虽然自20世纪60年代以来会话式人工智能已经存在，但它近年来正在重新关注。虽然我们还处于设计和开发智能会话AI的早期阶段，但Google非常正确地宣布我们正在从移动优先世界转向人工智能优先世界，我们希望技术能够自然地进行对话，并在进化上胜任。换句话说，我们希望技术能够学习和发展。
今天的大多数聊天机器人都可以处理简单的问题，并根据基于规则的对话处理来响应预建的响应。例如，如果用户说X，则用Y回复； 如果用户说Z，则调用REST API，等等。然而，在这个时刻，我们期待更多的谈话。我们希望上下文助手能够超越回答简单问题或发送推送通知。在本系列中，我将引导您完成设计，开发和部署设计策划旅行体验的上下文AI助手。
首先，让我们谈谈上下文助理的成熟度，这可以通过他们的能力来解释：
会话AI成熟度级别
1级成熟度：在此级别，聊天机器人基本上是传统的通知助手； 它可以用预先建立的响应来回答问题。它可以向您发送有关您明确表示感兴趣的事件的某些事件或提醒的通知。
例如，1级旅行机器人可以为您提供预订旅行的链接。
2级成熟度：在此级别，聊天机器人可以回答常见问题解答，但也能够处理简单的跟进。
3级成熟度：在此级别，上下文助理可以与您进行灵活的来回交互，并提供超过预建的答案，因为它知道如何响应意外的用户话语。助手也开始理解这方面的背景。例如，旅行机器人将能够带您穿越几个热门目的地并进行必要的旅行安排。
4级成熟度：在这个级别，情境助理已经更好地了解你。它会记住您的偏好，并可以提供个性化的，情境化的建议或“轻推”，以便更加主动地进行护理。例如，助理会在您着陆后主动联系您。
5级及以上：在此级别，上下文助理能够监视和管理许多其他助理，以便运行企业运营的某些方面。他们能够针对某些旅行体验进行促销活动，根据历史趋势更有效地定位某些客户群，提高转化率和采用率等等。
会话AI源于NLP
自然语言处理（NLP）是一种人工智能应用程序，它使计算机能够处理和理解人类语言。机器学习的最新进展，尤其是其子集，深度学习，使计算机能够更好地理解自然语言。这些深度学习模型可以分析大量文本，并提供文本摘要，语言翻译，上下文建模和情感分析等内容。
自然语言理解（NLU）是NLP的一个子集，它将自然语言转换为结构化数据。NLU能够做两件事 - 意图分类和实体提取。
当我们阅读一个句子时，我们立即理解该句子背后的意义或意图。意图是用户试图传达或完成的事情。意图分类是一个两步过程。首先，我们为带有标记数据的NLU模型提供，该模型提供已知意图和与这些意图相对应的示例句子的列表。一旦经过训练，模型就能够将它看到的新句子分类为预定义的意图之一。实体提取是识别给定文本中的关键信息片段的过程。诸如时间，地点和人名之类的事物都提供与意图相关的附加上下文和信息。意图分类和实体提取是会话AI的主要驱动因素。
出于本文的目的，我们将使用Rasa，一个开源堆栈，提供用于构建上下文AI助手的工具。Rasa堆栈中有两个主要组件可帮助我们构建旅行助手--Rasa NLU和Rasa核心。
Rasa NLU提供意图分类和实体提取服务。Rasa核心是堆栈的主要框架，提供由机器学习支持的对话或对话管理。假设NLU和核心组件已经训练了一秒钟，让我们看看Rasa堆栈是如何工作的。
让我们使用这个示例对话：
NLU组件识别出用户打算参与基于度假的旅行（意图分类）并且他或她是唯一进行此旅行的人（实体提取）。
核心组件负责控制会话流。基于来自NLU的输入，对话的当前状态及其训练的模型，核心组件决定下一个最佳行动方案，其可以是将回复发送回用户或采取行动。Rasa的基于ML的对话管理具有上下文感知能力，不依赖于硬编码规则来处理对话。
