VT2019 Rasa - Revision history

Maxence.Bres: /* Veille Technologique 2019 */

2019-12-02T14:20:13Z

Veille Technologique 2019

← Older revision		Revision as of 14:20, 2 December 2019
Line 140:		Line 140:
	* Année : [[VT2019\|VT2019]]		* Année : [[VT2019\|VT2019]]
	* Sujet : Rasa		* Sujet : Rasa
			* Slides : [[Media:Rasa_VT2019.pdf\|Rasa_VT2019.pdf]]
	* Slides :
	* Demonstration : [[VT2019_Rasa_Demo \| VT2019 Rasa Demo]]		* Demonstration : [[VT2019_Rasa_Demo \| VT2019 Rasa Demo]]
	* Auteurs : [[User:Lucas.Reygrobellet \| Lucas Reygrobellet]], [[User:Maxence.Bres \|Maxence Brès]]		* Auteurs : [[User:Lucas.Reygrobellet \| Lucas Reygrobellet]], [[User:Maxence.Bres \|Maxence Brès]]

Maxence.Bres: /* Rasa Core */

2019-12-02T14:05:42Z

Rasa Core

← Older revision		Revision as of 14:05, 2 December 2019
Line 80:		Line 80:
	templates:		templates:
	utter_greet:		utter_greet:
	- text: "~~Hey~~! ~~How~~ ~~are~~ ~~you~~?"		- text: "Bonjour ! Comment allez-vous ?"

	utter_demander_cuisine:		utter_demander_cuisine:

Lucas.Reygrobellet: /* Rasa Core */

2019-12-02T14:04:58Z

Rasa Core

@@ Line 69: / Line 69: @@
   - affirm
   - deny
 actions:
 - utter_greet
 templates:
@@ Line 79: / Line 82: @@
   - text: "Hey! How are you?"
-  - text: "Here is something to cheer you up:"
+  - text: "Quel type de cuisine recherchez-vous ?"
-  - text: "Bye"
+  - text: "Pour combien de personnes ?"
 </syntaxhighlight >
 =Rasa X=

Maxence.Bres: /* Rasa NLU */

2019-12-02T14:03:04Z

Rasa NLU

← Older revision		Revision as of 14:03, 2 December 2019
Line 26:		Line 26:
	"conseillé" : "mon banquier" ,		"conseillé" : "mon banquier" ,

	"date" : "lundi"		"date" : "lundi"

			}
	}

	}		}
Line 35:		Line 35:


	Afin d’extraire les intentions d’un message, le NLU va être ~~entrainé~~ grace à une ~~pipelines~~ traitant des jeux de données contentant des intentions et leurs formulations possibles. C’est grâce à l’intelligence artificielle que la librairie va construire son modèle, qui sera par la suite utilisé afin de determiner avec un pourcentage de certitude quelle est l’intention du message, et quelles en sont le entités.		Afin d’extraire les intentions d’un message, le NLU va être entraîné grace à une pipeline traitant des jeux de données contentant des intentions et leurs formulations possibles. C’est grâce à l’intelligence artificielle que la librairie va construire son modèle, qui sera par la suite utilisé afin de determiner avec un pourcentage de certitude quelle est l’intention du message, et quelles en sont le entités.

	Ce modèle est destiné à évoluer. Grace au machine learning, lors du l’utilisation du chatbot, les training data grossissent et ~~permet~~ au modèle de gagner en precision.		Ce modèle est destiné à évoluer. Grace au machine learning, lors du l’utilisation du chatbot, les training data grossissent et permettent au modèle de gagner en precision.

	Un pipeline définit différents composants qui traitent un message utilisateur de manière séquentielle et conduisent finalement à la classification des messages utilisateur en intentions et à l'extraction d'entités.		Une pipeline définit différents composants qui traitent un message utilisateur de manière séquentielle et conduisent finalement à la classification des messages utilisateur en intentions et à l'extraction d'entités.


	Il existe 2 pipelines majeures ~~deja~~ ~~crée~~ avec RASA. C’est à l’utilisateur de choisir laquelle utiliser pour ~~entrainer~~ son modèle. Il peut également fabriquer ses propres pipelines pour répondre à des besoins spécifiques.		Il existe 2 pipelines majeures déjà crées avec RASA. C’est à l’utilisateur de choisir laquelle utiliser pour entraîner son modèle. Il peut également fabriquer ses propres pipelines pour répondre à des besoins spécifiques.

	La première pipeline est '''''pretrained_embeddings_spacy''''':		La première pipeline est '''''pretrained_embeddings_spacy''''':
Line 48:		Line 48:
	Elle est basée sur SpaCy et Scikit-Learn, deux librairies Python de machine learning utilisées comme NLP (Natural Language Processing).		Elle est basée sur SpaCy et Scikit-Learn, deux librairies Python de machine learning utilisées comme NLP (Natural Language Processing).

	L’avantage principale de cette pipeline est qu’elle fonctionne bien ~~meme~~ lorsque que le jeu de données ne contient pas beaucoup ~~d’exemple~~.  En revanche, son point faible est sa difficulté avec le vocabulaire technique, propre au ~~domain~~.		L’avantage principale de cette pipeline est qu’elle fonctionne bien même lorsque que le jeu de données ne contient pas beaucoup d’exemples. En revanche, son point faible est sa difficulté avec le vocabulaire technique, propre au domaine.


Line 55:		Line 55:
	Elle est basée sur TensorFlow, la librairie open source de machine learning développée par Google. C’est une des plus connue. Cette pipeline va uniquement se basé sur le jeu de donnée. Pour assurer un bon fonctionnement de l’entrainement, il est recommandé d’utiliser plus de 1000 exemples de formulation par intention.		Elle est basée sur TensorFlow, la librairie open source de machine learning développée par Google. C’est une des plus connue. Cette pipeline va uniquement se basé sur le jeu de donnée. Pour assurer un bon fonctionnement de l’entrainement, il est recommandé d’utiliser plus de 1000 exemples de formulation par intention.

	Ces points forts sont sa légèreté, la pipeline est très simple. Mais également ses performance avec du vocabulaire spécifique au domaine.  En revanche, le point faible est la nécessité d’une quantité énorme d’exemple afin d’obtenir de bon résultats.		Ces points forts sont sa légèreté, la pipeline est très simple. Mais également ses performance avec du vocabulaire spécifique au domaine. En revanche, le point faible est la nécessité d’une quantité énorme d’exemple afin d’obtenir de bon résultats.

	==Rasa Core==		==Rasa Core==

Lucas.Reygrobellet: /* Rasa NLU */

2019-12-02T13:55:27Z

Rasa NLU

← Older revision		Revision as of 13:55, 2 December 2019
Line 17:		Line 17:

	et le NLU va retourner une donnée structurée de cette manière :		et le NLU va retourner une donnée structurée de cette manière :
	<syntaxhighlight lang="c">		<syntaxhighlight lang="json">
	{		{

Line 26:		Line 26:
	"conseillé" : "mon banquier" ,		"conseillé" : "mon banquier" ,

	"date" : "lundi		"date" : "lundi"

	}		}

Lucas.Reygrobellet: /* Rasa NLU */

2019-12-02T13:54:50Z

Rasa NLU

← Older revision		Revision as of 13:54, 2 December 2019
Line 17:		Line 17:

	et le NLU va retourner une donnée structurée de cette manière :		et le NLU va retourner une donnée structurée de cette manière :
	<syntaxhighlight lang="~~markdown~~">		<syntaxhighlight lang="c">
	{		{

Lucas.Reygrobellet: /* Rasa Core */

2019-12-02T13:54:40Z

Rasa Core

← Older revision		Revision as of 13:54, 2 December 2019
Line 63:		Line 63:
	L'aspect principal de Rasa Core est la notion de domaine. Le domaine est l’environnement dans lequel le chatbot évolue. Il est composé d''''intentions''', d''''entités''', de '''"slots"''', et d''''actions''' que le chatbot connait. Il peut également être composé d'un '''template''' qui est une liste des choses que le bot peut dire.		L'aspect principal de Rasa Core est la notion de domaine. Le domaine est l’environnement dans lequel le chatbot évolue. Il est composé d''''intentions''', d''''entités''', de '''"slots"''', et d''''actions''' que le chatbot connait. Il peut également être composé d'un '''template''' qui est une liste des choses que le bot peut dire.
	Un domaine se présente sous la forme suivante :		Un domaine se présente sous la forme suivante :
			<syntaxhighlight lang="c" >
	<pre>
	intents:		intents:
	- greet		- greet
Line 85:		Line 85:
	utter_goodbye:		utter_goodbye:
	- text: "Bye"		- text: "Bye"
			</syntaxhighlight >
	</pre>

	=Rasa X=		=Rasa X=

Maxence.Bres: /* Rasa Core */

2019-12-02T13:50:56Z

Rasa Core

@@ Line 59: / Line 59: @@
 ==Rasa Core==
 [[File:rasa_stack_example.png|420px|thumb|right|Fonctionnement de la stack Rasa]]
 =Rasa X=

Lucas.Reygrobellet: /* Rasa NLU */

2019-12-02T13:50:09Z

Rasa NLU

← Older revision		Revision as of 13:50, 2 December 2019
Line 13:		Line 13:
	L’utilisateur va saisir la phrase		L’utilisateur va saisir la phrase
	<syntaxhighlight lang="markdown">		<syntaxhighlight lang="markdown">
			"Je veux prendre rendez-vous avec mon banquier pour lundi"
	"I am looking for a Mexican restaurant in the center of town"
	</syntaxhighlight>		</syntaxhighlight>

Line 20:		Line 20:
	{		{

	"intent" : "~~search_restaurant~~" ,		"intent" : "creation_rendez-vous" ,

	"entities" : {		"entities" : {

	"~~cuisine~~" : "~~Mexican~~" ,		"conseillé" : "mon banquier" ,

	"~~location~~" : "~~center~~		"date" : "lundi

	}		}

Lucas.Reygrobellet: /* Rasa NLU */

2019-12-02T13:48:27Z

Rasa NLU

@@ Line 7: / Line 7: @@
 ==Rasa NLU==
 [[File:rasa_nlu_example.png|500px|thumb|right|Exemple de décomposition d'une phrase en intentions et entités]]
 ==Rasa Core==