rasa官網
Conversational AI Platform | Superior Customer Experiences Start Here
rasa簡介：
Rasa是一個開源的機器學習框架，專門用于構建自動化的文本和語音對話系統，即聊天機器人。它允許開發者和企業創建定制化的對話體驗，適用于各種領域，從客戶服務、電子商務到教育和健康咨詢等。Rasa的核心優勢在于其靈活性和可擴展性，使得用戶能夠構建復雜且高度個性化的對話邏輯。
應用場景
Rasa的應用場景廣泛多樣，涵蓋但不限于以下幾個方面：
- 客戶服務: 自動化處理常見查詢，提供24/7客戶支持。
- 智能助理: 在個人設備上提供日常生活輔助，如安排日程、提醒事項等。
- 電子商務: 商品推薦、購物助手、訂單追蹤等。
- 金融服務: 提供賬戶信息查詢、交易操作、理財建議等。
- 健康醫療: 遠程醫療咨詢、預約掛號、健康建議。
- 教育培訓: 學習資源推薦、問答助手、課程輔導。
主要模塊
Rasa框架主要由以下幾個核心模塊組成：
-
Rasa NLU (Natural Language Understanding): 這個模塊負責理解和解析用戶的輸入消息。它能識別用戶意圖（intent recognition）、提取關鍵信息或實體（entity extraction），并將原始文本轉化為機器可以理解的結構化數據，為后續的對話管理做準備。
-
Rasa Core: 負責對話管理，依據從Rasa NLU獲取的信息來決定機器人的響應。它維護對話的狀態（dialogue state tracking），選擇合適的回復策略，并執行相應的動作（actions），如回應用戶、調用外部API獲取信息或執行特定任務。
-
Rasa X: 是一個交互式的開發和監控工具，為Rasa項目提供了圖形界面。它讓非技術用戶也能參與機器人的訓練過程，簡化了機器人的迭代開發、測試、部署和監控工作。
通過這些模塊的組合，Rasa提供了一個端到端的解決方案，使開發者能夠設計、訓練和部署功能豐富、上下文感知的對話機器人。
rasa三問：
所以rasa不是一個大模型？那為啥可以訓練？
Rasa本身不是一個“大模型”（large language model）概念下的預訓練模型，如GPT-3、BERT或T5等，這些模型通常是指經過大規模無監督數據訓練得到的、具有廣泛語言理解能力的模型。Rasa是一個框架，它提供工具和基礎設施來構建、訓練和部署對話系統，而不是一個單一的、預先訓練好的模型。
盡管Rasa不是大模型，但它支持整合和利用預訓練模型的能力。例如，用戶可以在Rasa的NLU（自然語言理解）部分集成預訓練的詞嵌入模型或Transformer模型作為特征提取器，來提升意圖識別和實體識別的性能。Rasa的DIET（Distributed Incremental Learning for Intent and Entity Recognition）模型就是一個例子，它展示了如何高效地結合預訓練表示與可自由組合的特征，盡管DIET本身的設計目的之一就是減少對大型預訓練模型的依賴。
因此，當提到“訓練Rasa”，實際上是在使用Rasa框架提供的工具和流程來訓練特定于你的應用領域的模型。這意味著你需要準備訓練數據（如意圖、實體標注的樣本），然后使用Rasa命令（如rasa train）來訓練這些模型，以便它們能夠理解特定的對話上下文、識別意圖和實體，并根據預定義的邏輯或通過學習（如強化學習）來管理對話流程。簡而言之，Rasa作為一個框架，支持模型訓練，但不是作為現成的、巨大的預訓練模型存在。
所以可以使用rasa訓練其他的大模型？以及微調其他的大模型？
Rasa本身是一個框架，主要用于構建和訓練對話系統的模型，尤其是針對意圖識別、實體提取和對話管理。雖然Rasa的核心并不是為了直接訓練或微調那些非常大的預訓練模型（如GPT系列、BERT等），但它提供了靈活性，讓你能夠整合和利用這些大模型的部分能力。
整合大模型的輸出
Rasa允許你將來自大模型的特征或嵌入（如預訓練的詞向量、句子表示）整合進你的NLU管道中。例如，你可以使用Hugging Face Transformers庫中的模型來提取文本特征，然后在Rasa的配置中指定這些模型作為特征提取器。這樣，即使不直接訓練這些大模型，也可以利用它們的高級表示來提升你的對話系統的性能。
微調大模型
直接在Rasa框架內微調像BERT這樣的大型預訓練模型并不典型，因為這通常涉及到更復雜的訓練流程和大量的計算資源，超出了Rasa設計的初衷。然而，你可以先在外部環境中使用PyTorch或TensorFlow等深度學習框架，對大模型進行微調以適應特定任務（如新的意圖分類或實體類型），然后將微調后的模型集成到Rasa中作為特征提取器或部分組件使用。
總結
Rasa本身不是用來直接訓練或微調大型預訓練模型的工具，但它提供了接口和機制，使得開發者能夠間接利用這些大模型的威力，通過整合它們的輸出或微調后模型的特性，來增強對話系統的理解能力和表現。這要求開發者具備一定的技術知識，包括如何使用外部工具對大模型進行微調，以及如何在Rasa中正確配置和利用這些模型。
Rasa框架主要是由兩大部分組成：Rasa NLU（自然語言理解）和Rasa Core（對話管理）。這兩部分可以使用不同的模型和技術來實現其功能。
rasa框架中使用的什么模型？或者說我可以更換rasa中的模型嗎？
Rasa NLU中使用的模型：
- Intent Classification（意圖分類）：用于識別用戶輸入的意圖。Rasa支持多種分類器，如
sklearn、tensorflow_embedding、Mitie、SpacySklearn等。用戶可以根據需求選擇或自定義模型。 - Entity Recognition（實體識別）：用于從用戶輸入中抽取出關鍵信息。Rasa NLU可以使用Spacy、MITIE或自定義組件來進行實體識別。
Rasa Core中使用的模型：
- Dialogue Management（對話管理）：Rasa Core利用強化學習（如PPO）或基于規則的系統來管理對話流程，預測下一個最佳的動作（response或API調用等）。用戶可以訓練自己的策略模型來適應特定的對話場景。
更換模型：
Rasa設計得相當靈活，允許用戶根據需要更換或自定義模型。例如，你可以：
- 替換NLU分類器：通過修改配置文件（通常是
config.yml），你可以指定使用不同的分類器或調整現有模型的參數。 - 實體抽取器的選擇：可以通過配置選擇不同的實體抽取模型，比如從Spacy切換到MITIE，或使用自定義的實體識別邏輯。
- 對話策略的定制：Rasa Core允許你更換對話管理的策略，比如從基于模板的規則策略切換到使用強化學習的策略，或者自定義策略邏輯。
總之，Rasa框架的架構支持高度的可定制性，意味著開發者可以根據項目需求選擇最適合的模型和技術棧，并且隨著項目的進展，可以方便地調整或升級這些模型。
