Botを構築してトレーニングした後、最も重要な問題となるのはBotの学習モデルがどれだけ優れているかということです。したがって、Botのパフォーマンスを評価することは、Botがユーザーの発話をどの程度よく理解しているかを示すために重要です。

バッチテスト機能は、Botが特定の発話セットから期待されるインテントとエンティティを正しく認識する能力を見極めるのに役立ちます。これには、一連のテストを実行して詳細な統計分析を行い、Botの機械学習モデルのパフォーマンスを測定することが含まれます。

バッチテストを実行するには、ビルダーで使用可能な事前定義されたテストスイートを使用するか、独自のカスタムテストスイートを作成します。要件に基づいてテストスイートを実行して、目的の結果を表示することができます。こちらは、左側のナビゲーションメニューよりテスト -> バッチテストオプションからアクセスできます。

テストスイートの管理

Kore.aiは、バッチテストを実行するためにすぐに使用できるテストスイートをいくつか用意しています。開発者が定義した発話および成功したユーザーの発話は、バッチテストを実行できる組み込みのテストスイートです。また、発話のカスタムセットをテストするための新しいテストスイートを作成することもできます。

開発者が定義した発話

このテストスイートは、機械学習の発話画面から、開発者が以前に追加およびトレーニングした発話を検証します。このテストスイートを使用するということは、開発者がBotのすべてのタスクに対して追加した発話セット全体をまとめてテストすることを意味します。

成功したユーザーの発話

このテストスイートには、インテントに正常に一致し、対応するタスクが完全に実行されたすべてのエンドユーザーの発話が含まれています。これらの発話は、分析モジュールの「検出されたインテントI」セクションからも見つけることができます。

新しいテストスイートの追加

新しいテストスイートを使用することで、バッチファイル（データセットとも呼ばれる）に、テスト発話の配列を一度にまとめてインポートできます。データセットファイルはCSVまたはJSON形式で記述する必要があり、最大10,000の発話を含めることができます。新しいテストスイートオプションを使用して、テストスイート作成の一部としてサンプルのCSVまたはJSONファイル形式をダウンロードできます。

テストスイートのJSON形式

カスタムスイートを作成するためのJSON形式を使用すると、テストケースの配列を定義することができます。各テストケースは、テスト対象の発話、テスト対象の発話に対するインテントから構成され、オプションで発話から決定する予定のエンティティのリストを定義します。期待されるインテントが子のインテントである場合は、検討される親のインテントを含めることもできます。

• マルチアイテムが有効になっているエンティティの場合、値は次のように指定する必要があります。 entity1||entity2
• 複合エンティティでは、次の形式で値を指定する必要があります。 component1name:entityValue|component2name:entityValue2
  
• エンティティが抽出されるオーダーは次のように指定できます。"entityOrder":["TransferAmount", "PayeeName"]オーダーが提供されていないか、部分的に提供されている場合、プラットフォームはすべてのエンティティをカバーする最短ルートをデフォルトのオーダーとして決定します。

テストスイートのCSV形式

カスタムスイートを作成するためのCSV形式では、テストケースをCSVファイルのレコードとして定義することができます。各テストケースは、テスト対象の発話、テスト対象の発話に対するインテントから構成され、オプションで発話から決定するエンティティを定義します。テストケースで文から複数のエンティティを検出する必要がある場合は、検出される追加のエンティティごとに追加の行を含める必要があります。期待されるインテントが子のインテントである場合は、検討される親のインテントを含めることもできます。

• マルチアイテムが有効になっているエンティティの場合、値は次のように指定する必要があります。 entity1||entity2
• 複合エンティティでは、次の形式で値を指定する必要があります。 component1name:entityValue|component2name:entityValue2
• エンティティ値の抽出オーダーは、次の形式で記述できます。entity3>entity4>entity1オーダーが提供されていないか、部分的に提供されている場合、プラットフォームはすべてのエンティティをカバーする最短ルートをデフォルトのオーダーとして決定します。

エンティティ形式の変換

データセットファイルのインポート

1. バッチテストページの新しいテストスイートをクリックします。データセットをインポートするためのダイアログボックスが表示されます。
2. 名前、説明を入力し、データセットファイルのそれぞれのボックスにデータセットタイプの選択を入力します。
3. データセットファイルをインポートするには、ファイルを選択をクリックします。選択したデータセットタイプに従って、発話を含むJSONまたはCSVファイルを探して選択します。
   
   
4. 作成をクリックします。データセットファイルは、バッチテストページでテストスイートを実行するためのオプションとして表示されます。
   

テストスイートの実行

次の手順では、Botでバッチテストを実行し、テスト結果に基づいて発話に関する詳細な分析レポートを取得する方法について説明します。 開始するには、ビルダーのテストセクションでバッチテストをクリックします。

たとえば、開発者が定義した発話などのテストスイートを実行するには、開発者が定義した発話に続くテストスイートを実行をクリックします。 これにより、開発者が定義した発話のバッチテストが開始されます。 バージョン7.3のリリース後では、開発中または公開済みバージョンのBotのテストスイートを実行できます。

テストでは、以下に説明するような結果が表示されます。 テストを実行するたびに、テストレポートの記録が作成されテスト結果の概要が表示されます。 以下のスクリーンショットのバッチテスト結果には、次の情報が含まれています。

• 最終実行日時では、最新のテスト実行の日付と時刻が表示されます。
• F1スコアは、精度と再現率の加重平均です。
• 精度は、正しく分類された発話の数を、既存のタスクに（正しくまたは誤って）分類された発話の総数で割ったものです。つまり、すべての分類された陽性に対する真陽性の比率（真陽性と偽陽性の合計）となります。
• 再現率は、正しく分類された発話の数を、既存のタスクに正しく分類された、または既存のタスクがない場合に誤って分類された発話の総数で割ったものです。つまり、実際に一致したインテントやタスクに対して正しく分類された発言の比率(真陽性と偽陰性の合計)です。
• インテント成功％は、テストの結果として得られた正しいインテントの認識割合を表示します。
• エンティティ成功％は、テストの結果として得られた正しいエンティティの認識割合を表示します。
• バージョンタイプは、テストスイートが実行されたBotのバージョン（開発版または公開済み）を特定します。
• 各テスト実行から考えられる結果は3つあります。
  1. 成功-ファイル内に存在するすべてのレコードが処理された場合です
  2. 警告付きの成功-システムエラーのためにスイート内に存在する1つ以上のレコードが検出から破棄された場合です
  3. 失敗-システムエラーが発生し、リカバリー後にテストを再開できなかった場合です

  警告/エラーアイコンの上にカーソルを合わせると、その理由を示すメッセージが表示されます。
  

テスト実行の詳細な分析を取得するには、ダウンロードアイコンををクリックして、テストレポートをCSV形式でダウンロードします。 必要に応じて、テスト結果を削除するオプションがあります。レポートの上部のセクションには、次のフィールドを含む要約が含まれています。

• Bot名
• テストスイートのレポート名
• Bot言語（7.3以降のリリース）
• 実行タイプは、テストスイートが実行されたBotのバージョン（開発版または公開済み）を特定します。
• しきい値設定（7.3以降のリリース）は、このテストスイートの実行時に適用されるNLPのしきい値の詳細を示し、3つのNLエンジンのそれぞれの設定に続いて以下の詳細を示します。
  • モード-ml、faq、cs
  • minThreshold
  • maxThreshold
  • exactMatchThreshold
  • isActive
  • taskMatchTolerance
  • wordCoverage
  • suggestionsCount
  • pathCoverage
• 最終テスト： 開発者が定義した発話の最新のテスト実行日です。
• 発話数： テスト実行に含まれる発話の総数です。
• 成功/失敗率： 正常に予測された発話の総数を、発話の総数で割った値に100を掛けたものです。
• 真陽性（TP）： 予想されるインテントに正しく一致した発話の割合です。
  スモールトークの場合は、期待されるインテントと実際のインテントのリストが同じである場合です。
  特性の場合、これには予想される一致に加えて一致する特性が含まれます。
• 真陰性（TN）： どのインテントとも一致することが期待されておらず、一致しなかった発話の割合です。 スモールトークには適用されません。
• 偽陽性（FP）： 予想しないインテントに一致した発話の割合です。スモールトークの場合、予想されるインテントと実際のインテントのリストが異なる場合があります。
• 偽陰性（FN）： 予想されるインテントと一致しない発話の割合です。 スモールトークの場合、予想されるスモールトークのインテントのリストが空白で、実際のスモールトークがインテントにマッピングされている場合です。

このレポートには、各テスト発話とそれに対応する結果に関する詳細情報も含まれています。

• 発話-対応するテストスイートで使用される発話です。
• 予想されるインテント-特定の発話に一致すると予想されるインテントであり、該当する場合は特性プレフィックスが付いた特性が含まれます。
• 一致したインテント-バッチテスト中に発話に一致したインテントです。 これには、特性プレフィックスが付いた一致した特性が含まれます（7.3以降のリリース）。 これには、一致したスモールトークのインテントが含まれます（8.0以降のリリース）。
• 親インテント-発話をインテントと照合するために検討される親のインテントです。
• タスク状態-インテントが特定されているインテントやタスクの状態です。使用可能な値には、設定済みまたは公開済みがあります。
• 結果タイプ-真陽性または真陰性または偽陽性または偽陰性に分類される結果です。
• エンティティ名-発話から検出されたエンティティの名前です。
• 予想されるEntityValue-バッチテスト中に決定されると予想されるエンティティ値です。
• 一致したEntityValue-発話から特定されたエンティティ値です。
• エンティティの結果-期待されるエンティティ値が実際のエンティティ値と同じであるかどうかを示すために、真または偽に分類される結果です。
• 予想されるエンティティのオーダー-入力ファイルからのエンティティ値です。
• 実際のエンティティのオーダー –
  • 予想されるすべてのエンティティのオーダーが指定されている場合、同じオーダーがこの列に含まれます。
  • オーダーが用意されていない場合、システムが決定したオーダーが列に含まれます。
  • 一部のエンティティに対してオーダーが与えられている場合、ユーザー定義のオーダーとシステム定義のオーダーの組み合わせが含まれます。
• 一致したインテントのスコア -偽陽性と偽陰性の場合、FM、機械学習、ナレッジグラフエンジンからの信頼スコアが、発話からの一致したインテントに対して表示されます。 エンジンがインテントを検出した場合にのみスコアが付与されることに注意してください。つまり、3つのエンジンすべてのスコアが常に表示されるとは限りません。
• 予想されるインテントのスコア-偽陽性の場合、特定の発話に一致すると予想されるインテントの信頼スコアが示されます。 この場合も、インテントを検出するエンジンによってスコアが与えられます。

重要な注意事項：:

• Bot NLPトレーニングへの最適なアプローチは、最初にBotが特定する必要のあるほとんどのユースケース（ユーザーの発話）のテストスイートを作成し、それをモデルに対して実行して、失敗したものについてトレーニングを開始することです。
• 使用頻度の高い発話のためのバッチテストモジュールを作成・更新します。
• 詳細なテストを行った後でのみ、トレーニング済みモデルを公開します。
• インテントに名前を付けるときは、名前が比較的短く（3～5語）、特殊文字やストップワードリストの単語が含まれていないことを確認してください。 インテント名が、ユーザーが発話で要求する名前に近いことを確認してください。
• バッチテストの実行ではユーザーのコンテキストは検討されません。 したがって、コンテキストを検討した場合、実際のBotでは真陽性であるのに、テスト結果ではいくつかの偽陰性が表示される場合があります。

Once you have built and trained your bot, the most important question that arises is how good is your bot’s learning model? So, evaluating your bot’s performance is important to delineate how well your bot understands the user utterances.

The Batch Testing feature helps you discern the ability of your bot to correctly recognize the expected intents and entities from a given set of utterances. This involves the execution of a series of tests to get a detailed statistical analysis and gauge the performance of your bot’s ML model.

To conduct a batch test, you can use predefined test suites available in the builder or create your own custom test suites. Based on your requirement, the test suites can be run to view the desired results. This option can be accessed under the Build tab from the Testing -> Batch Testing option from the left menu.

Managing Test Suites

Kore.ai provides a few out-of-the-box Test Suites to perform batch testing. ‘Developer defined utterances’ and ‘Successful user utterances’ are the built-in test suites that can be run to perform Batch Testing. You can also create a New Test Suite for testing a custom set of utterances.

Developer defined utterances

This test suite validates the utterances that have been previously added and trained by the developer from the Machine Learning Utterances screen. Using this test suite would mean testing collectively the entire set of utterances that a developer has added for all tasks of the bot.

Successful user utterances

This test suite includes all the end-user utterances that have successfully matched an intent and the corresponding task is fully executed. You can also find these utterances from the ‘Intent found’ section of the Analyze module.

Adding a New Test Suite

The New Test Suite enables you to import an array of test utterances collectively at once in a batch file, also known as a Dataset. The Dataset file needs to be written in CSV or JSON format and can have a maximum of 10000 utterances. You can download the sample CSV or JSON file formats as part of the test suite creation using the New Test Suite option.

JSON Format for Test Suite

The JSON format for creating custom suites allows you to define an array of test cases where each test case should consist of an utterance to be tested, the intent against which the utterance to be tested, and optionally define the list of expected entities to be determined from the utterance. If expected intent is a child intent, then you can also include the parent intent to be considered.

• For Entities that have the Multi-Item enabled, values need to be given as: entity1||entity2
• Composite Entities require the values in the following format: component1name:entityValue|component2name:entityValue2
  
• The order in which the entities are to be extracted can be given as: "entityOrder":["TransferAmount", "PayeeName"]. If the order is not provided or partially provided, the platform determines the shortest route covering all the entities as the default order.

CSV Format for Test Suite

CSV format for creating custom suites allows you to define test cases as records in CSV file where each test case should consist of an utterance to be tested, the intent against which the utterance to be tested, and optionally define entities to be determined from the utterance. If your test case requires more than one entity to detected from a sentence, then you have to include an extra row for each of the additional entities to be detected. If expected intent is a child intent, then you can also include the parent intent to be considered.

• For Entities that have the Multi-Item enabled values need to be given as: entity1||entity2
• Composite Entities require the values in the following format: component1name:entityValue|component2name:entityValue2
• The order of extraction of entity value can be mentioned in the following format: entity3>entity4>entity1. If the order is not provided or partially provided, the platform determines the shortest route covering all the entities as the default order.

Entity Format Conversions

Importing a Dataset file

1. Click New Test Suite on the batch testing page. A dialog box to import the dataset appears.
2. Enter a Name, Description, and choose a Dataset Type in the respective boxes for your dataset file.
3. To import the Dataset file, click Choose File to locate and select a JSON or CSV file containing the utterances as per the Dataset Type selected.
   
4. Click Create. The dataset file will appear as an option to run the test suite on the batch testing page:
   

Running Test Suites

The following steps will guide you on how to run a batch test on your bot and obtain a detailed analytical report on the utterances based on the test results. To get started, click Batch Testing in the Testing section on the builder.

The test will display the results as explained below. Each test run will create a test report record and displays a summary of the test result. The batch test result in the screenshot below includes the following information:

• Last Run Date & Time that displays the date and time of the latest test run.
• F1 Score is the weighted average of Precision and Recall i.e. (2*precision*recall)/(precision+recall).
• Precision is the number of correctly classified utterances divided by the total number of utterances that got classified (correctly or incorrectly) to an existing task ie the ratio of true positives to all classified positives (sum of true and false positives) i.e. TP/(TP+FP).
• Recall is the number of correctly classified utterances divided by the total number of utterances that got classified correctly to any existing task or classified incorrectly as an absence of an existing task ie the ratio of correctly classified utterances to actual matching intents/tasks (sum of true positives and false negatives) i.e. TP/(TP+FN).
• Intent Success % that displays the percentage of correct intent recognition that has resulted from the test.
• Entity Success % that displays the percentage of correct entity recognition that has resulted from the test.
• Version Type identifies the version of the bot against which the test suite was run – development or published.
• There are three possible outcomes from each test run:
  1. Success – when all records are present in the file are processed
  2. Success with a warning – when one or more records present in the suite are discarded from detection due to system error
  3. Failed – when there was a system error and the test could not be resumed post-recovery.

  Hovering over the warning/error icon will display a message suggesting the reason.
  

To get a detailed analysis of the test run, click the Download icon to download the test report in CSV format. You have an option to delete the test results if needed. The top section of the report comprises the summary with the following fields:

• Bot Name
• Report name of the test suite
• Bot Language (post 7.3 release)
• Run Type identifies the version of the bot against which the test suite was run – development or published.
• Threshold Setting (post 7.3 release) detailing the NLP thresholds applied when running this test suite, this would be followed by the settings for each of the three NL engines with the following details:
  • Mode – ml, faq, or, cs
  • minThreshold
  • maxThreshold
  • exactMatchThreshold
  • isActive
  • taskMatchTolerance
  • wordCoverage
  • suggestionsCount
  • pathCoverage
• Last Tested: Date of the latest test run for developer-defined utterances.
• Utterance Count: Total number of utterances included in the test run.
• Success/Failure Ratio: Total number of successfully predicted utterances divided by the total count of utterances multiplied by 100.
• True Positive (TP): Percentage of utterances that have correctly matched expected intent.
  In the case of Small Talk, it would be when the list of expected and actual intents are the same.
  In the case of Traits, this would include the traits matched over and above the expected matches.
• True Negative (TN): Percentage of utterances that were not expected to match any intent and they did not match. Not applicable to Small Talk.
• False Positive (FP): Percentage of utterances that have matched an unexpected intent. In the case of Small Talk, it would be when the list of expected and actual intents are different.
• False Negative (FN): Percentage of utterances that have not matched expected intent. In the case of Small Talk, it would be when the list of expected Small Talk intent is blank and but the actual Small Talk is mapped to an intent.

The report also provides detailed information on each of the test utterances and the corresponding results.

• Utterances – Utterances used in the corresponding test suite.
• Expected Intent – The intent expected to match for a given utterance, will include trait where applicable with trait prefix
• Matched Intent – The intent that is matched for an utterance during the batch test. This will include matched traits with trait prefix (post 7.3 release). This will include matched Small Talk intents (post 8.0 release).
• Parent Intent – The parent intent considered for matching an utterance against an intent.
• Task State – The status of the intent or task against which the intent is identified. Possible values include Configured or Published
• Result Type – Result categorized as True Positive or True Negative or False Positive or False Negative
• Entity Name – The name of the entity detected from the utterance.
• Expected EntityValue – The entity value expected to be determined during the batch test.
• Matched EntityValue – The entity value identified from an utterance.
• Entity Result – Result categorized as True or False to indicate whether the expected entity value is the same as the actual entity value.
• Expected Entity Order – entity values from the input file
• Actual Entity Order –
  • if the order for all expected entities is provided, then the same is included in this column
  • if no order is provided, the system determined order will be included in the column
  • If an order is provided for some entities, then a combination of user-defined order and system-defined order will be included
• Matched Intent’s Score – For False Positives and False Negatives, the confidence scores from FM, ML, and/or KG engines are displayed for the matched intent from the utterance. Note that the scores are given only if the engine detects the intent, which means that you may not see the scores from all three engines at all times.
• Expected Intent’s Score – For False Positives, the confidence scores for the intent expected to match for the given utterance is given. Again the score will be given by the engines detecting the intent.

Important Notes:

• An optimal approach to bot NLP training is to first create a test suite of most of the use cases(user utterances) that the bot needs to identify, run it against the model and start training for the ones that failed.
• Create/update batch testing modules for high usage utterances.
• Publish the trained model only after detailed testing.
• When naming the intent, ensure that the name is relatively short (3-5 words) and does not have special characters or words from the Stop Wordlist. Try to ensure the intent name is close to what the users request in their utterance.
• Batch Test executions do not consider the context of the user. Hence you might see some False Negatives in the test results which in fact are True Positives in the actual bot when the context is taken into consideration.