Interazione conversazionale coi clienti e consistenza dei processi operativi: proposta di un'architettura che unisce gli approcci pattern based e generativi

In today’s mobile context, a big problem is described by the static interaction between users and applications. A possible solution of the problem is the design of a chatterbot, an interface that supports service delivery with a flexible interaction paradigm based on natural language. This thesis proposes a chatbot called Pamela tested and developed in collaboration with an operator of the mass distribution industry. The proposed robot combines generative and pattern-based artificial intelligence models in a conversational architecture customized to the individual user’s need. The robot is an intelligent automatic responder that allows customers to make orders and to be updated on the latest news on the stores simply by using a chat. In the thesis, we will illustrate the approaches to natural language processing offered by the literature in order to describe our bot’s architecture as an original combination of different models. This architecture implements a generative learning logic, able to remember the users’ past transactions, a comparison logic based on patterns for the evaluation of the context to be processed in a precise state of the conversation and a business logic, that tracks the real state of the dialog to which the bot is participating. The proposed architecture, that hosts a database containing the registry of the supermarket’s products, the KB pattern, all the Smart Defaults and the KB user in which customers’ transactions are saved, could be the starting point for the development of the learning and and the coversational flexibility of the future. Pamela’s goals concern the finalization of the orders in a prototype that can answer in a precise way customers’ requests. Thanks to the results obtained from the tests carried out by a group of beta testers, some limitations were found. This limits will be important topics for the future releases of the project. The main weaknesses of the model regards the learning and the management of natural language: today, Pamela converses with customers analyzing the text that receives in input and makes priority pattern-based comparisons in the Patten-Based Engine. The semantics of the sentence is built by the keywords’ weight that the user presents to the robot. In the future, the conversational capabilities of the architecture could be enlarged extending the utilization of the generative logic and, simultaneously, keeping track of the conversation state. The challenge will be to implement a pure generative model that learns and guarantees cart consistency and transaction coherence. Future developments will deal with the extension of the learning process, the management of the concept of intent and the flexibility of the robot’s natural language comprehension. The following key points should be considered: • Learning: The Generative Status Engine represents the starting point of a learning environment and the first step towards a customizable, entertaining system. • Architecture: Pamela will manage the intentions of customers in a free way by extracting the context that handles an intention from the business logic with the aim of integrating off-topic conversation without contaminating the actual cart composition.

Nel contesto mobile odierno, un grande problema è descritto dall’interazione statica delle applicazioni offerte dal mercato. Una possibile soluzione a questo problema è la progettazione di un chatterbot, un interfaccia che supporta l’erogazione di servizi con un paradigma di interazione più flessibile, basato sull’uso del linguaggio naturale. La tesi propone un chatbot sviluppato e testato in collaborazione con un’operatore della grande distribuzione. Il robot proposto, unisce il modello di intelligenza artificiale generativa a quella pattern based in un’architettura conversazionale pensata sui bisogni dei singoli utilizzatori. Il progetto sviluppato è un risponditore automatico intelligente che permette ai clienti di effettuare ordini di spesa ed essere aggiornati in tempo reale sulle informazioni relative ai punti vendita semplicemente utilizzando una chat. Nel corso della tesi verranno presentati gli approcci di natural language processing esistenti in letteratura al fine di descrivere l’architettura di Pamela come l’unione dei vantaggi dei modelli illustrati. È stata implementata una logica generativa con un modulo di apprendimento, capace di ricordare le transazioni passate dell’utente, un modulo di confronto a pattern per la valutazione del contesto da processare in un preciso stato della conversazione e una business logic, che tiene traccia del vero stato del dialogo a cui il bot sta partecipando. L’architettura proposta, ospitante un database che contiene l’anagrafica prodotti PAM, la KB pattern, tutti gli Smart Defaults e la KB user nella quale vengono salvate tutte le composizioni di carrello degli ordini di ogni clienti, si presta ad essere la base di partenza per gli sviluppi di apprendimento e flessibilità conversazionale del futuro. Gli obiettivi di Pamela, comprendono soprattutto la finalizzazione degli ordini in un prototipo che possa rispondere in modo preciso alle singole richieste dei clienti. Grazie ai risultati ottenuti dai test effettuati insieme al gruppo di beta tester, sono emersi alcuni limiti che diventeranno argomenti di primaria importanza nelle future release del progetto. I principali punti di debolezza riguardano proprio l’apprendimento e la gestione dinamica del linguaggio naturale: oggi Pamela dialoga con l’utente analizzando il testo che riceve come input ed effettuando dei confronti pattern based prioritari all’interno del Pattern Based Engine. La semantica della frase è costruita dal peso delle parole chiave che il cliente presenta al robot. In futuro, si potrebbero ampliare le capacità conversazionali di Pamela estendendo l’utilizzo delle logiche generative e, contemporaneamente, tenendo traccia dello stato della transazione. La sfida sarà l’implementazione di un modello puramente generativo che apprenda e garantisca la coerenza dei concetti di carrello e transazione. Il futuro di Pamela tratterà l’estensione dell’apprendimento, la gestione del concetto di intenti e la flessibilità del robot nella comprensione del linguaggio naturale. • Apprendimento: Il Generative Status Engine rappresenta il punto di partenza dell’apprendimento e la proiezione verso un sistema personalizzabile, entertaining e completamente capace di apprendere dal passato del singolo utente. • Architettura: Pamela gestirà le intenzioni degli utenti in modo più libero di quanto faccia ora estraendo dalla logica di business i contesti che gestiscono un’intenzione con l’obiettivo di integrare conversazioni off-topic che non contaminino le composizioni di ordine correnti.