rasa ptbr boilerplate

Repetitivo poco profundo

Para la versión en inglés: README-es

El texto estándar nació como una abstracción genérica del proyecto Tais. Hoy, su objetivo es facilitar la creación de un chatbot Rasa. Con la evolución del marco, actualmente el foco del texto estándar es la documentación del código en vivo.

Aquí puedes encontrar un chatbot completamente en portugués brasileño que te ayudará con ejemplos de diálogo, código y uso de las funciones de Rasa.

Arquitectura

La arquitectura estándar se puede dividir en 2 partes principales:

• para crear

Proceso que transforma archivos de configuración .yml en un modelo treinado que contiene la inteligencia del chatbot.

• Proporcionar

El usuario interactúa con Boilerplate a través de Telegram, que envía mensajes a Rasa NLU a través de conectores, donde identifica la intención , y responde a través de Rasa Core, según historias y acciones .

Los modelos utilizados para la conversación fueron generados por el módulo de entrenador y luego transferidos al bot. Estos modelos pueden ser versionados y evolucionados entre bots.

Tutorial

Primero, clona el repositorio en tu máquina local usando el comando:

git clone https://github.com/lappis-unb/rasa-ptbr-boilerplate.git

Para que su chatbot Rasa funcione, asegúrese de estar en la carpeta del proyecto y luego ejecute el siguiente comando en la terminal:

make init

Este comando construirá la infraestructura necesaria (cargará contenedores con dependencias, entrenará el chatbot e iniciará el chat en modo shell) para permitir la interacción con el chatbot.

Una vez que todo esté instalado, verás el siguiente mensaje y podrás comenzar a interactuar con el bot:

Bot loaded. Type a message and press enter (use ' /stop ' to exit):
Your input - >

Para cerrar la interacción con el bot, simplemente escriba ctrl+c .

Comandos

• El comando de entrenamiento se utiliza para crear los modelos necesarios en la conversación del bot. Para entrenar su chatbot, ejecute el comando:

make train

• Para ejecutar el bot en la terminal, ejecute:

make shell

Configuración de telegramas

Después de completar el tutorial de exportación de todas las variables de entorno necesarias, podrá ejecutar el bot correctamente en Telegram.

Antes de seguir adelante. Importante: las variables de entorno son necesarias para que el bot funcione correctamente, así que no olvides exportarlas.

Luego ejecuta el bot en Telegram:

make telegram

Analítica

Para visualizar los datos de interacción entre el usuario y el chatbot utilizamos una parte del Elastic Stack, compuesto por ElasticSearch y Kibana. Por tanto, utilizamos un intermediario para gestionar los mensajes. Entonces pudimos agregar mensajes a ElasticSearch independientemente del tipo de mensajería que estemos usando.

• Para una configuración rápida, ejecute el siguiente comando:

make build-analytics

Espere hasta que los servicios de ElasticSearch estén listos y ejecute el siguiente comando para configurar los índices:

 make config-elastic

Espere hasta que los servicios de Kibana estén listos y ejecute el siguiente comando para configurar los paneles :

 make config-kibana

El comando anterior solo debe ejecutarse una vez y dejará toda la infraestructura analytics lista para su uso.

Acceda a kibana en la URL locahost:5601

Si desea comprender el proceso de configuración de la pila de análisis , consulte la explicación completa de análisis.

Agregar componentes de capacitación personalizados

Rasa le permite agregar módulos personalizados a su proceso de procesamiento; obtenga más información AQUÍ.

Aquí hay un ejemplo de un componente personalizado que implementa el análisis de sentimiento.

Para usarlo, simplemente introduzca el componente components.sentiment_analyzer.SentimentAnalyzer en el archivo bot/config.yml . Como en el ejemplo:

 language : "pt"

pipeline:
  - name: WhitespaceTokenizer
  - name: "components.sentiment_analyzer.SentimentAnalyzer"                                                                                        - name: RegexFeaturizer

Luego, como en el ejemplo del archivo bot/components/labels.yml , agregue frases que correspondan a una etiqueta (calificación o sentimiento).

Finalmente, simplemente entrene al bot nuevamente y la información se almacenará en la entidad sentiment si el componente identifica un valor para esa entidad.

Cuadernos - Análisis de datos

Configuración

Levante el contenedor notebooks

make notebooks

Acceda al cuaderno en localhost:8888

Documentación

La documentación del proyecto se puede ejecutar localmente usando GitBook. Para instalar gitbook a través de npm, necesita tener Node.js y npm instalados en su computadora.

• Instalar gitbook:

npm install -g gitbook gitbook-cli

• Una vez instalado, en la carpeta raíz del proyecto, ejecute:

gitbook build .

• Y para ejecutar localmente ejecute:

gitbook serve .

• Acceso:

 http://localhost:4000/

Contribución : Para contribuir a la documentación del proyecto, lea cómo contribuir a la documentación.

Cómo obtener ayuda

Parte de la documentación técnica del marco Tais está disponible en la wiki del repositorio. Si no encuentras tu respuesta, abre un problema con la etiqueta duvida e intentaremos responder lo más rápido posible.

Si tienes alguna pregunta sobre Rasa, consulta el grupo de Telegram de Rasa Stack Brasil, también estamos para ayudarte.

Vea más información de contacto en nuestro sitio web: https://lappis.rocks.

Licencia

Todo el marco estándar está desarrollado bajo la licencia GPL3.

Vea la lista de dependencias de licencia aquí