我们在 Watson Conversation 服务中拥有的智能是什么
What is that intelligence we have in Watson Conversation service
我一直在为 sometime.Mainly 开发 watson 对话，对话服务根据我们训练的方式响应用户提供的输入，它根据我们定义的意图、实体和对话流来响应。
它会在内部查找我们在意图中定义的一些关键字，如果匹配，它会响应我们在对话流中提供的文本。
即使是同一种逻辑我也可以在我的应用程序中说如果有这几个
特定的关键词，我可以用这个特定的文本来回应，然后进入下一阶段，寻找一些词等等。
但是我们在这个 watson 对话服务中拥有的特殊智能是什么？
谁能告诉我这个对 watson 有很好了解的人
Watson 采用基于规则的 AI 和广泛的其他机制（例如信息检索系统）来识别特征值并将其分配给候选答案。然后，机器学习系统学习如何将这些特征的值组合成每个候选答案的最终分数（从而允许 Watson 将 select 一个作为最佳答案，并确定它对该最佳答案的置信度） .您所描述的只是用于分析 Watson 候选答案的众多经典 AI 算法之一，机器学习算法在为这些答案分配分数时会考虑其结果，例如 Watson Conversation Service 中的 confidence .
根据您的要求，Watson 将以置信度理解和分类。
IBM Watson 的工作原理here. Official 来自 IBM 的视频。
参考：here.
我认为这是一个很好的问题，我真的不明白这里的否决票（2 月 13 日一直是 -2）。
如 所示，似乎 WCS 系统中 trained/improved 的内容仅写入当前工作区，当删除此工作区时，WCS 系统保持原样再次。
鉴于我已经正确理解了所有这些，创建工作区只是建立静态逻辑基础，一个相当简单的 "AI" 只是将额外的话语与已经标记的示例和意图进行模式匹配。
所以对我来说，术语 "AI" 被高估了，事实证明对我来说，Watson Conversation 只是一台机器，即 "just" 将不完整或混乱的输入（话语）匹配到预定义的例句（意图附加的例子和反例）——我们用 "fuzzy logic" 和 "pattern matching" 算法完成的事情。所以，我对"intelligence"的定义是另一种。
无论如何，所有对话部分都在AI范围之外。对话部分只是在视觉辅助下为非程序员编程。
也许我在这里的评论是在咆哮。我不知道。我不是专家。我只是在现实生活中观察系统。这是我到目前为止的看法。
渴望了解 Watson 比我现在看起来更聪明。
But what is that special intelligence that we have in this watson conversation service,to use this?
我认为这就是您问题的症结所在？
首先要意识到 Intents 组件使用机器学习，它不是基于规则的引擎。这给了你巨大的优势。
与基于规则的引擎相比，您需要一小部分训练示例。举一个真实世界的例子。这是一项名为 "Watson Dialog" 的服务（现已停产）。这是一个基于 NLP 规则的引擎。
在对话中，我创建了一个意图，其中包含来自真实世界最终用户的 20 个示例问题。要在 Dialog 中获得相同级别的准确度，需要 7,000 多个示例排列（即使使用了模式匹配）。
另外因为 Conversation 是机器学习，它可以很好地回答它以前从未见过的问题。在 rule/word 查找系统中，如果它看到一个从未接受过训练的问题，它永远无法回答。它还可以了解问题何时与主题无关，何时基于规则的引擎中的关键字陷阱会尝试回答。
当然这一切都取决于正确训练意图。
另一方面，Entities 组件曾经是关键字匹配，那里有一些额外的智能（还有更多）。
对话框组件，你是对的。您当然可以创建自己的代码来执行简单的逻辑流程（还有更多关于此的内容）。关于这一点有几点。
"Watson" 是关于人工智能的民主化。它的目标受众是非 AI 开发人员和主题专家 (SME)。因此它旨在让中小企业尽可能轻松，同时让开发人员更容易扩展。
将对话逻辑从对话中分离出来并放入代码中，会使维护变得更加困难。您导致与您的代码紧密耦合。所以如果你想使用不同的语言，那么这意味着你必须 update/convert 你的代码。
https://github.com/joe4k/wdcutils/ 有一些工具可以衡量 WCS 的性能。
WDC Jupyter notebooks 报告常用的机器学习性能指标来判断训练模型的质量。具体来说，WDC Jupyter notebooks 报告了机器学习指标，包括准确度、精确度、召回率、f1-score 和混淆矩阵。如果您对这些不同指标的更多详细信息感兴趣，请参阅“您的聊天机器人准备好迎接黄金时段了吗？” https://developer.ibm.com/dwblog/2016/chatbot-cognitive-performance-metrics-accuracy-precision-recall-confusion-matrix/
上的博客
我一直致力于 Symbl, and specifically Trackers 作为一种新的智能功能来解决在人类对话中创建意图的一些痛点。
Watson Conversation 和其他服务非常适合聊天机器人，但对于人类对话，我还没有看到任何其他开箱即用的服务。很想在这里听到其他人的声音。
我一直在为 sometime.Mainly 开发 watson 对话，对话服务根据我们训练的方式响应用户提供的输入，它根据我们定义的意图、实体和对话流来响应。
它会在内部查找我们在意图中定义的一些关键字，如果匹配，它会响应我们在对话流中提供的文本。
即使是同一种逻辑我也可以在我的应用程序中说如果有这几个 特定的关键词，我可以用这个特定的文本来回应，然后进入下一阶段，寻找一些词等等。
但是我们在这个 watson 对话服务中拥有的特殊智能是什么？
谁能告诉我这个对 watson 有很好了解的人
Watson 采用基于规则的 AI 和广泛的其他机制（例如信息检索系统）来识别特征值并将其分配给候选答案。然后，机器学习系统学习如何将这些特征的值组合成每个候选答案的最终分数（从而允许 Watson 将 select 一个作为最佳答案，并确定它对该最佳答案的置信度） .您所描述的只是用于分析 Watson 候选答案的众多经典 AI 算法之一，机器学习算法在为这些答案分配分数时会考虑其结果，例如 Watson Conversation Service 中的 confidence .
根据您的要求，Watson 将以置信度理解和分类。
IBM Watson 的工作原理here. Official 来自 IBM 的视频。
参考：here.
我认为这是一个很好的问题，我真的不明白这里的否决票（2 月 13 日一直是 -2）。
如
鉴于我已经正确理解了所有这些，创建工作区只是建立静态逻辑基础，一个相当简单的 "AI" 只是将额外的话语与已经标记的示例和意图进行模式匹配。
所以对我来说，术语 "AI" 被高估了，事实证明对我来说，Watson Conversation 只是一台机器，即 "just" 将不完整或混乱的输入（话语）匹配到预定义的例句（意图附加的例子和反例）——我们用 "fuzzy logic" 和 "pattern matching" 算法完成的事情。所以，我对"intelligence"的定义是另一种。
无论如何，所有对话部分都在AI范围之外。对话部分只是在视觉辅助下为非程序员编程。
也许我在这里的评论是在咆哮。我不知道。我不是专家。我只是在现实生活中观察系统。这是我到目前为止的看法。 渴望了解 Watson 比我现在看起来更聪明。
But what is that special intelligence that we have in this watson conversation service,to use this?
我认为这就是您问题的症结所在？
首先要意识到 Intents 组件使用机器学习，它不是基于规则的引擎。这给了你巨大的优势。
与基于规则的引擎相比，您需要一小部分训练示例。举一个真实世界的例子。这是一项名为 "Watson Dialog" 的服务（现已停产）。这是一个基于 NLP 规则的引擎。
在对话中，我创建了一个意图，其中包含来自真实世界最终用户的 20 个示例问题。要在 Dialog 中获得相同级别的准确度，需要 7,000 多个示例排列（即使使用了模式匹配）。
另外因为 Conversation 是机器学习，它可以很好地回答它以前从未见过的问题。在 rule/word 查找系统中，如果它看到一个从未接受过训练的问题，它永远无法回答。它还可以了解问题何时与主题无关，何时基于规则的引擎中的关键字陷阱会尝试回答。
当然这一切都取决于正确训练意图。
另一方面，Entities 组件曾经是关键字匹配，那里有一些额外的智能（还有更多）。
对话框组件，你是对的。您当然可以创建自己的代码来执行简单的逻辑流程（还有更多关于此的内容）。关于这一点有几点。
"Watson" 是关于人工智能的民主化。它的目标受众是非 AI 开发人员和主题专家 (SME)。因此它旨在让中小企业尽可能轻松，同时让开发人员更容易扩展。
将对话逻辑从对话中分离出来并放入代码中，会使维护变得更加困难。您导致与您的代码紧密耦合。所以如果你想使用不同的语言，那么这意味着你必须 update/convert 你的代码。
https://github.com/joe4k/wdcutils/ 有一些工具可以衡量 WCS 的性能。 WDC Jupyter notebooks 报告常用的机器学习性能指标来判断训练模型的质量。具体来说，WDC Jupyter notebooks 报告了机器学习指标，包括准确度、精确度、召回率、f1-score 和混淆矩阵。如果您对这些不同指标的更多详细信息感兴趣，请参阅“您的聊天机器人准备好迎接黄金时段了吗？” https://developer.ibm.com/dwblog/2016/chatbot-cognitive-performance-metrics-accuracy-precision-recall-confusion-matrix/
上的博客我一直致力于 Symbl, and specifically Trackers 作为一种新的智能功能来解决在人类对话中创建意图的一些痛点。
Watson Conversation 和其他服务非常适合聊天机器人，但对于人类对话，我还没有看到任何其他开箱即用的服务。很想在这里听到其他人的声音。