日本語でのRasaを使用したチャットボットの作成

このガイドでは、Rasa を使用して日本語対応のチャットボットを作成し、「ビッグカメラ」などの IT ガジェットショップでの販売をサポートする方法について説明します。

より実践的な連携例については、以下のガイド記事もご覧ください：
👉 チャットボットを強化するための業務API連携サービスの紹介

より詳しい比較記事はこちらもぜひご覧ください：
RasaとChatGPT Builderの違いを徹底解説（日本語対応編）

さらに、次世代の自律型AIエージェントによる業務変革にも興味がある方はこちら：
自律型 Agentic AI で業務を変革する方法

ステップ 1: Rasa のインストール

Python がインストールされていることを確認し、pip を使用して Rasa をインストールします。

pip install rasa

ステップ 2: 新しい Rasa プロジェクトを初期化

新しい Rasa プロジェクトを作成します:

rasa init --no-prompt

このコマンドで、デフォルトのプロジェクト構造が生成されます。

ステップ 3: 日本語サポートの追加

config.yml ファイルを編集して、日本語をサポートするようにします。日本語を効果的に処理できるトークナイザーとパイプラインを使用します。

language: ja
pipeline:
  - name: "JiebaTokenizer"
  - name: "RegexFeaturizer"
  - name: "LexicalSyntacticFeaturizer"
  - name: "CountVectorsFeaturizer"
    analyzer: "word"
  - name: "CountVectorsFeaturizer"
    analyzer: "char_wb"
    min_ngram: 1
    max_ngram: 4
  - name: "DIETClassifier"
    epochs: 100
  - name: "EntitySynonymMapper"
  - name: "ResponseSelector"
    epochs: 100
  - name: "FallbackClassifier"
    threshold: 0.3

ステップ 4: インテントとレスポンスの定義

domain.yml ファイルに、チャットボットで使用するインテントとレスポンスを定義します。

intents:
  - greet
  - ask_discount
  - ask_camera_features
  - check_stock
  - thank_you

responses:
  utter_greet:
    - text: こんにちは！ビッグカメラ IT ガジェットショップへようこそ！

  utter_ask_discount:
    - text: このカメラは今だけ特別価格で提供されています！どのモデルに興味がありますか？

  utter_ask_camera_features:
    - text: ご希望のカメラの特徴を教えてください。高画質ですか？ズームレンズですか？

  utter_check_stock:
    - text: ご希望のモデル名を教えてください。在庫状況を確認します。

  utter_thank_you:
    - text: ありがとうございます！他に質問があればお気軽にお問い合わせください。

ステップ 5: トレーニングデータの作成

data/nlu.yml ファイルに日本語でトレーニングデータを追加します。

version: "3.0"
nlu:
  - intent: greet
    examples: |
      - こんにちは
      - ハロー

  - intent: ask_discount
    examples: |
      - 特別価格の商品はありますか？
      - 値引きはありますか？

  - intent: ask_camera_features
    examples: |
      - このカメラにはどんな特徴がありますか？
      - 高画質のカメラはどれですか？

  - intent: check_stock
    examples: |
      - このモデルは在庫がありますか？
      - 在庫状況を教えてください。

  - intent: thank_you
    examples: |
      - ありがとう
      - 感謝します

ステップ 6: カスタムアクションの作成

在庫を確認するカスタムアクションを actions/actions.py ファイルに定義します。

from typing import Any, Text, Dict, List
from rasa_sdk import Action, Tracker
from rasa_sdk.executor import CollectingDispatcher

class ActionCheckStock(Action):

    def name(self) -> Text:
        return "action_check_stock"

    def run(self, dispatcher: CollectingDispatcher,
            tracker: Tracker,
            domain: Dict[Text, Any]) -> List[Dict[Text, Any]]:

        # 在庫情報の例
        stock_data = {
            "camera_x": "在庫あり",
            "camera_y": "在庫なし",
        }

        model = tracker.get_slot("camera_model")
        if model in stock_data:
            stock_status = stock_data[model]
            response = f"モデル {model} の在庫状況: {stock_status}"
        else:
            response = "指定されたモデルは見つかりませんでした。"

        dispatcher.utter_message(text=response)
        return []

domain.yml ファイルを更新して、カスタムアクションとスロットを追加します。

actions:
  - action_check_stock

slots:
  camera_model:
    type: text

ステップ 7: ストーリーの作成

在庫確認のストーリーを data/stories.yml に追加します。

version: "3.0"
stories:
  - story: Check Stock
    steps:
      - intent: check_stock
      - action: utter_check_stock
      - slot_was_set:
          - camera_model: "camera_x"
      - action: action_check_stock

ステップ 8: チャットボットのテスト

以下のコマンドを使用してチャットボットを実行します。

rasa train
rasa shell

日本語でテストメッセージを入力して動作を確認します。

ステップ 9: チャットボットのデプロイ

Rasa X を使用するか、ウェブインターフェースと統合してチャットボットをデプロイします。

ステップ 10: 継続的な改善

チャットボットのパフォーマンスを分析し、トレーニングデータを最適化して、さまざまなユーザーの問い合わせに対応できるようモデルを改善します。

Rasa のワークフロー

以下は、Rasa のワークフローを MermaidJS で視覚化したものです。

graph TD
    User[ユーザー入力] -->|メッセージ送信| NLU[NLU パイプライン]
    NLU -->|インテントとエンティティを分類| Core[Rasa Core]
    Core -->|ポリシーに従う| Action[アクションサーバー]
    Action -->|カスタムアクションまたはレスポンスを実行| Bot[ボットレスポンス]
    Bot -->|ユーザーに返信| User
    subgraph Rasa システム
        NLU
        Core
        Action
    end

このガイドを参考に、日本語対応の Rasa チャットボットを作成して、「ビッグカメラ」や他の IT ガジェットショップの販売を支援してください。