Pour les agents d'IA scriptés, vous pouvez configurer plusieurs langues simultanément et définir une langue par défaut. Pour plus d'informations, consultez la section Configurer la langue et la voix dans la rubrique Configurer un agent d'IA scripté.

Modèles de langage pris en charge

Webex AI Agent Studio prend en charge les modèles multilingues Polymatch et Language Encoder pour la formation d'agents d'IA scriptés. Ces modèles sont disponibles dans le cadre des paramètres du moteur AI Agent Pro 1.0 (avec Swiftmatch) AI Webex.

• Pour un agent d'IA formé à l'aide de Polymatch, un modèle distinct est créé pour chaque langue et ajouté à l'agent d'IA. Le moteur d'IA effectue des inférences basées sur la langue de la requête client.

• Le modèle Language Encoder fonctionne mieux pour les données d'apprentissage sur des énoncés longs, tandis que Polymatch fait de même pour les énoncés courts.

• Les langues prises en charge par Polymatch et Language Encoder diffèrent. Pour plus d'informations, reportez-vous au tableau suivant.

Précision et performances

• La précision d'un agent d'IA formé avec les modèles Webex AI Agent Pro 1.0 (avec Swiftmatch) et Webex AI Agent Pro 1.0 (avec Mindmeld) dépend de diverses fonctionnalités impliquées dans la formation de l'agent AI et l'inférence des messages utilisateur entrants. Les principales caractéristiques qui déterminent si une langue est prise en charge et sa précision sont les suivantes :

  • Texte (prise en charge de la langue et du script dans lequel il est écrit)

  • Vérification orthographique contextuelle (si des fautes d'orthographe dans les données ou la requête de l'utilisateur peuvent être corrigées)

  • Formes de mots (gestion de diverses formes et synonymes de mots présents dans les données d'apprentissage)

• La précision et les performances d'un agent d'IA formé avec le modèle Webex AI Agent Pro 2.0 (avec Swiftmatch) dépendent des capacités avancées d'IA générative intégrées pendant la phase de formation et de l'analyse sémantique des messages entrants des utilisateurs. Les principales caractéristiques qui déterminent sa prise en charge linguistique et l'exactitude de ses intentions sont les suivantes :

  • Prise en charge du texte et du script : Prise en charge complète de la langue cible et de son script spécifique, garantissant que le moteur peut traiter efficacement la communication globale.

  • LLM-generated Linguistic Patterns : Leveraging Large Language Models (LLM) pour interpréter une vaste gamme de variations de formulation. Cela permet à l'agent de classer avec précision les intentions, même lorsque l'entrée de l'utilisateur ne correspond pas exactement aux données d'entraînement.

  • Classification sémantique des intentions : Au-delà de la simple correspondance de mots clés, cette fonctionnalité utilise des algorithmes avancés pour comprendre la signification et le contexte sous-jacents d'une requête, réduisant ainsi considérablement l'impact d'un langage ambigu.

  • Généralisation adaptative : La capacité du modèle à généraliser efficacement à travers des énoncés similaires, ce qui minimise le besoin d'exemples manuels exhaustifs tout en maintenant une grande précision lors de l'inférence.

Le tableau suivant répertorie les langues et les voix prises en charge par l'agent d'IA scripté :