这是本系列文章的第二部分，如果您还没有阅读第一部分，我们建议您先从第一部分开始。

　　当我们谈论聊天机器人时，针对互动内容的意图识别就是它的魅力所在。任何设计良好的聊天机器人都支持用户使用自然语言输入内容，并理解意图以便提供必要的答案和支持。现在，我们将探讨企业在使用意图引擎时通常遇到的潜在问题以及设置方式。

　　在大多数自助操作平台上，意图引擎通常是一个黑匣子，您几乎无法控制这个模块。大多数客户在上线后的第5次或第6次迭代中才意识到他们有这个问题，这让他们很难发现。通常面临的典型问题如下:

　　以下说明可能对于那些还处于项目初始阶段尚未遇到上述困境的企业有所帮助。大多数DIY解决方案都会提供某种形式的开箱即用的意图资源包，可以使系统快速启动。

　　这是一件好事，因为您的聊天机器人可以从一开始就具备理解基本会话的能力。但是当您开始配置意图以使其成为您专属的聊天机器人，也就是可以理解您自己的客户的问题并满足您的应用场景，这时就需要添加新的意图并优化现有意图。为此，您需要手动输入训练词句。这将成为一项耗时的任务，您无法了解或控制系统如何识别意图，尤其是当您有两个非常相似的意图时。例如，在使用旅游网站订位时，当某人即将错过航班与某人已经错过航班时，您可能有不同的流程。（已错过航班意图vs即将错过航班意图）。

　　在第一种情况下，客户仍然有时间更改机票；在后一种情况下，您必须根据他们的机票种类讨论退款。对于第一种情况，客户可能会说，“我将错过航班”，而对于第二种情况，客户可能会说，“我错过了我的航班”。系统很可能会触发错误的意图，除非你的系统有很高的精确度来区分这些状况。

　　当项目团队遇到以上情况时，他们唯一的选择就是向供应商申请技术协助，而最常见的回答可能是“您的训练词句太少”或“您输入的训练词句太多”。团队将不得不经历一个乏味的试错过程来调整模型、发布和测试。这种问题的出现是因为没有进行对话早期发现/分析，而绝大多数厂商的工具只提供了单向的创建意图的方法，即手动创建意图并输入培训词句。

　　当您要将聊天机器人推广到新的领域进行自动化、或者用于解决新的客户问题甚至期望机器人能够代表您的企业品牌，那么处理对话的微妙语言差异就非常重要。更好的方法是使用透明的机器学习工具，比如Verint的Intent Manager，以便您可以完全进行掌控。基于这类工具，整个过程将是从分析客户的对话数据开始，您只需要将客户数据和任何元数据输入到工具中，就可以进行自动分类和意图发现（我们在第一部分介绍了如何选择适当的案例）。