Título del proyecto: Amanda: un chatbot de consulta inteligente
Introducción:El concepto de chatbots no ha sido nuevo en esta sociedad en crecimiento tecnológico. Nuestro proyecto aborda de manera aguda una parte importante de esta entidad en crecimiento, enfocando el uso de los chatbots en el campo de la educación, especialmente en la educación superior. El modelo actual del proyecto está hecho para manejar la creciente población estudiantil en el país, lo que ayuda a optimizar el proceso de admisión en varios institutos de la India. El modelo trata en tiempo real con los estudiantes despejando los círculos de dudas en la mente de los estudiantes durante todo el procedimiento de admisión. Actualmente, los estudiantes confían en el conocimiento de los padres, familiares y conocidos y, obviamente, en los institutos de clasificación y en los sitios de cuestionarios como Quora, para saber acerca de cualquier instituto específico. No es prácticamente factible que los institutos establezcan un asistente de aclaración de dudas en tiempo real para ayudar a los solicitantes de admisión. Aquí es donde nuestro chatbot viene en ayuda. Está diseñado para ayudar meticulosamente a los estudiantes a descubrir los institutos a los que desean asistir. El bot funciona con los datos en tiempo real proporcionados por los propios institutos para aumentar la confiabilidad y aumentar la transparencia para los estudiantes.Nos gustaría aumentar el alcance del proyecto de acuerdo con el impulso de gobierno electrónico (India digital) del gobierno hacia la introducción de chatbots en los distintos departamentos del gobierno. Puede ayudar drásticamente a reducir los trámites burocráticos, haciendo que los servicios destinados a la gente común sean más accesibles para ellos .
Estamos tratando de implementar un Sistema de Conocimiento Específico de Dominio trabajando en el área de la asistencia personal requerida durante el procedimiento de asesoramiento. Otra ventaja añadida del módulo actual vendría en forma de reducción de la carga sobre los institutos individuales que viene en forma de miles de llamadas y correos electrónicos, que son difíciles de manejar considerando la naturaleza estacional del asesoramiento y sin personal específico para ello. Por lo tanto, considerando la gran escala de admisiones aquí, el chatbot parece ser un gran alivio si se implementa a gran escala con un enfoque eficiente, ayudando a miles a elegir el mejor y más adecuado para ellos.
Marco conceptual:
El chatbot actual maneja las consultas de entrada de los usuarios, incluidos los saludos. Actualmente, el bot está restringido a un instituto específico, es decir, puede manejar consultas relacionadas con un instituto. Un posible retoño futuro del proyecto puede ser hacer que el bot sea compatible para manejar muchos institutos a la vez, haciéndolo elegible para manejar consultas sobre múltiples institutos en una sola ventana. Las respuestas inicialmente pueden estar relacionadas con los datos generales del instituto como información sobre profesores, ubicaciones y estadísticas de investigación, pero luego pueden incorporar las reseñas de varios usuarios y los comentarios de diferentes estudiantes, padres, ex alumnos y cualquier otro miembro relacionado de un específico. instituto.
El sistema actual responde a las consultas en tres formas categorizadas:
1.Saludos:Respuestas al saludo por parte de los usuarios de forma direccionable, haciéndolo amigable para el usuario.
2.Respuestas específicas de dominio: incluyen respuestas sobre los institutos específicos que se consultan.
3.Respuestas de disculpa: Estas incluyen respuestas a consultas que parecen difíciles de recuperar, siendo respondidas discretamente con una respuesta de disculpa.
Usaremos Python como lenguaje de programación junto con AIML (Lenguaje de marcado de inteligencia artificial
) para hacer coincidencias de patrones para la selección de respuestas.
Las siguientes fases han estado involucradas en la creación de este bot.
Fase de entrenamiento:
utilizamos la biblioteca de procesamiento de lenguaje natural NLTK para procesar consultas sin procesar
(conjunto de entrenamiento) y convertirlas en un conjunto de palabras sinónimas (consulta reducida). En
resumen, describe el contexto/concepto de la consulta. Aquí se aplica la regla de oro, más
datos, mejores resultados.
Se conoce la respuesta esperada a una consulta tan reducida y usamos este conocimiento para
generar archivos aiml/xml con fines de comparación de patrones.
Fase de coincidencia de patrones:
la entrada del usuario se divide nuevamente en una consulta reducida usando NLP y usamos archivos AIML generados a partir de la fase 1 para encontrar el patrón más cercano posible existente en nuestra base de datos para el cual se conoce la respuesta. Si existe tal patrón, se recupera la información de la base de datos o el bot intenta detener la conversación para mantener al usuario interesado o disculparse por no poder responder.
Diagramas: diagrama UML relevante
Herramientas utilizadas: 1. Procesamiento del lenguaje natural (NLTK).
2.Python ArtiFicial Intelligence Markup Language (PyAIML)
3.Coincidencia de patrones 4.Expresiones
regulares
5.Aplicación de biblioteca de gráficos Kivy Python
: ¿Dónde se puede usar este proyecto?
Además de ser útil, Amanda (el bot de chat) también es divertida a veces 🙂
Algunos recursos adicionales:
1) Siga este enlace para ir a la presentación: Presentación
2) Siga este enlace para llegar al código real y controle el flujo: Github
3) Trabajo de investigación: siga los enlaces a continuación para ver los pocos trabajos de investigación que mencionamos: Papel 1 Papel 2
Este proyecto es aportado por:
1. Danish Kaleem (IT 3er año, IIEST Shibpur)
2. Rajat Mishra (IT 3er año, IIIT Allahabad)
3. Piyush Yaduvanshi (CSE 3er año, IIIT Naya Raipur)
Contacto: Correo electrónico: mohdanishh007@gmail.com, rit2015055@iiita.ac.in, piyush15100@iiitnr.edu.in
Publicación traducida automáticamente
Artículo escrito por GeeksforGeeks-1 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA