-
Notifications
You must be signed in to change notification settings - Fork 0
/
index.html
309 lines (260 loc) · 7.57 KB
/
index.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
<!DOCTYPE html>
<html>
<head>
<title>Title</title>
<meta charset="utf-8">
<style>
@import url(https://fonts.googleapis.com/css?family=Yanone+Kaffeesatz);
@import url(https://fonts.googleapis.com/css?family=Droid+Serif:400,700,400italic);
@import url(https://fonts.googleapis.com/css?family=Ubuntu+Mono:400,700,400italic);
body { font-family: 'Droid Serif'; }
h1, h2, h3 {
font-family: 'Yanone Kaffeesatz';
font-weight: normal;
}
.remark-code, .remark-inline-code { font-family: 'Ubuntu Mono'; }
</style>
<link rel="stylesheet" type="text/css" href="vendor/remark/remark_theme.css"/>
</head>
<body>
<textarea id="source">
class: center, middle, light
# Chatbots con python
### Mauricio Collazos
.footnote[]
---
class: center
[https://github.com/contraslash/chatbots-intro](https://github.com/contraslash/chatbots-intro)
---
# Disclaimers
- Esta charla es una introducción
- Hablo muy rápido
- No me crean
---
# Un poco de PLN
El Procesamiento de lenguaje natural es un subcampo de la Inteligencia Artificial que estudia las interacciones entre una computadora y el lenguaje humano. <sup>[1](https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales)</sup>
Usualmente dividimos el PLN en dos grandes partes
.left[
### Sintaxis
- Análisis morfológico
- Análisis POS (Part of Speech)
- Análisis Sintáctico
]
.right[
### Semántica
- Reconocimiento de Entidades Nombradas (NER)
- Desambiguación de Palabras
- Entendimiento de Lenguaje
]
.footnote[]
---
class: center
# De una manera mas clara
El gato negro come salmón ahumado
---
# Aplicaciones
- Sistemas pregunta respuesta
- Traducción automática
- Análisis de sentimientos
- Resumen automático
- Análisis de discurso
---
# Ahora si, Chatbots
Un chatbot es un agente conversacional que interactua contigo por medio de un proveedor de chat.
### Proveedores
- Facebook Messenger
- Slack
- Telegram
- Mensajes de Texto
---
# Trabajo de un agente conversacional
- Extracción: La primera labor de un agente conversacional es extraer información útil
- Clasificación: La segunda labor es entender la intención del texto
- Producción: La tercera y última labor es producir una respuesta
---
---
# Agentes basados en reglas
```pyhton
def identify_intent(raw_text):
if "listar" in raw_text:
return "list"
if "mostrar" in raw_text:
return "show"
if "crear" in raw_text:
return "create"
if "delete" in raw_text:
return "delete"
return ""
```
---
# Usando técnicas estándar de ML
```
train = pd.read_csv(
os.path.join(os.path.dirname(__file__), 'data', 'labeledTrainData.tsv'),
header=0,delimiter="\t",quoting=3
)
test = pd.read_csv(
os.path.join(os.path.dirname(__file__), 'data', 'testData.tsv'),
header=0,delimiter="\t",quoting=3
)
clean_train_reviews = []
for i in xrange( 0, len(train["review"])):
clean_train_reviews.append(" ".join(KaggleWord2VecUtility.review_to_wordlist(
train["review"][i], True))
)
vectorizer = CountVectorizer(
analyzer = "word", tokenizer = None,preprocessor = None,
stop_words = None, max_features = 5000
)
train_data_features = vectorizer.fit_transform(clean_train_reviews)
np.asarray(train_data_features)
forest = RandomForestClassifier(n_estimators = 100)
forest = forest.fit( train_data_features, train["sentiment"] )
```
Ejemplo tomado de [Kaggle](https://www.kaggle.com/c/word2vec-nlp-tutorial)
---
# En el mercado
.left[
- 
- 
]
.right[
- 
- 
]
---
# Algunos enlaces útiles
### Diferencias entre tecnologías comerciales
- [Understanding Differences between different ai platforms](https://www.linkedin.com/pulse/understanding-differences-between-different-ai-platforms-abraham-kang/)
- [Comparison between Luis vs API vs WIT](https://stackoverflow.com/posts/39202305/revisions)
### Otras arquitecturas de chatbots
- [Natural Language Pipeline for Chatbots](https://medium.com/@surmenok/natural-language-pipeline-for-chatbots-897bda41482)
- [Chatbot Architecture](https://medium.com/@surmenok/chatbot-architecture-496f5bf820ed)
---
class: center
# rasa NLU
---
# Configuración de la data
```json
{
"rasa_nlu_data": {
"common_examples": [
{
"text": "muestrame la lista",
"intent": "list",
"entities": []
},
{
"text": "borrar 1",
"intent": "delete",
"entities": [
{
"start": 7,
"end": 8,
"value": "1",
"entity": "task_id"
}
]
}
{
"text": "mostrar",
"intent": "show",
"entities": []
}
]
}
}
```
---
# Usando RASA
Entrenar el modelo
```bash
python -m rasa_nlu.train -c config.json
```
Usando el modelo
```python
model_path = "models/default/model_20171006-164306"
config_path = "config.json"
interpreter = Interpreter.load(
Metadata.load(model_path),
RasaNLUConfig(config_path)
)
interpreter.parse(u"hola mundo")
```
---
# Y en Markdown
---
# Configuración en Markdown
```markdown
## intent:list
- muestrame la lista
- lista
- todo
## intent:show
- mostrar
- tarea [1](task_id)
- mostrar: [1](task_id),[2](task_id),[3](task_id)
## intent:create
- crear: [saludar](task)
- nueva tarea: [despedirme](task), [hacer mercado](task)
## intent:delete
- eliminar [1](task_id)
- borrar [1](task_id)
```
---
# Rasa como microservicios
```bash
python -m rasa_nlu.server -c config.json
```
[Endpoints](https://rasahq.github.io/rasa_nlu/http.html#endpoints)
- /parse
- /train
- /status
- /config
---
# Integrando con facebook
```python
def send_response(sender_object, response):
data = dict()
data['recipient'] = sender_object
data['message'] = {
'text': response
}
query_params = {
'access_token': conf.FB_TOKEN
}
response = requests.post(
conf.FB_MESSENGER_URL,
params=query_params,
json=data
)
```
---
# Las cosas se pueden complicar
---
# Enlaces Útiles
- [Curso de Stanford con Deep Learning para NLP](http://cs224d.stanford.edu/)
- [Video Curso de NLP con Deep Learning](https://www.youtube.com/watch?v=OQQ-W_63UgQ&list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6)
- [Documentación de rasa NLU](https://rasahq.github.io/rasa_nlu/)
- [ChatbotsLife](https://chatbotslife.com/)
- [CharbotsMagazine](https://chatbotsmagazine.com/)
---
# Grandes noticias
- [Rasa Core es Open Source](https://medium.com/rasa-blog/a-new-approach-to-conversational-software-2e64a5d05f2a)
- [Documentación de rara Core](https://core.rasa.ai/index.html)
---
Dar las gracias y huir
</textarea>
<script src="vendor/remark/remark.min.js">
</script>
<script>
var slideshow = remark.create();
</script>
</body>
</html>