Штучний інтелект Телеграм-близнюк: як відділити стилометрію спілкування від бази знань

⏱️ ~4 хв читання

AI Telegram Twin: як відокремити стилометрію спілкування від бази знань

У сучасному світі, де штучний інтелект (ШІ) стає все більш інтегрованим у повсякденне життя, створення ботів для месенджерів, таких як Telegram, стало популярним завданням. Однак стандартні ChatGPT-боти часто видають себе, використовуючи шаблонні фрази та не завжди відповідні контексту відповіді. Це викликає роздратування у клієнтів і знижує ефективність взаємодії.

Чому звичайні ChatGPT-боти одразу видають себе

Основна причина, чому звичайні ChatGPT-боти одразу видають себе, полягає в їхніх шаблонних відповідях. Фрази типу «Я рад допомогти вам! Ось 5 пунктів…» та стандартні структури відповідей роблять спілкування з ботом неестетичним і механічним. Клієнти очікують більш персоналізованого та естетичного взаємодії, особливо в контексті особистих повідомлень.

Інший важливий аспект — це відсутність врахування стилометричних особливостей конкретного користувача або бренду. Стандартні боти не можуть адаптуватися до індивідуального стилю спілкування, що робить їх відповіді менш переконливими та більш передбачуваними.

Крім того, відсутність динамічної паузи в відповідях робить взаємодію з ботом менш реалістичною. Користувачі звикли до того, що люди можуть задумуватися перед відповіддю або писати повідомлення з затримкою.

Архітектура Separation of Concerns

Для вирішення цих проблем ми розробили архітектуру Separation of Concerns (SoC), яка розділяє стилометрію спілкування та базу знань. Це дозволяє створити більш естетичне і реалістичне взаємодія з ботом.

Ядро стилометрії (Style Mimic Core)

Ядро стилометрії відповідає за створення реалістичного стилю спілкування. Воно включає кілька ключових компонентів:

  • Парсинг реальних експортів: Використовуються файли result.json та Telethon для аналізу реальних повідомлень користувачів.
  • Розрахунок середньої довжини реплік: Визначення оптимальної довжини відповідей на основі аналізу історичних даних.
  • Дроблення однієї думки на 2-4 коротких повідомлень: Розділення довгих відповідей на кілька коротших, що створює ефект «кулеметної черги» та робить спілкування більш динамічним.
  • Специфіка пунктуації та сленгу: Врахування індивідуальних особливостей пунктуації та використання сленгу, характерного для конкретного користувача або бренду.

# Приклад коду для парсингу result.json
import json

with open('result.json', 'r') as file:
    data = json.load(file)

for message in data['messages']:
    print(message['text'])

База знань та прайс

База знань і прайс-листи зберігаються суворо окремо від ядра стилометрії. Це дозволяє уникнути ситуацій, коли модель може «видумувати» ціни або інформацію заради гарної фрази.

Анти-детект та Human-in-the-Loop

Для підвищення реалістичності взаємодії ми внедрили кілька додаткових механізмів:

Smart Typing

Цей механізм вводить паузу та статус «typing…» пропорційно довжині відповіді. Це робить спілкування більш естетичним, оскільки користувачі звикли до затримок при наборі тексту.


# Приклад коду для Smart Typing
import time

def smart_typing(message):
    typing_status = True
    for char in message:
        print(char, end='', flush=True)
        time.sleep(0.1)  # Затримка для імітації набору тексту
    print()  # Перехід на новий рядок після завершення друку

smart_typing("Приклад повідомлення з затримкою")

Smart Pause

Якщо власник сам написав у чат, бот миттєво замовкає на N годин. Це дозволяє уникнути конфліктів та дати власнику можливість особисто відповісти на важливі повідомлення.

Lead Radar та тригери ескалації

Lead Radar — це система відстеження ключових фраз, таких як «готов платить» або «куда скинуть предоплату». Ці тригери дозволяють миттєво передавати керування людині, що підвищує ефективність обробки важливих запитів.

Проблеми на практиці

Розробка та експлуатація AI Telegram Twin не обходять без проблем. Розглянемо деякі з них:

  • Ризик флуд-лімітів Telegram MTProto: Telegram має обмеження на кількість повідомлень, які можна відправити за визначений період часу. Це може призвести до блокування аккаунта або зниження швидкості відправки повідомлень.
  • Перемикання Local RTX 3090 Cloud API: При відключеннях світла необхідно швидко перемикатися між локальним та хмарним API, щоб уникнути провалів в роботі бота. Це вимагає ретельної налаштування та моніторингу.

Для вирішення цих проблем можна використовувати такі підходи:

  • Оптимізація швидкості відправки повідомлень: Рівномірне розподілення відправки повідомлень у часі для уникнення флуд-лімітів.
  • Автоматизоване перемикання між локальним та хмарним API: Використання систем моніторингу та скриптів для автоматичного перемикання в разі відключень світла.

Заключення

Розділення стилометрії спілкування та бази знань дозволяє створити більш реалістичний і естетичний AI Telegram Twin. Використання архітектури Separation of Concerns, механізмів Smart Typing та Smart Pause, а також Lead Radar робить взаємодію з ботом більш приємною та ефективною.

Однак розробка таких систем супроводжується рядом проблем, таких як флуд-ліміти Telegram MTProto та необхідність перемикання між локальним і хмарним API. Розв’язання цих проблем вимагає ретельної налаштування та моніторингу.

Повний код проекту доступний за посиланням: https://github.com/Lancer0076-prog/ai-telegram-twin

Читати далі в Лабораторії
← Локальний AI-стек на RTX 3090: LM Studio, ComfyUI та гібридний фолбекКонтрольна площина на DC-UPS + RTX 3090: архітектура домашнього AI-сервера для блек-аутів →

Комментарии

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *