach wymagających większych kompetencji i budować wartość biznesową. Mimo że interfejsy konwersacyjne stały się powszechne, wiele wdrożeń nie spełnia oczekiwań użytkowników lub z czasem traci na jakości i przydatności.

Bezcenne źródło wiedzy dla każdego, kto chce pomyślnie tworzyć i wdrażać konwersacyjne rozwiązania AI!

Marc Nehme, Microsoft

W tej praktycznej książce opisano narzędzia, techniki i sprawdzone podejścia do budowania chatbotów wykorzystujących duże modele językowe i klasyczne komponenty systemów konwersacyjnych. Autorzy pokazują, jak projektować rozwiązania, które działają niezawodnie także w skali korporacyjnej. Omawiają metody rozpoznawania intencji użytkownika za pomocą modeli LLM, sposoby reagowania na nieoczekiwane dane wejściowe i technikę RAG, która pozwala zachować aktualność i trafność odpowiedzi. Duży nacisk położono na pętle informacji zwrotnej umożliwiające ciągłe doskonalenie jakości chatbotów, jak również na bezpieczną integrację generatywnej AI z istniejącymi architekturami.

Najważniejsze tematy:

  • łączenie generatywnej sztucznej inteligencji z klasycznymi narzędziami dla chatbotów
  • stosowanie modeli LLM do poprawy jakości, dokładności i użyteczności odpowiedzi
  • planowanie i wdrażanie ciągłego doskonalenia
  • stosowanie techniki RAG do generowania odpowiedzi specyficznych dla danej dziedziny

Gotowy plan działania dla tych, którzy chcą budować i mierzyć skuteczne systemy konwersacyjnej sztucznej inteligencji!

Corville Allen, Google

Wspaniały, kompleksowy przewodnik!

Sara Hines, pionierka innowacji AI

Spis treści

Przedmowa

Wstęp

Podziękowania

O tej książce

O autorach

O ilustracji na okładce

Część I. Platforma do doskonalenia konwersacyjnej sztucznej inteligencji

  • 1. Co sprawia, że konwersacyjna sztuczna inteligencja działa?
    • 1.1. Wprowadzenie do konwersacyjnej sztucznej inteligencji
      • 1.1.1. Dlaczego warto stosować konwersacyjną sztuczną inteligencję?
      • 1.1.2. Jak działa konwersacyjna sztuczna inteligencja?
      • 1.1.3. Jak budować konwersacyjną sztuczną inteligencję?
    • 1.2. Wprowadzenie do generatywnej sztucznej inteligencji w systemach konwersacyjnych
      • 1.2.1. Czym jest generatywna sztuczna inteligencja?
      • 1.2.2. Zabezpieczenia generatywnej AI
      • 1.2.3. Efektywne wykorzystanie generatywnej sztucznej inteligencji w konwersacyjnej sztucznej inteligencji
    • 1.3. Wprowadzenie ciągłego doskonalenia w konwersacyjnej sztucznej inteligencji
      • 1.3.1. Dlaczego ciągłe ulepszanie jest konieczne?
      • 1.3.2. Cykl ciągłego doskonalenia
      • 1.3.3. Komunikowanie ciągłego doskonalenia interesariuszom
    • 1.4. Śledzenie
    • Podsumowanie
  • 2. Tworzenie konwersacyjnej sztucznej inteligencji
    • 2.1. Tworzenie bota FAQ
      • 2.1.1. Podstawy bota FAQ
      • 2.1.2. Statyczne pytania i odpowiedzi
      • 2.1.3. Dynamiczne odpowiadanie na pytania
    • 2.2. Agenty kierujące i boty zorientowane na procesy
      • 2.2.1. Agenty kierujące
      • 2.2.2. Przejście od agenta kierującego do bota zorientowanego na proces
    • 2.3. Odpowiadanie użytkownikowi za pomocą generatywnej sztucznej inteligencji
      • 2.3.1. Integracja z dużym modelem językowym
      • 2.3.2. Kierowanie żądań do modelu LLM
    • Podsumowanie
  • 3. Planowanie pod kątem usprawniania
    • 3.1. Kiedy wiesz, że musisz się rozwijać
    • 3.2. Twój zespół interdyscyplinarny
    • 3.3. Dążenie do wspólnego celu
      • 3.3.1. Ponowne określenie celów biznesowych
      • 3.3.2. Skuteczność
      • 3.3.3. Zakres możliwości
    • 3.4. Wykrywanie i rozwiązywanie problemów
      • 3.4.1. Wykrywanie problemów
      • 3.4.2. Przegląd grup
      • 3.4.3. Określanie kryteriów akceptacji
    • 3.5. Implementacja i wdrażanie poprawek
      • 3.5.1. Planowanie sprintu
      • 3.5.2. Ponowny pomiar
    • Podsumowanie

Część II. Wzorzec: AI nie rozumie

  • 4. Zrozumienie prawdziwych potrzeb użytkowników
    • 4.1. Podstawy rozumienia
      • 4.1.1. Wpływ słabego rozumienia
      • 4.1.2. Co powoduje słabe rozumienie?
      • 4.1.3. Jak osiągnąć zrozumienie w przypadku stosowania tradycyjnej konwersacyjnej sztucznej inteligencji?
      • 4.1.4. Jak osiągnąć zrozumienie dzięki generatywnej sztucznej inteligencji?
    • 4.2. Jak mierzy się poziom zrozumienia?
      • 4.2.1. Mierzenie zrozumienia w tradycyjnej sztucznej inteligencji (opartej na klasyfikacji)
      • 4.2.2. Pomiar rozumienia w generatywnej sztucznej inteligencji
      • 4.2.3. Mierzenie zrozumienia za pomocą bezpośrednich informacji zwrotnych od użytkowników
    • 4.3. Ocena obecnego stanu rzeczy
      • 4.3.1. Ocena tradycyjnego rozwiązania AI (opartego na klasyfikacji)
      • 4.3.2. Ocena rozwiązania opartego na generatywnej sztucznej inteligencji
    • 4.4. Pozyskiwanie i przygotowanie danych testowych z dzienników
      • 4.4.1. Pozyskiwanie dzienników produkcyjnych
      • 4.4.2. Wytyczne do identyfikacji kandydatów na wypowiedzi testowe
      • 4.4.3. Przygotowanie i oczyszczanie danych do wykorzystania w ulepszeniach iteracyjnych
      • 4.4.4. Proces adnotacji
    • 4.5. Co mówią nam dane?
      • 4.5.1. Interpretacja dzienników z adnotacjami dla tradycyjnej sztucznej inteligencji (opartej na klasyfikacji)
      • 4.5.2. Interpretacja opisanych dzienników dla generatywnej sztucznej inteligencji
      • 4.5.3. Argumenty za iteracyjnym ulepszaniem
    • Podsumowanie
  • 5. Poprawianie słabego rozumienia tradycyjnych sztucznych inteligencji
    • 5.1. Tworzenie planu rozwoju
      • 5.1.1. Identyfikacja problematycznych wzorców w źle zrozumianych wypowiedziach
      • 5.1.2. Ulepszenia przyrostowe
      • 5.1.3. Od czego zacząć: identyfikacja największych problemów
    • 5.2. Rozwiązywanie problemu "dopasowano błędną intencję"
      • 5.2.1. Poprawa skuteczności rozpoznawania jednej intencji
      • 5.2.2. Poprawa precyzji dla jednej intencji
      • 5.2.3. Poprawa wskaźnika F1 dla jednej intencji
      • 5.2.4. Poprawa precyzji i czułości dla wielu intencji
    • 5.3. Rozwiązywanie problemu "nie rozpoznano intencji"
      • 5.3.1. Grupowanie wypowiedzi dla nowych intencji
      • 5.3.2. Kiedy przestać dodawać intencje?
    • 5.4. Wzbogacanie tradycyjnej sztucznej inteligencji o treści generatywne
      • 5.4.1. Łączenie tradycyjnej i generatywnej sztucznej inteligencji w celu obsługi intencji
      • 5.4.2. Prompty do wyrażania zrozumienia
    • Podsumowanie
  • 6. Usprawnianie odpowiedzi dzięki generowaniu wspomaganemu wyszukiwaniem
    • 6.1. Nie tylko intencje: rola wyszukiwania w konwersacyjnej sztucznej inteligencji
      • 6.1.1. Stosowanie wyszukiwania w konwersacyjnej sztucznej inteligencji
      • 6.1.2. Zalety tradycyjnego wyszukiwania
      • 6.1.3. Wady tradycyjnego wyszukiwania
    • 6.2. Poza wyszukiwaniem: generowanie odpowiedzi za pomocą RAG
      • 6.2.1. Wykorzystanie RAG w konwersacyjnej sztucznej inteligencji
      • 6.2.2. Zalety RAG
      • 6.2.3. Łączenie techniki RAG z innymi zastosowaniami generatywnej AI
      • 6.2.4. Porównanie podejść opartych na intencjach, wyszukiwaniu i technice RAG
    • 6.3. Jak wdrażać rozwiązania RAG?
      • 6.3.1. Implementacja wysokiego poziomu
      • 6.3.2. Przygotowanie repozytorium dokumentów dla rozwiązania RAG
    • 6.4. Dodatkowe aspekty implementacji systemów RAG
      • 6.4.1. Czy nie możemy po prostu użyć modelu LLM bezpośrednio?
      • 6.4.2. Utrzymywanie aktualności i trafności odpowiedzi dzięki wykorzystaniu techniki RAG
      • 6.4.3. Jak łatwe jest skonfigurowanie potoku pobierania danych?
      • 6.4.4. Obsługa opóźnień
      • 6.4.5. Kiedy używać mechanizmu awaryjnego, a kiedy wyszukiwania?
    • 6.5. Ocena i analiza wydajności systemów RAG
      • 6.5.1. Miary indeksowania
      • 6.5.2. Wskaźniki wyszukiwania
      • 6.5.3. Metryki generowania
      • 6.5.4. Porównywanie skuteczności rozwiązań indeksowania i osadzania dla RAG
    • Podsumowanie
  • 7. Wzbogacanie danych intencji przy użyciu generatywnej sztucznej inteligencji
    • 7.1. Pierwsze kroki
      • 7.1.1. Dlaczego warto to robić: zalety i wady
      • 7.1.2. Czego potrzebujesz?
      • 7.1.3. Jak wykorzystać wzbogacone dane?
    • 7.2. Zabezpieczanie istniejących intencji
      • 7.2.1. Kreatywne podejście do synonimów
      • 7.2.2. Generowanie nowych wariantów gramatycznych
      • 7.2.3. Budowanie mocnych intencji na podstawie wyników modelu LLM
      • 7.2.4. Tworzenie jeszcze większej liczby przykładów z wykorzystaniem szablonów
    • 7.3. Czas na kreatywność
      • 7.3.1. Wymyślanie dodatkowych intencji
      • 7.3.2. Sprawdzanie niejasności
    • Podsumowanie

Część III. Wzorzec: sztuczna inteligencja jest zbyt skomplikowana

  • 8. Usprawnianie złożonych przepływów
    • 8.1. Ciężar złożoności
      • 8.1.1. Wpływ złożoności na użytkownika końcowego
      • 8.1.2. Wpływ złożoności na wskaźniki biznesowe
      • 8.1.3. Stopniowe koszty i korzyści wynikające z upraszczania interfejsu dla użytkownika
    • 8.2. Upraszczanie i usprawnianie ścieżki użytkownika
      • 8.2.1. Rozpoznawanie złożonych przepływów dialogowych
      • 8.2.2. Wykorzystanie tego, co wiemy o użytkowniku
      • 8.2.3. Dostosowanie do modelu mentalnego użytkownika
      • 8.2.4. Zapewnienie elastyczności w oczekiwanych odpowiedziach użytkowników
      • 8.2.5. Wspomaganie samoobsługowych procesów za pomocą API i systemów serwerowych
    • Podsumowanie
  • 9. Wykorzystanie kontekstu w celu zapewniania adaptacyjnych doświadczeń w iteracjach z wirtualnym asystentem
    • 9.1. Znaczenie kontekstu w działaniu wirtualnych asystentów
      • 9.1.1. Jak kontekst wpływa na interakcje użytkowników?
      • 9.1.2. Czym są informacje kontekstowe?
    • 9.2. Zrozumienie modalności
      • 9.2.1. Porównanie modalności
      • 9.2.2. Znaczenie modalności w projektowaniu przepływów wirtualnego asystenta
      • 9.2.3. Przykłady wpływu modalności na doświadczenia użytkownika
      • 9.2.4. Zasady projektowania botów głosowych
    • 9.3. Zwiększanie świadomości kontekstu i poprawa ogólnych doświadczeń użytkownika dzięki użyciu techniki RAG
      • 9.3.1. Projektowanie przepływów adaptacyjnych z RAG
      • 9.3.2. Strategie wyszukiwania i generowania kontekstowo trafnych odpowiedzi
      • 9.3.3. Utrzymanie i aktualizacja przepływów adaptacyjnych
    • Podsumowanie
  • 10. Zmniejszanie złożoności z użyciem generatywnej sztucznej inteligencji
    • 10.1. Przepływy procesów wspomagane przez AI w czasie budowania
      • 10.1.1. Generowanie przepływów dialogowych przy użyciu generatywnej sztucznej inteligencji
      • 10.1.2. Ulepszanie przepływu dialogu przy użyciu generatywnej AI
    • 10.2. Przepływy procesów wspomagane przez sztuczną inteligencję w czasie wykonywania
      • 10.2.1. Wykonywanie przepływów dialogowych korzystających z generatywnej AI
      • 10.2.2. Wykorzystanie modelu LLM do wykonania procesu wyszukiwania
    • 10.3. Przepływy wspomagane przez AI w fazie testowania
      • 10.3.1. Konfiguracja generatywnej sztucznej inteligencji jako użytkownika
      • 10.3.2. Konfiguracja testu konwersacyjnego
    • Podsumowanie

Część IV. Wzorzec: zmniejszenie oporu

  • 11. Łagodzenie nieprzychylnego nastawienia
    • 11.1. Co wpływa na zachowania rezygnacyjne?
      • 11.1.1. Przyczyny natychmiastowej rezygnacji
      • 11.1.2. Powody późniejszej rezygnacji
      • 11.1.3. Zbieranie danych o zachowaniach rezygnacyjnych
    • 11.2. Ograniczanie natychmiastowych rezygnacji
      • 11.2.1. Zacznij od dobrego wrażenia: powitanie i przedstawienie się
      • 11.2.2. Przekazywanie możliwości i ustalanie oczekiwań
      • 11.2.3. Zachęcanie do samoobsługi
      • 11.2.4. Umożliwienie użytkownikowi wyrażenia zgody
    • 11.3. Ograniczanie innych rezygnacji
      • 11.3.1. Staraj się zrozumieć użytkownika
      • 11.3.2. Staraj się być zrozumiany
      • 11.3.3. Bądź elastyczny i wyrozumiały
      • 11.3.4. Sygnalizowanie postępu
      • 11.3.5. Przewidywanie dodatkowych potrzeb użytkownika
      • 11.3.6. Nie bądź niegrzeczny
    • 11.4. Zapobieganie rezygnacjom
      • 11.4.1. Zacznij od razu od zbierania danych o przyczynach rezygnacji
      • 11.4.2. Implementacja procesu zatrzymywania użytkowników wyrażających chęć rezygnacji
    • 11.5. Usprawnianie dialogu z generatywną sztuczną inteligencją
      • 11.5.1. Usprawnianie komunikatów o błędach za pomocą generatywnej sztucznej inteligencji
      • 11.5.2. Ulepszanie komunikatów powitalnych za pomocą generatywnej sztucznej inteligencji
    • 11.6. Czasami warto przekazać problem wyżej
    • Podsumowanie
  • 12. Streszczanie konwersacji do dalszego wykorzystania
    • 12.1. Wprowadzenie do streszczania
      • 12.1.1. Dlaczego streszczanie jest potrzebne?
      • 12.1.2. Elementy skutecznych streszczeń
    • 12.2. Przygotowanie chatbota do streszczania tekstu
      • 12.2.1. Wykorzystanie gotowych elementów
      • 12.2.2. Przygotowywanie chatbota do wykonywania transkrypcji
      • 12.2.3. Wyposażanie chatbota w możliwości korzystania z danych
    • 12.3. Ulepszanie streszczeń przy użyciu generatywnej sztucznej inteligencji
      • 12.3.1. Generowanie tekstowego streszczenia transkryptu przy użyciu odpowiednich promptów
      • 12.3.2. Generowanie ustrukturyzowanego streszczenia transkryptu przy użyciu promptu wyodrębniającego dane
    • Podsumowanie
Kategoria: Programowanie
Zabezpieczenie: Watermark
Watermark
Watermarkowanie polega na znakowaniu plików wewnątrz treści, dzięki czemu możliwe jest rozpoznanie unikatowej licencji transakcyjnej Użytkownika. E-książki zabezpieczone watermarkiem można odczytywać na wszystkich urządzeniach odtwarzających wybrany format (czytniki, tablety, smartfony). Nie ma również ograniczeń liczby licencji oraz istnieje możliwość swobodnego przenoszenia plików między urządzeniami. Pliki z watermarkiem są kompatybilne z popularnymi programami do odczytywania ebooków, jak np. Calibre oraz aplikacjami na urządzenia mobilne na takie platformy jak iOS oraz Android.
ISBN: 978-83-289-3602-7
Rozmiar pliku: 9,2 MB

BESTSELLERY

Menu

Zamknij