Usa como base o boilerplate criado pelo laboratório LAPPIS (mais informações aqui).
Primeiramente, clone o repositório para sua máquina local usando o comando:
git clone https://github.com/lappis-unb/rasa-ptbr-boilerplate.gitPara ter seu chatbot Rasa funcionando, certifique-se de estar dentro da pasta do projeto e então execute no terminal o seguinte comando:
make initEsse comando irá construir a infraestrutura necessária (subir containers com as dependências, treinar o chatbot e iniciar o chat no modo shell) para possibilitar a interação com o chatbot.
Depois que tudo for instalado, você verá a seguinte mensagem e pode começar a interagir com o bot:
Bot loaded. Type a message and press enter (use '/stop' to exit):
Your input ->Para fechar a interação com o bot é só digitar ctrl+c.
- O comando de treinamento é usado para criar os modelos necessários na conversação do bot. Para treinar o seu chatbot execute o comando:
make train- Para executar o bot no terminal execute:
make shellApós realizar o tutorial de exportação de todas variávies de ambiente necessárias, é possível realizar a execução do bot no telegram corretamente.
Antes de seguir adiante. Importante: As variáveis de ambiente são necessárias para o correto funcionamento do bot, por isso não esqueça de exportá-las.
Depois execute o bot no telegram:
make telegramPara a visualização dos dados da interação entre o usuário e o chatbot nós utilizamos uma parte da Stack do Elastic, composta pelo ElasticSearch e o Kibana. Com isso, utilizamos um broker para fazer a gerência de mensagens. Então conseguimos adicionar mensagens ao ElasticSearch independente do tipo de mensageiro que estamos utilizando.
- Para uma configuração rápida execute o seguinte comando:
make build-analyticsEspere até os serviço do ElasticSearch estar pronto, e execute o comando abaixo para configurar os índices:
make config-elastic
Espere até os serviço do Kibana estar pronto, e execute o comando abaixo para configurar os dashboards:
make config-kibana
O comando acima precisa ser executado apenas 1 vez e já vai deixar toda a infra de analytics pronta para o uso.
Acesse o kibana na url locahost:5601
Caso você deseje entender o processo de configuração da stack de analytics, veja a explicação completa de analytics.
O Rasa permite a adição de módulos customizados no seu pipeline de processamento, aprenda mais AQUI.
Existe aqui um exemplo de componente customizado que implementa Análise de Sentimentos.
Para utilizá-lo basta introduzir o componente components.sentiment_analyzer.SentimentAnalyzer ao arquivo bot/config.yml. Como no exemplo:
language : "pt"
pipeline:
- name: WhitespaceTokenizer
- name: "components.sentiment_analyzer.SentimentAnalyzer" - name: RegexFeaturizer
Depois, como no exemplo do arquivo bot/components/labels.yml, adicione frases que correspondam à uma label(classificação ou sentimento).
Por último basta treinar o bot novamente, e a informação será armazenada na entidade sentiment caso o componente identifique um valor para essa entidade.
Levante o container notebooks
make notebooksAcesse o notebook em localhost:8888
A documentação do projeto pode ser executada localmente utilizando o GitBook. Para instalar o gitbook via npm, é preciso ter instalado no computador Node.js e npm.
- Instale o gitbook:
npm install -g gitbook gitbook-cli- Depois de instalado, na pasta raíz do projeto, execute:
gitbook build .- E para rodar localmente execute:
gitbook serve .- Acesse:
http://localhost:4000/
Contribuição: Para contribuir com a documentação do projeto leia como contribuir para a documentação
Parte da documentação técnica do framework da Tais está disponível na
wiki do repositório. Caso não encontre sua resposta, abra uma issue com a tag duvida que tentaremos responder o mais rápido possível.
Em caso de dúvidas em relação ao Rasa, veja o grupo Telegram Rasa Stack Brasil, estamos lá também para ajudar.
Veja mais informações de contato em nosso site: https://lappis.rocks.
Todo o framework do boilerplate é desenvolvido sob a licença GPL3
Veja a lista de dependências de licenças aqui