Niyet Tanıma

Niyet Tanıma (Intent Recognition) Nedir?

Niyet tanıma, kullanıcının doğal dildeki girdisinden neyi yapmak istediğini belirleme sürecidir. Bir müşteri "Teslimat adresimi değiştirmem gerekiyor" yazdığında veya "aboneliğimi iptal et" dediğinde, bu mesajları update_address ya da cancel_subscription gibi yapılandırılmış kategorilere ayıran sistem niyet tanımadır. Yapay zekâ ajanlarının kelimeleri anlamaktan aksiyon almaya geçmesini sağlayan temel katman budur.

Teknik açıdan niyet tanıma (niyet tespiti veya niyet sınıflandırma olarak da bilinir), yapılandırılmamış metni veya konuşmayı önceden tanımlanmış bir niyet etiketleri kümesine eşler. Doğal dil işleme (NLP) ile makine öğrenimi sınıflandırmasının kesişiminde yer alır ve bir müşteri talebini yönlendirmesi, yanıtlaması veya çözmesi gereken her sistemin ilk adımıdır.

Niyet Tanıma Nasıl Çalışır?

Modern niyet tanıma sistemleri birkaç aşamada çalışır. Önce ham girdi ön işlemeden geçer: tokenizasyon, normalizasyon ve gürültü temizleme. Ardından sistem, embedding modelleri veya BERT ya da sentence-transformers gibi transformer tabanlı encoder'lar kullanarak metnin sayısal bir temsilini oluşturur. Bu embedding'ler girdinin yalnızca anahtar kelimelerini değil, anlamsal içeriğini de yakalar.

Embedding'ler daha sonra girdiyi bir veya daha fazla niyet kategorisine eşleyen bir sınıflandırma katmanına aktarılır. Geleneksel yaklaşımlar, etiketli eğitim verileriyle denetimli öğrenmeye dayanıyordu. Günümüzün en gelişmiş sistemleri ise girdileri güven skoruna göre hızlı encoder modelleri (net, yüksek güvenli sorgular için) ile belirsiz veya karmaşık talepler için büyük dil modelleri (LLM'ler) arasında yönlendiren hibrit pipeline'lar kullanır. EMNLP 2024'te yayımlanan araştırmaya göre bu belirsizlik tabanlı hibrit yönlendirme, canlı müşteri hizmetleri ortamlarında kritik önem taşıyan gecikme ve doğruluk dengesini sağlar.

ACL Anthology'de (2024) yayımlanan araştırma, LLM'lerin iç temsillerinden yararlanan 2 adımlı yöntemlerin kapsam dışı tespiti önemli ölçüde iyileştirdiğini gösteriyor. Böylece yapay zekâ sistemleri, bir müşteri talebini yanlış bir kategoriye zorlamak yerine bilinen kategorilerin dışında kaldığını fark edebiliyor.

Niyet Tanımanın Temel Bileşenleri

Eğitim verisi ve niyet taksonomisi: İyi tasarlanmış bir niyet taksonomisi, her tanıma sisteminin omurgasıdır. Her niyet için, müşterilerin aynı hedefi ifade etme biçimlerinin çeşitliliğini kapsayan temsili örnekler gerekir. Yetersiz veya kötü etiketlenmiş veri, canlı ortamdaki yanlış sınıflandırmaların başlıca nedenidir.

Embedding modelleri: Transformer tabanlı encoder'lar metni yoğun vektör temsillerine dönüştürür. SetFit gibi ince ayarlı modeller, karşıtsal öğrenme (contrastive learning) sayesinde niyet başına yalnızca 8 etiketli örnekle yüksek kaliteli embedding'ler üretebilir.

Sınıflandırma katmanı: Bu katman basit bir softmax sınıflandırıcı, embedding uzayında en yakın komşu araması ya da bağlam içi öğrenme ve chain-of-thought prompting kullanan LLM tabanlı üretken bir sınıflandırıcı olabilir.

Kapsam dışı (OOS) tespiti: Bir sorgunun bilinen hiçbir niyetle eşleşmediğini belirlemek, bilinen niyetleri sınıflandırmak kadar önemlidir. Güvenilir bir OOS tespiti olmadan sistemler uydurma niyet etiketleri üretir ve müşterileri yanlış yola yönlendirir.

Çok modlu sinyaller: Çok modlu niyet tanıma üzerine yeni araştırmalar; metni, akustik ipuçlarını (ton, hız) ve görsel sinyalleri birleştirerek kullanıcı niyetinin daha bütünlüklü bir resmini ortaya koyar. Bu yaklaşım özellikle Voice AI ve video tabanlı destek kanalları için önemlidir.

Niyet Tanıma Müşteri Deneyimi İçin Neden Önemli?

Her müşteri etkileşimi bir niyetle başlar. Sistem bir fatura sorusunu teknik destek talebi olarak yanlış sınıflandırırsa, müşteri yanlış ekibe yönlendirilir, sorununu tekrar anlatmak zorunda kalır ve sonunda sizi terk eder. Doğru niyet tanıma; çözüm oranını, ilk temasta çözümü ve müşteri memnuniyetini doğrudan belirler. Sorunu çözen bir yapay zekâ ajanı ile müşteriyi bezdiren bir yapay zekâ ajanı arasındaki fark buradadır.

Kurumsal müşteri hizmetlerinde niyet taksonomileri; ürünler, diller ve kanallar genelinde yüzlerce kategoriye ulaşabilir. Bu ölçekte doğruluğu korumak; modelin sürekli yeniden eğitilmesini, niyet kaymasının izlenmesini ve sağlam bir OOS yönetimini gerektirir. Niyet tanımayı bir kez kurulup unutulan statik bir bileşen olarak gören kuruluşlar sürekli olarak geride kalır.

Maven Avantajı

Maven AGI platformu, müşteri niyetini bağlam içinde anlamak için transformer tabanlı sınıflandırmayı retrieval-augmented generation (RAG) ile birleştiren çok katmanlı bir niyet tanıma yaklaşımı kullanır. Maven'ın yapay zekâ ajanları katı niyet taksonomilerine bağlı kalmak yerine, müşterinin neye ihtiyaç duyduğunu ve sorunun nasıl çözüleceğini belirlemek için tüm konuşma geçmişini ve bilgi bankası bağlamını kullanır.

Bir EdTech şirketi olan Mastermind, Maven AGI ile canlı sohbette %93 çözüm oranına ulaştı. Bu çözüm oranı, gelen her mesajda doğru niyet tanımayla başlıyor ve müşterilerin ilk denemede doğru yanıta ulaşmasını sağlıyor.

100+ entegrasyonuyla Maven; CRM, faturalama, sipariş yönetimi ve bilgi bankası sistemleri genelinde niyeti aksiyona bağlar. Niyet tanımanın modern yapay zekâ mimarilerindeki yeri hakkında daha fazla bilgi için Stanford AI Lab kaynağına göz atabilir veya ACL'nin LLM çağında niyet tespiti üzerine araştırmasını inceleyebilirsiniz.

Sıkça Sorulan Sorular

Niyet tanıma ile adlandırılmış varlık tanıma arasındaki fark nedir?

Niyet tanıma bir mesajın genel amacını (kullanıcının ne yapmak istediğini) sınıflandırırken, adlandırılmış varlık tanıma (NER) mesajdan belirli veri noktalarını (sipariş numaraları, tarihler, ürün adları) çıkarır. İkisi bir NLP pipeline'ında birlikte çalışır: niyet tanıma yapılacak aksiyonu belirler, NER ise bu aksiyonu gerçekleştirmek için gereken parametreleri doldurur.

Niyet tanıma tek bir mesajdaki birden fazla niyeti nasıl ele alır?

Çoklu niyet tespiti, araştırmaların aktif olarak sürdüğü bir alandır. Bir müşteri "Siparişimi iade etmek ve ayrıca ödeme yöntemimi güncellemek istiyorum" dediğinde, sistemin hem return_order hem de update_payment niyetlerini tespit etmesi gerekir. Modern yaklaşımlar, birleşik talepleri ayrı ve uygulanabilir niyetlere ayırmak için çok etiketli sınıflandırma veya LLM tabanlı ayrıştırma kullanır.

Niyet tanıma farklı dillerde çalışabilir mi?

Evet. mBERT ve XLM-R gibi çok dilli transformer modelleri, onlarca dilde niyet sınıflandırmayı destekler. Diller arası transfer öğrenme, ağırlıklı olarak İngilizce verilerle eğitilmiş bir modelin diğer dillerde de makul doğrulukla niyet sınıflandırmasına olanak tanır; ancak dile özgü ince ayar performansı artırır.

Niyet tanıma doğruluğu nasıl ölçülür?

Standart metrikler arasında her niyet sınıfı için precision, recall ve F1 skoru ile genel doğruluk yer alır. Müşteri hizmetlerinde en anlamlı metrik ise uçtan uca çözümdür: Sistem niyeti doğru tespit edip sorunu çözdü mü? %95 doğruluğa sahip bir niyet sınıflandırıcı, kalan %5'lik hatayı yüksek değerli niyetlerde yapıyorsa müşteri deneyimine yine ciddi zarar verebilir.