Проблемы современных конструкторов чат-ботов

Конструкторы стали популярными инструментами для создания чат-ботов. Но работа с ними зачастую полна проблем. В этой статье мы рассмотрим некоторые из них.

Проблема 1: необходимость программировать

Многие инструменты требуют от пользователей знаний если не программирования, то хотя бы его логики. Условно говоря, вам необходимо понимать, что определение намерений требует небольшой длины тренировочной фразы, и сразу подбирать данные таким образом, чтобы качество обучения было лучше.

Это ограничивает возможности широкого круга пользователей. Из-за этого, в моей практике, разработчики ботов гораздо реже используют надстройки над Telegram API, c функциями, методами и классами — те же aiogram и telebot, чем тот Dialogflow – no-code редактору потоков. А компаниям приходится нанимать технических специалистов — иначе остаётся «костылять» и, например, экспортировать логи вручную, в дальнейшем перегоняя их в нужный табличный вид.

В будущем авторы бота могут это исправить, расширив функционал, например, интегрировав внешний сервис, будь то Google Sheets или RetailCRM.

Если вы исчерпали возможности текущего конструктора чат-ботов и пришли к решению осваивать программирование, прочитайте роадмап питониста.

Проблема 2: ограниченные возможности интеграции

В настоящее время многие компании используют CRM-системы, платёжные шлюзы, системы управления инвентаризацией для управления бизнесом. Однако часто связку с ними приходится писать вручную, особенно для специализированных инструментов (таскера Atlassian Jira, коннектора для BI-инструмента Tableau и так далее), мигрировать с которых сейчас невозможно. Мне встречался случай, когда коллегам приходилось писать целый API для связи с базой данных.

Такие ограничения делают технологию менее эффективной и продуктивной. Высоконагруженный отдел разработки может ждать месяцами, прежде чем такой тикет «возьмут в оборот». Проблема стабильно повторяется с любым «подкапотным» языком конструктора чат-ботов, будь то Python или JavaScript.

Проблема 3: низкая точность распознавания речи

Возможно, вы уже сталкивались с ситуацией, когда чат-бот не понимает, что вы ему говорите — или понимает неправильно. Это может происходить из-за шума вокруг, акцента, использования неформальных выражений или неправильного произношения слов.

Проблему решают различные алгоритмы машинного обучения, тот же многослойный перцептрон в исполнении scikit-learn. Deep learning, позволяет боту обучаться на основе взаимодействия с пользователями и понимать выражения, вплоть до 255 символов, а не только простые сочетания в три-пять слов. Благодаря этому, в том же Aimylogic логи диалогов автоматически размечаются. И вам остаётся только подтвердить добавление новой фразы в то или иное намерение.

Проблема 4: обучение

Обучение требует большого объёма данных, которые часто бывают дефицитом на старте, и сложных алгоритмов. Из-за этого приходится покупать базы данных, пока разработчики медленно собирают свои датасеты «на малых частотах». И проект кратно удорожается.

Проблема 5: безопасность

Создание чат-бота может быть связано с проблемами безопасности: хранением личных данных пользователей, защитой от взлома и так далее. В немногих решениях есть инструменты Cyber Security, которые обеспечивают качественную защиту от взлома аккаунта, остальные же могут быть опасны?

Гарантия сокрытия личных данных сегодня является горячей темой даже для ботов-монстров вроде ChatGPT. Полагаю, эту задачу решат в ближайшие пять лет.