複数のタイプのチャットボットが存在する可能性があり、それらの動作方法はそれに応じて変化します。チャットボットは、仮想アシスタント、質問応答ボット、またはドメイン固有のボットとして機能できます。質問と回答のチャットボットはそれほど複雑ではなく、より小さなスキルセットを必要とします。彼らはほとんど知識ベースであり、それらの機能は特定の一連の質問のみに答えることに制限されています。一方、AIとMLの可能性を最大限に活用するチャットボットは、人間の会話を模倣してユーザーエクスペリエンスを最大化できます。

大部分のチャットボットは、次の機能のいずれかを使用して動作するように設計されています。

パターンマッチャー
ルールベースまたはスクリプト化および構造化されたチャットボットは、ほとんどこのカテゴリに分類されます。このようなチャットボットは、ドキュメントを含むナレッジベースを使用し、各ドキュメントは特定の<パターン>と<テンプレート>で構成されます。ボットは、<パターン>に一致する入力を受信すると、<テンプレート>に格納されているメッセージを応答として送信します。 <パターン>は、「あなたの名前は？」のようなフレーズにすることができます。または「My name is *」というパターン。 ‘*’は正規表現です。通常、これらの<pattern> <template>ペアは手動で挿入されます。

これは、ユーザーが尋ねなければならない質問は、そのようなQAチャットボットのプログラミングと一致することを意味します。情報（単語または文）または一般的なタグを複数のカテゴリから分離することによってテキストを分類し、最終消費者に適切な応答を生成します。

たとえば、1966年に作成された初期のチャットボットの1つであるELIZAは、ルールベースのボットです。パターンを照合してテキストを分類します。入力テキストを単語ごとに解析し、辞書でその意味を探し、重要度に基づいてランク付けし、キーワードスタックに格納します。最も重要度の高いスコアのキーワードは<パターン>と見なされ、このパターンはコーパス内のドキュメントと照合され、適切な応答が検索されます。入力に対応する既存のドキュメントがない場合、ELIZAは「I see」または「Please go on」などのフレーズを使用して応答します。

適切なアルゴリズム
ルールベースのモデルと比較して、適切なアルゴリズムベースのチャットボットは、単に<status>または<response>に対してパターンを照合するだけではありません。彼らはパターンマッチングアルゴリズムを選択し、入力文をデータコーパスの<responses>と比較します。

アルゴリズムは、大規模なデータセットの分析においてチャットボットを支援するため、ここで主要な役割を果たします。これにより、パターンマッチャーの作業が軽減されます。単語のセットはクラスに属し、すべての入力で、各単語の出現数がカウントされます。次に、その一般的なタイプについてカウントされ、アルゴリズムを活用することにより、全体的なランクが各クラスに与えられます。次に、配置されているアルゴリズムは、最も高いランクのクラスにスコアを提供します。これは、おそらく入力文に関連付けられています。

つまり、チャットボットは、メッセージと会話のコンテキストを使用して、定義済みの定型メッセージのリストから適切な応答を選択します。最も高いスコアは相対性を提供するだけで完全な一致を保証するものではありませんが、これらのチャットボットは、ルールベースのボットと比較してより予測可能な結果を​​提供します。

多くのアルゴリズムを利用できるため、開発者は適切なアルゴリズムベースのモデルを簡単に構築できます。これらのチャットボットはより実用的であり、ユーザーと対話して適切な応答を提供するために展開できます。自然言語理解（NLU）と特定のアルゴリズムセットを活用することにより、これらのチャットボットはトランザクションタスクを実行し、特定の目的を果たすことができます。

これらのモデルは有向フローのアルゴリズムで機能し、ユーザークエリを解決して徐々にソリューションに移動します。意図的ではなく、体系的なアプローチに従い、既存のデータに基づいています。これらは通常、目標指向のタスクに使用され、ブランドからのユーザーの期待と特定のコンテキストで可能なクエリのセットを念頭に置きます。

たとえば、alVinはアルゴリズムベースの適切なチャットボットであり、英国に本拠を置く金融商品およびサービスのプロバイダーであるLV =ブローカーの商品に関する幅広い知識を備えています。そのライブチャットサービスは、トランザクションタスクを支援し、複雑さに応じて人間のサポート担当者と重複します。 alVinは、直接クエリのサポートプロセスを自動化するのに役立ちます。人間の代表者は、複雑なシナリオの場合にのみ介入する必要があります。

自然言語処理（NLP）
フレームワークの中心にあるハイブリッドチャットボットには、自然言語を理解するのに役立つAIと機械学習の一部であるNLPがあります。 AIを利用したチャットボットは、それが話されているコンテキスト内で人間が理解できる言語をデコードして処理します。人間の会話のニュアンスを理解し、ユーザーが行ったコマンドやクエリはそれほど具体的である必要がないことを理解します。

NLPが注入されたチャットボットは、人間のような会話をシミュレートし、ユーザーの意図を解読してインテリジェントな応答を生成します。事前定義されたフローによってチャットボットが自由な会話をすることが困難になる生成モデルとは異なり、AIチャットボットは幅広いトピックでユーザーを引き付けることができます。

NLPは、チャットボットが複数のユーザーインテントを解析できるようにし、次の要素に依存することで失敗を最小限に抑えます。

デコードの意図：NLPはユーザー入力を分解し、単語の意味、位置付け、活用、複数形、および人間の会話が持つ可能性のある他の多くの要因を理解します。

発話の認識：NLPを備えたチャットボットは、ユーザーが意図を参照しているときにユーザーが与える可能性のある文章のインスタンスを認識するのに十分スマートです。

エンティティの処理：チャットボットは、時間、場所、説明、単語の同義語、人物、数字、またはオブジェクトを指定する何かに関連するデータまたは単語のフィールドからエンティティを識別できます。

コンテキストの理解：NLPは、時間、場所、会話履歴、口調、文の構造、感情などの入力を分析することで、チャットボットがコンテキストを解読するのに役立ちます。たとえば、チャットボットがユーザーの返信に誤解されやすい食べ物が届くまでさらに1時間待つ必要があります。」したがって、チャットボットはユーザーの感情を効果的に分析するために、肯定的、否定的、中立的なコメントを処理する必要があります。

ブランドと顧客の間のデジタルインタラクションは、ますます複雑になっています。チャットボットアーキテクチャは、これらの複雑なデジタルインタラクションに匹敵するほど会話型インターフェースをインテリジェントにする複雑さを紹介します。