라사에 대해 Rasa core과 Rasa nlu의 공식 문서에서 이해하려고했지만 많이 추론 할 수 없었습니다. 내가 뭘 이해할 수 있어요 것은라사 코어와 라사 nlu의 차이점
라사 NLU가 이해하고에
두 번째 것은, 거기에 예를 정보 (개체)를 추출 할 텍스트를 처리하는 동안 라사 코어는 conversatation의 흐름을 안내하는 데 사용됩니다 Rasa core에서 chatbot을 빌드하고 Rasa nlu을 만들면 chatbot을 빌드하는 데 사용할 수 있지만 두 가지 승인의 차이점과 그 중 어떤 것을 따르는 지 이해할 수 없습니다.
더 나은 방법으로 이해해 주시겠습니까?
당신이 맞습니다. 둘 다 함께 작동하지만 뚜렷한 목표가 있습니다. 간단히 말하면, Rasa Core는 대화 흐름, 발화, 행동 및 Rasa NLU 추출 엔티티 및 인 텐트를 처리합니다. 두 번째 질문에 대해
:
첫 번째 예는 로봇을 만들 수있는 전체 워크 플로우를 보여줍니다, 그것은 방법을 보여줍니다 설정 도메인과 이야기를합니다. 그것들은 Rasa NLU가 아닌 Rasa Core의 특징입니다. 이 예제의 2 번 항목 (인터프리터 정의)에서 저자는 인터프리터로 Rasa NLU를 사용하고 있다고 명시 적으로 말했지만 (다른 엔티티 추출기 프레임 워크를 사용할 수도 있음).
두 번째 예제 (Rasa NLU 중 하나)는 엔터티 및 의도 추출기 만 훈련하는 방법을 보여줍니다. 도메인 및 스토리에 대한 정보가 없으며 대화 흐름에 대한 정보가 없습니다. 순수한 NLU 예입니다 (로봇을 실행하기 위해 Rasa Core의 기본 실행 방법을 사용하고 있음에도 불구하고).
라사를 공부하기 시작했을 때 봇을 개발하는 개념을 이해하기가 약간 어려웠습니다. 그러나 코딩을 시작할 때 명확 해졌습니다. 어떤 플랫폼을 사용하든 상관없이 NLU는 대화 흐름이 다른 것 인 동안 엔티티와 인 텐트를 처리 할 것입니다.
봇 코어와 NLU를 처리하는 데 하나의 라이브러리를 사용할 수도 있습니다.
봇의 핵심을 구축하는 데 사용할 수있는 대부분의 도구와 달리 라사 코어는 대화 흐름을보다 잘 일반화하기 위해 기계 학습을 사용합니다. 대화에 가능한 각 노드에 대한 코드를 작성하는 대신 가능한 대화식 경로의 데이터 세트를 사용하고 코어를 일반화하도록 훈련시킬 수 있습니다. 이것은 매우 시원하고 강력한 기능입니다 :)
희망이 도움이됩니다.