rasa官网
Conversational AI Platform | Superior Customer Experiences Start Here
rasa简介：
Rasa是一个开源的机器学习框架，专门用于构建自动化的文本和语音对话系统，即聊天机器人。它允许开发者和企业创建定制化的对话体验，适用于各种领域，从客户服务、电子商务到教育和健康咨询等。Rasa的核心优势在于其灵活性和可扩展性，使得用户能够构建复杂且高度个性化的对话逻辑。
应用场景
Rasa的应用场景广泛多样，涵盖但不限于以下几个方面：
- 客户服务: 自动化处理常见查询，提供24/7客户支持。
- 智能助理: 在个人设备上提供日常生活辅助，如安排日程、提醒事项等。
- 电子商务: 商品推荐、购物助手、订单追踪等。
- 金融服务: 提供账户信息查询、交易操作、理财建议等。
- 健康医疗: 远程医疗咨询、预约挂号、健康建议。
- 教育培训: 学习资源推荐、问答助手、课程辅导。
主要模块
Rasa框架主要由以下几个核心模块组成：
-
Rasa NLU (Natural Language Understanding): 这个模块负责理解和解析用户的输入消息。它能识别用户意图（intent recognition）、提取关键信息或实体（entity extraction），并将原始文本转化为机器可以理解的结构化数据，为后续的对话管理做准备。
-
Rasa Core: 负责对话管理，依据从Rasa NLU获取的信息来决定机器人的响应。它维护对话的状态（dialogue state tracking），选择合适的回复策略，并执行相应的动作（actions），如回应用户、调用外部API获取信息或执行特定任务。
-
Rasa X: 是一个交互式的开发和监控工具，为Rasa项目提供了图形界面。它让非技术用户也能参与机器人的训练过程，简化了机器人的迭代开发、测试、部署和监控工作。
通过这些模块的组合，Rasa提供了一个端到端的解决方案，使开发者能够设计、训练和部署功能丰富、上下文感知的对话机器人。
rasa三问：
所以rasa不是一个大模型？那为啥可以训练？
Rasa本身不是一个"大模型"（large language model）概念下的预训练模型，如GPT-3、BERT或T5等，这些模型通常是指经过大规模无监督数据训练得到的、具有广泛语言理解能力的模型。Rasa是一个框架，它提供工具和基础设施来构建、训练和部署对话系统，而不是一个单一的、预先训练好的模型。
尽管Rasa不是大模型，但它支持整合和利用预训练模型的能力。例如，用户可以在Rasa的NLU（自然语言理解）部分集成预训练的词嵌入模型或Transformer模型作为特征提取器，来提升意图识别和实体识别的性能。Rasa的DIET（Distributed Incremental Learning for Intent and Entity Recognition）模型就是一个例子，它展示了如何高效地结合预训练表示与可自由组合的特征，尽管DIET本身的设计目的之一就是减少对大型预训练模型的依赖。
因此，当提到"训练Rasa"，实际上是在使用Rasa框架提供的工具和流程来训练特定于你的应用领域的模型。这意味着你需要准备训练数据（如意图、实体标注的样本），然后使用Rasa命令（如rasa train）来训练这些模型，以便它们能够理解特定的对话上下文、识别意图和实体，并根据预定义的逻辑或通过学习（如强化学习）来管理对话流程。简而言之，Rasa作为一个框架，支持模型训练，但不是作为现成的、巨大的预训练模型存在。
所以可以使用rasa训练其他的大模型？以及微调其他的大模型？
Rasa本身是一个框架，主要用于构建和训练对话系统的模型，尤其是针对意图识别、实体提取和对话管理。虽然Rasa的核心并不是为了直接训练或微调那些非常大的预训练模型（如GPT系列、BERT等），但它提供了灵活性，让你能够整合和利用这些大模型的部分能力。
整合大模型的输出
Rasa允许你将来自大模型的特征或嵌入（如预训练的词向量、句子表示）整合进你的NLU管道中。例如，你可以使用Hugging Face Transformers库中的模型来提取文本特征，然后在Rasa的配置中指定这些模型作为特征提取器。这样，即使不直接训练这些大模型，也可以利用它们的高级表示来提升你的对话系统的性能。
微调大模型
直接在Rasa框架内微调像BERT这样的大型预训练模型并不典型，因为这通常涉及到更复杂的训练流程和大量的计算资源，超出了Rasa设计的初衷。然而，你可以先在外部环境中使用PyTorch或TensorFlow等深度学习框架，对大模型进行微调以适应特定任务（如新的意图分类或实体类型），然后将微调后的模型集成到Rasa中作为特征提取器或部分组件使用。
总结
Rasa本身不是用来直接训练或微调大型预训练模型的工具，但它提供了接口和机制，使得开发者能够间接利用这些大模型的威力，通过整合它们的输出或微调后模型的特性，来增强对话系统的理解能力和表现。这要求开发者具备一定的技术知识，包括如何使用外部工具对大模型进行微调，以及如何在Rasa中正确配置和利用这些模型。
Rasa框架主要是由两大部分组成：Rasa NLU（自然语言理解）和Rasa Core（对话管理）。这两部分可以使用不同的模型和技术来实现其功能。
rasa框架中使用的什么模型？或者说我可以更换rasa中的模型吗？
Rasa NLU中使用的模型：
- Intent Classification（意图分类） ：用于识别用户输入的意图。Rasa支持多种分类器，如
sklearn、tensorflow_embedding、Mitie、SpacySklearn等。用户可以根据需求选择或自定义模型。 - Entity Recognition（实体识别）：用于从用户输入中抽取出关键信息。Rasa NLU可以使用Spacy、MITIE或自定义组件来进行实体识别。
Rasa Core中使用的模型：
- Dialogue Management（对话管理）：Rasa Core利用强化学习（如PPO）或基于规则的系统来管理对话流程，预测下一个最佳的动作（response或API调用等）。用户可以训练自己的策略模型来适应特定的对话场景。
更换模型：
Rasa设计得相当灵活，允许用户根据需要更换或自定义模型。例如，你可以：
- 替换NLU分类器 ：通过修改配置文件（通常是
config.yml），你可以指定使用不同的分类器或调整现有模型的参数。 - 实体抽取器的选择：可以通过配置选择不同的实体抽取模型，比如从Spacy切换到MITIE，或使用自定义的实体识别逻辑。
- 对话策略的定制：Rasa Core允许你更换对话管理的策略，比如从基于模板的规则策略切换到使用强化学习的策略，或者自定义策略逻辑。
总之，Rasa框架的架构支持高度的可定制性，意味着开发者可以根据项目需求选择最适合的模型和技术栈，并且随着项目的进展，可以方便地调整或升级这些模型。