際際滷

際際滷Share a Scribd company logo

Inquisitive Chatbot

Ron Ashrovy
Ron Ashrovy

Perhatian ini merupakan RESUME PAPER dan alat bantu untuk memahami isi dari paper yang berjudul: "Implementation of an inquisitive chatbot for database supported" Paperi ini bercerita tentang chatbot berbasis AIML dengan menggunakan KB Engine akan mampu membuat chatbot tersebut bertanya balik menanyakan tentang informasi yang hilang didalam chatbot tersebut untuk mendapatkan jawaban KB Engine disini berhasil membuktikan chatbot tersebut dapat membantu chatbot tersebut sendiri untuk menemukan informasi yang hilang ataupun kurang, tetapi sayangnya tidak ada jumlah akurasi yang bisa dijadikan perbandingan. Pembangunan chatbot ini menggunakan template ALICE

1 of 5
Download to read offline
20161 | P a g e medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com Ref____ {2}: A semantic layer on semi-structured data sources for intuitive chatbots {3}: First Sinhala Chatbot in Action. Mengajukan: Di Ambil: Membantah: To Pose(v) Fetched(v) Retort(v) Implementation of an inquisitive chatbot for database supported knowledge bases S. Reshmi & Kannan Balakrishnan Resume Paper by Ashrovy Abstract Paper ini merupakan laporan implementasi inquisitive chatbot yang mencari data didalam query dan menyelidiki pertanyaan dari user untuk mengumpulkan data yang dibutuhkan untuk menjawab query. Chatbot; Intelligent Conversional Agent; Knowledge Base; AIML : Keyword Introduction[1] Chatbot adalah entitas tiruan yang didesain untuk mensimulasi sebuah percakapan cerdas dengan manusia melalui interaksi natural language antara manusia dan mesin. Kebanyakan chatbot hanya melihat keyword, phrase dan pola yang diprogram didalam database mereka. Pada paper ini merupakan impelementasi membuat chatbot lebih penasaran dan ingin menemukan suatu kejelasan dari inputan user. Chatbot Architecture[2] Chatbot menganalisis inputan user dan memberikan jawaban menggunakan Natural Language Processing (NLP) dan kecerdasan buatan. Kebanyakan dari ssitem chatbot menggunakan bentuk dari NLP dengan melakukan matching inputan user kepada kata dan frase yang ada knowledge base memilih jawaban yang cocok dari input dan konteks pada percakapan. Pattern matching, finite-state- machines, dan model frame-based adalah teknologi utama chatbot{2} Chatbot pada intinya memiliki 3 bagian: Knowledge base yang terbungkus oleh intelligence sistem Chat Engine sebagai interface engine Interpreter Program{3} Interpreter program terdiri dari analyzer dan generator untuk melakukan komunikasi dengan user interface. Existing Chatbots[3] Ide dari chatbot sebenarnya simpel, dimana algoritma pattern matching dan rekonstruksi kalimat dapat di proses didalam natural language. Gambar 1: Arsitektur Chatbot
20162 | P a g e medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com Ref____ {4}: A computer program for sudy of natural language communication between man and machine. {10}: Using learning analytics to understand the design of an intelligent language tutor Chatbot lucy {11}: CHARLIE: An AIML-based chatterbot which works as an interface among INES and humans. {12}: Chinese intelligent chat robot based on the AIML language. Terbatas: Terdiri dari: Tempat menyimpan barang-barang cadangan: Memperdebatkan: Mempertahankan: Keterangan didalam kalimat yang menyatakan: sikap pembicara terhadap hal yang dibicarakan Dikhususkan: Finite(adj) Comprises(v) Reservoir(n) Argue(v) Sustaining(adj) Modalities(n) Devoted(adj) Impelementasi chatbot sudah dilakukan dibeberapa kasus, dari mulai ELIZA, kemudian ALICE lalu muncul juga chatbot yang bersifat khusus untuk menangani depresi beberapa masalah mental, juga ada Jabberwacky yang menggunakan pattern matching dengan dabase yang besar dan lain-lain. Dan mayoritas chatbot ini dibuat dengan menggunakan AIML kecuali Jabberwacky. Analisis perkembangan chatbot berbasis NLP dapat identifikasi menjadi satu dari tiga generasi sistem. 1. Generasi pertama chatbot berbasis simpel teknik dari pattern matching seperti ELIZA{4} . 2. Generasi kedua terdapat teknik kecerdasan buatan. 3. Generasi ketiga lebih canggih dengan teknik pattern-matching berbasis markup language. Markup language genenerasi ketiga ini adalah AIML seperti LUCY{10} , CHARLIE{11} , dan Xiao Hui- Hui.{12} AIML[3|1] Merupakan dialect XML yang memiliki spesifikasi sendiri dan dikembangakn oleh Richard S Wallace. Setiap katagori input AIML dibentuk dari <pattern> elemen, output template <template> element, opsional <that> tag me- refer ke chatbot previous reply dan melewati tag <srai>. Ilustrasinya dapat dilihat sendiri pada gambar 2. Gambar 2. Basic AIML Format Issue and Challenge[3|2] Umumnya, chatbot dapat merespon input standar yang sudah ditraining oleh knowledge base, tetapi chatbot sulit mengindentifikasi dengan input yang serupa atau makna yang ambigu. Hal ini menjadi dalam aspek pengembangan yang sangat penting didalam impelementasi chatbot untuk dua alasan: Pertama, itu mampu untuk membuat pembicaraan menjadi lebih natural dan user- friendly; kedua, inputan dari user kadang bersifat tidak tentu dan chatbot sulit memberikan jawaban. Dengan kata lain bot membutuhkan informasi yang cukup untuk mendapatkan jawaban yang sesuai dengan maksud user.
20163 | P a g e medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com Ref____ {4}: A computer program for sudy of natural language communication between man and machine. {10}: Using learning analytics to understand the design of an intelligent language tutor Chatbot lucy {11}: CHARLIE: An AIML-based chatterbot which works as an interface among INES and humans. {12}: Chinese intelligent chat robot based on the AIML language. Terbatas: Terdiri dari: Tempat menyimpan barang-barang cadangan: Memperdebatkan: Mempertahankan: Keterangan didalam kalimat yang menyatakan: sikap pembicara terhadap hal yang dibicarakan Dikhususkan: Finite(adj) Comprises(v) Reservoir(n) Argue(v) Sustaining(adj) Modalities(n) Devoted(adj) Proposed System[4] Paper ini mendsikusikan impementasi chatbot yang memiliki sifat penasaran, yang dikembangakn dengan memodifikasi engine pada ALICE dimana knowledge base support untuk database. Kemungkinan inputan user akan berisikan satu atau lebih data yang hilang, pada situasi ini bot harus menanyakan data yang hilang tersebut, jumlah informasi yang hilang agar query lebih propotional. dimana adalah jumlah informasi yang hilang dan dibutuhkan untuk menjawab pertanyaan secara akurat, dan adalah jumlah pertanyaan yang harus ditanyakan oleh chatbot kepada user. Level pertama dari mekanisme query inquisitve akan mengembalikan satu buah pertanyaan inquisitve kepada user. Level kedua, jika jumlah informasi yang hilang adalah dua maka chatbot mengajukan dua pertanyaan kepada user dan seterusnya. Contoh: Jika pertanyaan yang diinputkan oleh user bersifat ambigu makan speerti ini jadinya HOD disini ialah Head of Department, tapi bagi chatbot yang tidak mengenal akronim atau istilah HOD akan bingung menjawab pertanyaan tersebut. Chatbot harus menanyakan lebih jauh tentang HOD, ini adalah contoh level pertama. Pada contoh level kedua akan sedikit berbeda: Pada contoh diatas merupakan Level 2 dimana informasi yang diminta tidak relevant karena bot kehilangan dua informasi penting, our itu kita- nya siapa? dan course coordiantornya, course nya apa? Untuk mendapatkan data ini dari kumpulan input, chatbot harus lebih proaktif dalam bertanya. Methodology AIML bersifat hand-coded apabila pertanyaan berubah tetapi maksud sama akan sulit sekali untuk menambah atau mengedit code tersebut, pada penelitian ini lebih mencoba mencari solusi dengan hybird knowledge base model, yang melibatkan AIML dan databsae. Pada model ini user akan bertanya dan jawaban akan terdapat dua kemungkinan didalam knowledge base: AIML atau database. Jawaban permanent akan di taruh di database, pergantian jawaban didalam AIML akan dihindari. Untuk mengatasi kemungkinan ini maka cara mengatasinya yang diajukan didalam paper ini menggunakan knowledge base engine (KB Engine) pada sistem dan interface dengan databset untuk mengambil data faktual didalam merespon inputan. Mekanismenya, pertama inputan akan dicari di AIML, kemudian akan di lanjutkan ke KB Engine untuk searching di database. Knowledge base engine akan mencari jawaban yang cocok dari databse menggunakan AIML yang termodikasi yang diambil dari chat engine. User: Who is Principal Bot: Dr Srinivas ayer User: Who is HOD? User: Who is our course coordiantor?
20164 | P a g e medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com Gambar 3: Sistem arsitektur yang diajukan KB Engine[5|1] Level pertama pada KB Engine ini membutuhkan jawaban dari inputan dan mengevaluasi respon. KB Enigne berkerja didalam dua fase metodologi evaluasi, dimana yang terkait untuk mengindetifikasi data yang hilang pada user dan memproses pengambilan jawban untuk formasi jawaban yang benar yang diharapkan user. Tahap pertama indetifikasi evaluasi data yang hilang dan menghasilkan kalimat pertanyaan untuk user. Fase kedua, proses user-provided answer untuk inquisitive question. Gambar 4: KB command structure Primary Phase[5|2] Query dari user (pertanyaan) akan di hentikan oleh KB engine dan memasukkannya ke chat engine untuk proses. Jika AIML memiliki jawaban maka, pertanyaan akan langsung dijawab melewati KB Engine, jika jawaban harus mengambil dari database, modifikasi template AIML digunakan menggunakan format yang ada di gambar 4. Tempalte akan memulai dengan token "KB" dimana mengindikasi bahwa tempalte itu harus diproses dengan KB engine. F(command) mengindikasi fungsi aksi oleh KB enigne. Untuk menemukan wilayah yang hilang, seksi Main dan Subdata dapat digunakan untuk menghasilakn command response dengan format: KB engine command: Function to act by KB engine: Table name which contain the field: (Field required to answering the query). Indetifikasi wilayah dapat berupa nilai apa saja dari kumpulan wilayah yang di simpan didalam sistem. adalah kumpulan yang menyimpan nilai wilayah tersebut = {1, 2, . . . , } KB engine membadningkan inputan user dari kumpulan yang terdapat didalam nilai wilayah. {} {1, 2, . . . , } = 陸 dimana adalah inputan user dan {1, 2, . . . , } adalah kumpulan nilai yang tersedia untuk mengindentifikasi wilayah didlama sistem. {} harus berupa subset dari {1, 2, . . . , }. Irisan dari kumpulan {} dan kumpulan adalah null set, kemudian KB enigne menghasilkan jawaban dari data yang hilang dan mengumpulkan flag untuk mendaptkan input langsung dari KB Engine. Secondary phase[5|3] Disini, nilai dari user dapat langsung di proses oleh KB engine daripada chat engine. KB engine membandingkan inputan user dengan kumpulan nilai wilayah. Jika matching nilai input ditemukan, maka konsentrasi input user dengan command KB engine dan mematikan flag untuk mendapatkan nilai input langsung dari KB Engine. Selama proses perlu menyimpan last response dari user.
20165 | P a g e medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com Hasil dan Diskusi[6] Setelah implementasi, kami mengobservasi peningkatan interaktif antara user dan chatbot. KB Enigme berhasil menemukan data infomrasi yang hilang pada percakapan. Setelah berhasil mendapatkan jawaban yang tepat kami mencoba lagi dengan menanyakan langsung tanpa bertanya begitu spesifik. Gambar 5: User interface inquisitve bot Conlusion[7] Human-computer interaction dapat ditingkatkan dengan cara membuat komputer dapat memahami langsung maksud dari yang inputkan user dengan bertanya lebih jelas. Percobaan ini cukup sukses tetapi tidak menginfokan lebih jauh tentang akurasi chatbot tersebut.

More Related Content

Inquisitive Chatbot

  • 1. 20161 | P a g e medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com Ref____ {2}: A semantic layer on semi-structured data sources for intuitive chatbots {3}: First Sinhala Chatbot in Action. Mengajukan: Di Ambil: Membantah: To Pose(v) Fetched(v) Retort(v) Implementation of an inquisitive chatbot for database supported knowledge bases S. Reshmi & Kannan Balakrishnan Resume Paper by Ashrovy Abstract Paper ini merupakan laporan implementasi inquisitive chatbot yang mencari data didalam query dan menyelidiki pertanyaan dari user untuk mengumpulkan data yang dibutuhkan untuk menjawab query. Chatbot; Intelligent Conversional Agent; Knowledge Base; AIML : Keyword Introduction[1] Chatbot adalah entitas tiruan yang didesain untuk mensimulasi sebuah percakapan cerdas dengan manusia melalui interaksi natural language antara manusia dan mesin. Kebanyakan chatbot hanya melihat keyword, phrase dan pola yang diprogram didalam database mereka. Pada paper ini merupakan impelementasi membuat chatbot lebih penasaran dan ingin menemukan suatu kejelasan dari inputan user. Chatbot Architecture[2] Chatbot menganalisis inputan user dan memberikan jawaban menggunakan Natural Language Processing (NLP) dan kecerdasan buatan. Kebanyakan dari ssitem chatbot menggunakan bentuk dari NLP dengan melakukan matching inputan user kepada kata dan frase yang ada knowledge base memilih jawaban yang cocok dari input dan konteks pada percakapan. Pattern matching, finite-state- machines, dan model frame-based adalah teknologi utama chatbot{2} Chatbot pada intinya memiliki 3 bagian: Knowledge base yang terbungkus oleh intelligence sistem Chat Engine sebagai interface engine Interpreter Program{3} Interpreter program terdiri dari analyzer dan generator untuk melakukan komunikasi dengan user interface. Existing Chatbots[3] Ide dari chatbot sebenarnya simpel, dimana algoritma pattern matching dan rekonstruksi kalimat dapat di proses didalam natural language. Gambar 1: Arsitektur Chatbot
  • 2. 20162 | P a g e medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com Ref____ {4}: A computer program for sudy of natural language communication between man and machine. {10}: Using learning analytics to understand the design of an intelligent language tutor Chatbot lucy {11}: CHARLIE: An AIML-based chatterbot which works as an interface among INES and humans. {12}: Chinese intelligent chat robot based on the AIML language. Terbatas: Terdiri dari: Tempat menyimpan barang-barang cadangan: Memperdebatkan: Mempertahankan: Keterangan didalam kalimat yang menyatakan: sikap pembicara terhadap hal yang dibicarakan Dikhususkan: Finite(adj) Comprises(v) Reservoir(n) Argue(v) Sustaining(adj) Modalities(n) Devoted(adj) Impelementasi chatbot sudah dilakukan dibeberapa kasus, dari mulai ELIZA, kemudian ALICE lalu muncul juga chatbot yang bersifat khusus untuk menangani depresi beberapa masalah mental, juga ada Jabberwacky yang menggunakan pattern matching dengan dabase yang besar dan lain-lain. Dan mayoritas chatbot ini dibuat dengan menggunakan AIML kecuali Jabberwacky. Analisis perkembangan chatbot berbasis NLP dapat identifikasi menjadi satu dari tiga generasi sistem. 1. Generasi pertama chatbot berbasis simpel teknik dari pattern matching seperti ELIZA{4} . 2. Generasi kedua terdapat teknik kecerdasan buatan. 3. Generasi ketiga lebih canggih dengan teknik pattern-matching berbasis markup language. Markup language genenerasi ketiga ini adalah AIML seperti LUCY{10} , CHARLIE{11} , dan Xiao Hui- Hui.{12} AIML[3|1] Merupakan dialect XML yang memiliki spesifikasi sendiri dan dikembangakn oleh Richard S Wallace. Setiap katagori input AIML dibentuk dari <pattern> elemen, output template <template> element, opsional <that> tag me- refer ke chatbot previous reply dan melewati tag <srai>. Ilustrasinya dapat dilihat sendiri pada gambar 2. Gambar 2. Basic AIML Format Issue and Challenge[3|2] Umumnya, chatbot dapat merespon input standar yang sudah ditraining oleh knowledge base, tetapi chatbot sulit mengindentifikasi dengan input yang serupa atau makna yang ambigu. Hal ini menjadi dalam aspek pengembangan yang sangat penting didalam impelementasi chatbot untuk dua alasan: Pertama, itu mampu untuk membuat pembicaraan menjadi lebih natural dan user- friendly; kedua, inputan dari user kadang bersifat tidak tentu dan chatbot sulit memberikan jawaban. Dengan kata lain bot membutuhkan informasi yang cukup untuk mendapatkan jawaban yang sesuai dengan maksud user.
  • 3. 20163 | P a g e medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com Ref____ {4}: A computer program for sudy of natural language communication between man and machine. {10}: Using learning analytics to understand the design of an intelligent language tutor Chatbot lucy {11}: CHARLIE: An AIML-based chatterbot which works as an interface among INES and humans. {12}: Chinese intelligent chat robot based on the AIML language. Terbatas: Terdiri dari: Tempat menyimpan barang-barang cadangan: Memperdebatkan: Mempertahankan: Keterangan didalam kalimat yang menyatakan: sikap pembicara terhadap hal yang dibicarakan Dikhususkan: Finite(adj) Comprises(v) Reservoir(n) Argue(v) Sustaining(adj) Modalities(n) Devoted(adj) Proposed System[4] Paper ini mendsikusikan impementasi chatbot yang memiliki sifat penasaran, yang dikembangakn dengan memodifikasi engine pada ALICE dimana knowledge base support untuk database. Kemungkinan inputan user akan berisikan satu atau lebih data yang hilang, pada situasi ini bot harus menanyakan data yang hilang tersebut, jumlah informasi yang hilang agar query lebih propotional. dimana adalah jumlah informasi yang hilang dan dibutuhkan untuk menjawab pertanyaan secara akurat, dan adalah jumlah pertanyaan yang harus ditanyakan oleh chatbot kepada user. Level pertama dari mekanisme query inquisitve akan mengembalikan satu buah pertanyaan inquisitve kepada user. Level kedua, jika jumlah informasi yang hilang adalah dua maka chatbot mengajukan dua pertanyaan kepada user dan seterusnya. Contoh: Jika pertanyaan yang diinputkan oleh user bersifat ambigu makan speerti ini jadinya HOD disini ialah Head of Department, tapi bagi chatbot yang tidak mengenal akronim atau istilah HOD akan bingung menjawab pertanyaan tersebut. Chatbot harus menanyakan lebih jauh tentang HOD, ini adalah contoh level pertama. Pada contoh level kedua akan sedikit berbeda: Pada contoh diatas merupakan Level 2 dimana informasi yang diminta tidak relevant karena bot kehilangan dua informasi penting, our itu kita- nya siapa? dan course coordiantornya, course nya apa? Untuk mendapatkan data ini dari kumpulan input, chatbot harus lebih proaktif dalam bertanya. Methodology AIML bersifat hand-coded apabila pertanyaan berubah tetapi maksud sama akan sulit sekali untuk menambah atau mengedit code tersebut, pada penelitian ini lebih mencoba mencari solusi dengan hybird knowledge base model, yang melibatkan AIML dan databsae. Pada model ini user akan bertanya dan jawaban akan terdapat dua kemungkinan didalam knowledge base: AIML atau database. Jawaban permanent akan di taruh di database, pergantian jawaban didalam AIML akan dihindari. Untuk mengatasi kemungkinan ini maka cara mengatasinya yang diajukan didalam paper ini menggunakan knowledge base engine (KB Engine) pada sistem dan interface dengan databset untuk mengambil data faktual didalam merespon inputan. Mekanismenya, pertama inputan akan dicari di AIML, kemudian akan di lanjutkan ke KB Engine untuk searching di database. Knowledge base engine akan mencari jawaban yang cocok dari databse menggunakan AIML yang termodikasi yang diambil dari chat engine. User: Who is Principal Bot: Dr Srinivas ayer User: Who is HOD? User: Who is our course coordiantor?
  • 4. 20164 | P a g e medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com Gambar 3: Sistem arsitektur yang diajukan KB Engine[5|1] Level pertama pada KB Engine ini membutuhkan jawaban dari inputan dan mengevaluasi respon. KB Enigne berkerja didalam dua fase metodologi evaluasi, dimana yang terkait untuk mengindetifikasi data yang hilang pada user dan memproses pengambilan jawban untuk formasi jawaban yang benar yang diharapkan user. Tahap pertama indetifikasi evaluasi data yang hilang dan menghasilkan kalimat pertanyaan untuk user. Fase kedua, proses user-provided answer untuk inquisitive question. Gambar 4: KB command structure Primary Phase[5|2] Query dari user (pertanyaan) akan di hentikan oleh KB engine dan memasukkannya ke chat engine untuk proses. Jika AIML memiliki jawaban maka, pertanyaan akan langsung dijawab melewati KB Engine, jika jawaban harus mengambil dari database, modifikasi template AIML digunakan menggunakan format yang ada di gambar 4. Tempalte akan memulai dengan token "KB" dimana mengindikasi bahwa tempalte itu harus diproses dengan KB engine. F(command) mengindikasi fungsi aksi oleh KB enigne. Untuk menemukan wilayah yang hilang, seksi Main dan Subdata dapat digunakan untuk menghasilakn command response dengan format: KB engine command: Function to act by KB engine: Table name which contain the field: (Field required to answering the query). Indetifikasi wilayah dapat berupa nilai apa saja dari kumpulan wilayah yang di simpan didalam sistem. adalah kumpulan yang menyimpan nilai wilayah tersebut = {1, 2, . . . , } KB engine membadningkan inputan user dari kumpulan yang terdapat didalam nilai wilayah. {} {1, 2, . . . , } = 陸 dimana adalah inputan user dan {1, 2, . . . , } adalah kumpulan nilai yang tersedia untuk mengindentifikasi wilayah didlama sistem. {} harus berupa subset dari {1, 2, . . . , }. Irisan dari kumpulan {} dan kumpulan adalah null set, kemudian KB enigne menghasilkan jawaban dari data yang hilang dan mengumpulkan flag untuk mendaptkan input langsung dari KB Engine. Secondary phase[5|3] Disini, nilai dari user dapat langsung di proses oleh KB engine daripada chat engine. KB engine membandingkan inputan user dengan kumpulan nilai wilayah. Jika matching nilai input ditemukan, maka konsentrasi input user dengan command KB engine dan mematikan flag untuk mendapatkan nilai input langsung dari KB Engine. Selama proses perlu menyimpan last response dari user.
  • 5. 20165 | P a g e medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com Hasil dan Diskusi[6] Setelah implementasi, kami mengobservasi peningkatan interaktif antara user dan chatbot. KB Enigme berhasil menemukan data infomrasi yang hilang pada percakapan. Setelah berhasil mendapatkan jawaban yang tepat kami mencoba lagi dengan menanyakan langsung tanpa bertanya begitu spesifik. Gambar 5: User interface inquisitve bot Conlusion[7] Human-computer interaction dapat ditingkatkan dengan cara membuat komputer dapat memahami langsung maksud dari yang inputkan user dengan bertanya lebih jelas. Percobaan ini cukup sukses tetapi tidak menginfokan lebih jauh tentang akurasi chatbot tersebut.