Dialogue Management & NLU-Implementation

Praxisnahe Implementierung von NLU-Komponenten (Intents, Entities, Slots, Training Phrases) in einem Conversational-AI-Framework sowie die Funktionsweise des Dialogue Managements mit Context/State und Action Policy.

Relevanz: Zusammenspiel von NLU (Intent, Entities) und Dialogue Management (Context/State, Action) erklären; Konzepte Slot Filling, Trainings-Phrases und Dialogue Modelling praktisch beschreiben.

• Dialogue Management: «Gehirn» des Chatbots; verwaltet (1) den aktuellen Kontext/Zustand (Context/State) des Dialogs und (2) bestimmt die nächste Aktion/Wendung (Action Policy) basierend auf Intent, Entities und Vorgeschichte.
• Context / State: Persistente Repräsentation des aktuellen Dialogzustands; enthält bisherigen Gesprächsverlauf, gefüllte Slots und Systemzustand; wird nach jeder Wendung aktualisiert.
• Action Policy: Regelbasierte oder ML-basierte Entscheidungslogik des Dialogue Managements; wählt die nächste Bot-Aktion (Antwort, API-Aufruf, Rückfrage) aus.
• NLU-Implementierung – Trainings-Phrases: Beispieläusserungen für jeden Intent; werden zum Training des Klassifikationsmodells verwendet; mehr Varianz = bessere Generalisierung.
• NLU-Implementierung – Entities & Training Values: Definition der zu erkennenden Entities mit Beispielwerten (Training Values); ermöglicht dem Modell die Extraktion domänenspezifischer Begriffe.
• NLU-Implementierung – Slots: Konfiguration der Slot-Variablen, die aus Entities befüllt werden; Slots persistieren Werte für die Dauer der Session oder des Dialogs.
• NLU-Vektorisierung: Eingehende Textnachrichten werden vectorisiert (z.B. [1, 2, 4, 0]) und an das Klassifikationsmodell übergeben, das Intent und Entities vorhersagt.
• Dialogue Modelling: Visuelle oder deklarative Abbildung der Dialogflüsse; definiert, welche Bot-Response auf welche Intent-Entity-Kombination folgt (Responses konfigurieren).

• Training PhraseBeispieläusserung eines Nutzers, die einem Intent zugeordnet wird; bildet die Trainingsgrundlage für den NLU-Klassifikator.
• Training ValueBeispielwert für eine Entity, der dem Modell zeigt, wie diese Entity in echten Äusserungen aussehen kann.
• ResponseVordefinierte oder dynamisch generierte Antwort des Bots, die auf eine bestimmte Intent-Entity-Kombination folgt.
• SessionZeitlich begrenzte Interaktionssequenz zwischen Nutzer und Bot; Slots und Kontext sind typischerweise auf eine Session beschränkt.
• NLU-PipelineVollständige Verarbeitungskette von Rohtext zu Intent und Entities: Preprocessing → Vectorization → Intent Classification + Entity Extraction. ---