Dalam pengembangan aplikasi conversational AI, ekstraksi entitas adalah salah satu tahapan penting dalam mengidentifikasi informasi yang relevan dari teks. Salah satu teknologi ekstraksi entitas yang populer adalah Rasa NLU, yang memungkinkan kita untuk menentukan entitas dan peranannya dalam suatu konteks.
Namun, dalam beberapa kasus, kita mungkin mengalami kesalahan ekstraksi entitas yang tidak sesuai dengan apa yang diinginkan. Contohnya, ketika kita menggunakan Rasa NLU untuk menentukan jumlah orang dan malam-malam yang dibutuhkan, namun hasilnya tidak sesuai dengan input.
Contoh Kasus
Misalnya, jika kita memiliki input "2 nights for 3 persons", maka Rasa NLU harus dapat mengidentifikasi bahwa "2" adalah jumlah malam dan "3" adalah jumlah orang. Namun, dalam beberapa kasus, Rasa NLU mungkin tidak dapat melakukan hal tersebut dengan tepat.
Penyelesaian
Jika kita menggunakan teknologi Duckling untuk ekstraksi entitas, maka kita dapat menentukan bahwa "2" adalah jumlah malam dan "3" adalah jumlah orang. Namun, dalam beberapa kasus, Rasa NLU mungkin tidak dapat memahami peran entitas yang telah diekstraksi.
Tip
Salah satu tips untuk mengatasi kesalahan ekstraksi entitas ini adalah dengan menentukan auto_fill slots sebagai false dalam domain kita. Dengan cara ini, maka entitas yang diekstraksi akan tidak menggantikan slot lainnya.
Kesimpulan
Dalam beberapa kasus, Rasa NLU mungkin tidak dapat memahami peran entitas yang telah diekstraksi, sehingga kita harus menggunakan teknologi ekstraksi entitas lainnya seperti Duckling. Dengan cara ini, kita dapat meningkatkan akurasi ekstraksi entitas dan mencapai hasil yang lebih sesuai dengan apa yang diinginkan.
Referensi
- Rasa NLU Documentation: https://rasa.github.io/rasa/nlu/
- Duckling Documentation: https://github.com/maciekleynen/duckling
Note: This article is a translation of the original Markdown text provided, with additional editing to improve readability and coherence.