Professional Documents
Culture Documents
ASoftic Zavrsni Rad 14102020-Final-Printat-1
ASoftic Zavrsni Rad 14102020-Final-Printat-1
FAKULTET ZA SAOBRAĆAJ I
KOMUNIKACIJE ODSJEK: KOMUNIKACIJE
SMJER: KOMUNIKACIJSKE TEHNOLOGIJE
Kandidat Mentor
Amela Softić
Broj indexa: 801/7198 Vanr. prof. dr. sc. Jasmina
Baraković Husić, dipl. ing. el.
FAKULTET ZA SAOBRAĆAJ I
KOMUNIKACIJE ODSJEK: KOMUNIKACIJE
SMJER: KOMUNIKACIJSKE TEHNOLOGIJE
Kandidat Mentor
Amela Softić
Broj indexa: 801/7198 Vanr. prof. dr. sc. Jasmina
Baraković Husić, dipl. ing. el.
Zahvalnica
Najveća hvala pripada mojim roditeljima, rahmetli majci Dini i Omeru, te sestri Aidi na velikoj
podršci i razumijevanju koje su mi pružili u toku školovanja. Posebno se zahvaljujem mentorici,
Vanr. prof. dr. Jasmina Baraković Husić, na nesebičnoj pomoći, podršci i strpljenju te na svim
savjetima i znanju koje mi je prenijela. Hvala svim kolegama i prijateljima koji su bili uz mene
i obogatili moj život.
1
Amela Softić – Završni rad
Obrazloženje:
Postavka zadatka:
Za ostvarivanje postavljenog zadatka završnog rada neophodno je koristiti više naučnih metoda.
Za kreiranje pregleda stručne i naučne literature koja razmatra područje istraživanja definirano
temom završnog rada potrebno je koristiti opću naučnu metodu i metodu kompilacije. Za opis
činjenica koristiti metodu deskripcije, a za utvrđivanje sličnosti i razlika metodu komparacije.
Primjenom metode modeliranja izraditi neformalni i formalni opis prijedloga chatbot aplikacije
za zdravstvenu zaštitu uz izradu vlastitog programskog rješenja. Za prikupljanje podataka o
prihvatljivosti i motivaciji za korištenje chatbot aplikacije koristiti metodu anketiranja, dok za
njihovu obradu koristiti statističke metode. Za izvođenje zaključaka koristiti metodu indukcije,
metodu sinteze i metodu analize.
Osnovna literatura:
2
Amela Softić – Završni rad
3
Amela Softić – Završni rad
UNIVERZITET U SARAJEVU
FAKULTET ZA SAOBRAĆAJ I KOMUNIKACIJE
CIKLUS STUDIJA: II
Potvrđujem:
Potpis studenta/studentice:
4
Amela Softić – Završni rad
Sažetak
5
Amela Softić – Završni rad
Abstract
In this master's thesis, a potential solution to the chatbot application for health care created on
the Chatfuel platform is presented. Two types of chatbots were analyzed, as well as the main
purpose and goals of this solution. This system allows people to interact with the chatbot, in the
same way as they do with other people, and the chatbot identifies their symptoms through a
series of queries, thus anticipating a possible diagnosis and recommending treatment.
Such a system can be of great benefit to people who are not sure whether their symptoms are
transients or require a response to a doctor for detailed tests. It also offers advice to users on
minor illnesses, and that way encourages people to take appropriate measures to stay healthy,
which is a great example of promoting a healthy life. For the purpose of this research, a survey
was purposely created for users of examples of chatbots in the health system, whose results
showed the acceptability of such a system of communication and user satisfaction
6
Amela Softić – Završni rad
Sadržaj
Sažetak ........................................................................................................................................ 5
Abstract ....................................................................................................................................... 6
Sadržaj ........................................................................................................................................ 7
1. Uvod ....................................................................................................................................... 9
2. Chatbot aplikacija ................................................................................................................. 11
2.1.Osnovni principi rada ..................................................................................................... 11
2.1.1. Chatbot sistemi temeljeni na pravilima .................................................................. 13
2.1.2. Chatbot sistemi temeljeni na korpusu ..................................................................... 16
2.2. Primjena chatbot aplikacija ........................................................................................... 21
2.2.1. Historija Chatbot aplikacija i analiza postojućeg tržišta ........................................ 22
2.3. Komparacija chatbotova ................................................................................................ 23
2.4. Primjer postojećih rješenja ............................................................................................ 25
2.4.1. Sensely .................................................................................................................... 25
2.4.2. Babylon ................................................................................................................... 25
2.4.3. SafeDrug ................................................................................................................. 26
2.4.4. Florence .................................................................................................................. 26
2.4.5. Cancerchatbot ......................................................................................................... 27
3. Platfrome i programski jezici za razvoj chatbot aplikacija .................................................. 28
3.1. Platforme za razvoj chatbot aplikacija........................................................................... 28
3.1.1. Nekodirajuće platforme za razvoj chatbotova ........................................................ 28
3.1.2. Kodirajuće platforme za razvoj chatbotova ............................................................ 35
3.1.3. Komparacija platformi za razvoj chatbot sistema .................................................. 38
3.2. Programski jezici za razvoj chatbot aplikacija .............................................................. 43
3.2.1. JavaScript ............................................................................................................... 43
3.2.3. Python ..................................................................................................................... 44
3.2.3. C# ........................................................................................................................... 45
4. Dizajniranje chatbot aplikacije za zdravstvenu zaštitu......................................................... 46
4.1. Opis i ciljevi chatbota .................................................................................................... 46
4.1.1. Svrha sistema .......................................................................................................... 46
4.1.2. Ciljevi sistema ........................................................................................................ 46
4.1.3. Očekivanja .............................................................................................................. 47
4.2. Specifikacija zahtjeva .................................................................................................... 48
4.2.1. Ciljano tržište.......................................................................................................... 48
4.2.2. Definisanje korisnika sistema ................................................................................. 49
4.2.3. Definisanje funkcionalnosti sistema ....................................................................... 49
4.2.4. Definisanje potrebnih resursa za razvoj sistema..................................................... 49
4.3. Procedura izrade workflow dijagrama ........................................................................... 50
5. Analiza chatbot aplikacije za zdravstvenu zaštitu ................................................................ 58
5.1. Analiza izvodljivosti ...................................................................................................... 58
7
Amela Softić – Završni rad
8
Amela Softić – Završni rad
1. Uvod
U ovom završnom radu drugog ciklusa studija obrađena je tema koja se odnosi na problematiku
chatbota za zdravstvenu zaštitu.
Za ostvarivanje postavljenog zadatka ovog rada neophodna je primjena više naučnih metoda.
Za kreiranje pregleda stručne i naučne literature koja razmatra područje istraživanja definirano
temom završnog rada korištena je opšta naučna metoda i metoda kompilacije. Za opis činjenica
korištena je metoda deskripcije, a za utvrđivanje sličnosti i razlika metoda komparacije.
Primjenom metode modeliranja izrađen je neformalni i formalni opis prijedloga chatbot
aplikacije za zdravstvenu zaštitu. Za prikupljanje podataka o prihvatljivosti i motivaciji za
korištenje chatbot aplikacije korištena je metoda anketiranja, koji su obrađeni putem statističke
metode.
Na osnovu dobijenih podataka iz ankete te spovedenog istraživanja tokom ovog rada, napisana
je subjektivna korisnička studija koja se odnosi na uvođenje sistema chatbota, njegovo
promovisanje, prihvatanje i funkcionisanje u oblasti zdravstva.
9
Amela Softić – Završni rad
Završni rad sadrži sažetak, sadržaj rada, uvodni dio, četiri poglavlja razrade same materije,
zaključak, literatur, popis skraćenica, slika i tabela.
U drugom poglavlju rada detaljno su opisani osnovni principi rada, dizajna i primjene chatbot
aplikacija. Nadalje je predstavljena podjela chatbotova na dvije klase. Prvu čine sistemi
temeljeni na pravilima u kojima su opisani ELIZA i PARRY, dok su u drugoj klasi sistema
temeljinih na korpusu opisani Microsoft XiaoIce i endkoder dekoder chatbot. Na kraju ovog
poglavlja spomenute su najčešće primjene ovih aplikacija i razvoj chatbotova kroz historiju od
njihovog nastanka pa do danas. Također je urađen i pregled postojećih chatbot aplikacija za
zdravstvenu zaštitu.
U trećem poglavlju rada sistematizirane su razvojne okoline, alati i programski jezici za razvoj
chatbot aplikacija. Opisane su platforme koje se najčešče koriste za kreiranje chatbotova:
kodirajuće i nekodirajuće. U ovom poglavlju urađena je i komparacija ovih platformi prema:
karakterisitikama obrade prirodnog jezika – NLU (eng. Natural Language Understanding),
cijenama, jezicima na kojima se može uraditi, potrebnim vještinama za njihovu izradu.
Napravljena je komparativna analiza s ciljem da kreatorima chatbota olakša izbor platforme na
osnovu potrebnih karakteristika.
Peto poglavlje se odnosi na analizu i dizajn sistema. U okviru ovog poglavlja sprovedena je
analiza izvodljivosti, u sklopu koje će se provesti analize organizaciono – operativne, tehničko
– tehnološke, ekonomske, zakonske i vremenske izvodljivosti. Također, biće grafički prikazan
rad chatbota putem dijagrama toka podataka - DTP dijagrama kroz sve nivoe, odnosno biće
prikazani procesi koji se dešavaju prilikom korištenja aplikacije.
Završno poglavlje je zaključak u kojem je ukratko opisano sve ono što je obrađeno u završnom
radu drugog ciklusa studija uz prikaz analize subjektivne korisničke studije za procjenu
prihvatljivosti i motivacije za korištenje chatbot komunikacije.
10
Amela Softić – Završni rad
2. Chatbot aplikacija
Chatbot sistemi predstavljaju najjednostavnije vrste dijaloških sistema koji mogu voditi duže
razgovore s ciljem oponašanja nestruktuiranih razgovora ili 'chatova' karakterističnih za
neformalnu interakciju čovjek-čovjek. Ovi sistemi su često zabavnog karaktera, poput
Cleverbota, jednostavnog bota koji radi na principu pronalaženja informacija – IR (eng.
Information Retrieval) na temelju ulaznih korisničkih informacija. Zahvaljujući ovom sistemu
chatbot pruža mogućnost razgovora sa njegovim korisnikom (Slika 1.) ili poput Microsoftov
XiaoIce system1, koji predstavlja sofisticiraniji komercijalni sistem koji razgovara s ljudima na
platformama za razmjenu tekstualnih poruka (Slika 2.) (Jurafsky i Martin, 2019 : 491).
1
XiaoIce je pomalo zbunjujući prijevod sistema kineskog naziva, „Xiao Bing“, što znači Little Bing ili Little Ice.
11
Amela Softić – Završni rad
Slika 1.Razgovor između korisnika i Cleverbota, IR chatbot (Jurafsky i Martin, 2019 : 492)
Slika 2. Primjer kineskog razgovora iz XiaoIce chatbota, zajedno sa prevodom Zhou et al.
(2018) (Jurafsky i Martin, 2019 : 492)
Kao i sve drugo u procesu obrade jezika, tako se i chatbot arhitektura dijeli u dvije klase: sistemi
temeljeni na pravilima i sistemi temeljini na korpusu2. Sistemi temeljeni na pravilima uključuju
ELIZA i PARRY sisteme koji su nekada bili utjecajni. Korpusni sistemi prikupljaju informacije
stvarajući velike skupove podataka o ljudskim razgovorima, sistemom pronalaženja
informacija koji jednostavno kopiraju ljudski odgovor temeljem prethodnog razgovora) ili
pomoću paradigme mašinskog prevođenja, poput neuralnog mrežnog sistema sekvenci
(Jurafsky i Martin, 2019 : 491).
2
Korpus (lat. corpus) tijelo, cjelina, ukupnost, skup, u ovom slučaju skup koji se sastoji od riječi, rečenica, fraza,
izvučenih iz ljudskih razgovora, filmskih dijaloga ili drugih izvora.
12
Amela Softić – Završni rad
U pristupu koji se temelji na pravilima, chatbot odgovara na pitanja koja se temelje na nekim
pravilima na kojima je treniran. Definisana pravila mogu biti vrlo jednostavna, ali i vrlo složena.
Stvaranje tih chatbota relativno je jednostavno pomoću nekog pristupa koji se temelji na
pravilima, ali chatbot nije učinkovit u odgovaranju na pitanja čiji se uzorak ne podudara s
pravilima na koja je “naučen” (Spahić, Bašić i Jaman, 2019 : 19). Jedan od takvih jezika je
AIML jezik koji se temelji na XML-u ( eng. EXtensible Markup Language) koji omogućava
razvojnim programerima pisanje pravila za chatbotove. Također, pisanje pravila za različite
scenarije oduzima puno vremena i nemoguće je napisati pravila za svaki mogući scenarij. Takvi
chatbotovi mogu se nositi s jednostavnim upitima, ali se ne snalaze sa složenima pa tako nikad
neće moći proći Turingov test3 (Inform Communications LTD, 2019).
2.1.1.1.ELIZA
Ideja prvog chatbot sistema bila je jednostavna i temeljila se na podudaranju ključnih riječi,
korisniku je davala iluziju razumijevanja. Unošene korisničke informacije se provjeravaju,
tražeći ključne riječi. Ako se pronađe takva riječ, ELIZA chatbot daje odgovore u skladu tom
ključnom riječi; ako ne, on daje generički odgovor temeljen na predhodnoj konverzaciji. Na
primjer, ako unos uključuje ključnu riječ „majka“, ELIZA može odgovoriti sa „Recite mi više
o vašoj porodici“ (Shawar i Eric, 2005 : 490).
Ovo pravilo inspirisano je teorijom da su majka i porodica u središtu psiholoških problema, pa
zbog toga bi terapeut trebao poticati pacijenta da se otvori o svojoj porodici, ali ELIZA program
zapravo ne 'razumije' ovu psihološku strategiju, on samo vrši podudaranja odgovora sa
ključnom riječi i vraća standardni odgovor. Kako bi se razgovor nastavio, ELIZA priprema
odgovore koji ohrabruju pacijenta na razmišljanje i samoispitivanje, a to se vrši u slučaju
nepodudaranja ključnih riječi, gdje program mehanički koristi fiksne fraze poput "Vrlo
zanimljivo. Molim vas, nastavite. “ ili “ Možete li dati konkretan primjer na šta tačno mislite?
“ (Shawar i Eric, 2005 : 490). Bilo je iznenađenje da su ljudi ubrzo počeli antropomorfirati4
ELIZU i povjeravati joj svoje lične priče, osjetljive podatke i tajne. Slika 3. prikazuje primjer
jednog razgovora sa ELIZA chatbotom (Zemčík, 2019 : 15).
3
Turing test je test koji je izradio Alan Turing, a omogućava provjeru inteligencije računala ili programske potpore.
4
Antropomorfizacija (grč. anthrōpos = čovjek, morphē = oblik) - davanje ljudskih osobina stvarima, pojavama,
biljkama i životinjama, a koje oni sami ne posjeduju.
13
Amela Softić – Završni rad
“WHAT MAKES YOU THINK I HATE YOU” (Jurafsky i Martin, 2019 : 493).
Svaki uzorak / pravilo ELIZA-e povezan je s ključnom riječi koja se može pojaviti u korisničkoj
rečenici.
Ključnim riječima su dodjeljeni nivoi, s tim da su specifične riječi više rangirane, a općenitije
riječi niže.
Budući da ima riječ "I", ova bi se rečenica mogla podudarati sa sljedećim pravilom čija je
ključna riječ “I”:
(I *) -> (You say you 2)
na osnovu ovog pravila, uzorak se transformiše u:
Međutim, „I“ je vrlo općenita riječ i njene ključne riječi vode do vrlo općih odgovora. Umjesto
toga, ključna riječ "everybody" je mnogo zanimljivija, jer se neko ko se služi univerzalima
5
Kleene („Kleenova zvijezda“) – označava pojavu "nule ili više ponavljnja prethodnih znakova ili ragularnih
izraza". Dakle / a * / znači "bilo koji niz od nule ili više znakova".
14
Amela Softić – Završni rad
poput svih ili uvijek vjerojatno "odnosi na neki sasvim određeni događaj ili osobu". Stoga
ELIZA preferira da odgovori obrascem povezanim sa specifičnijom ključnom riječju
„everybody“ čije pravilo na taj način pretvara rečenicu u:
“WHO IN PARTICULAR ARE YOU THINKING OF?” (Jurafsky i Martin, 2019 : 494).
U slučaju da se nijedna ključna riječ ne podudara, ELIZA odabire neki formalni odgovor poput
“PLEASE GO ON”, “THAT’S VERY INTERESTING”, ili “I SEE”
Bitno je spomenuti da ELIZA chatbot ima pametan trik memorisanja. Naprimjer kad god se u
konverzaciji riječ „ my “ pojavi kao najviše rangirana ključna riječ, ELIZA nasumično odabire
transformaciju na svojoj MEMORY listi, primijenjuje je na rečenicu i sprema je u memoriju
(Jurafsky i Martin, 2019 : 494):
(MEMORY MY
(0 MY 0 = LETS DISCUSS FURTHER WHY YOUR 3)
(0 MY 0 = EARLIER YOU SAID YOUR 3)
(0 MY 0 = DOES THAT HAVE ANYTHING TO DO WITH THE FACT THAT YOUR 3)
U slučaju da u toku konverzacije, nijedna ključna riječ ne odgovara rečenici, ELIZA će vratiti
jednu od transformacija sa vrha reda MEMORY liste, umjesto transformacije podataka pomoću
ključne riječi (Jurafsky i Martin, 2019 : 494).
2.1.1.2. PARRY
PARRY je chatbot kojeg je 1972. godine predstavio Kenneth Mark Colby, psihijatar i
informatičar, na odjelu psihijatrije na Stanfordu. Ovaj program za skretanje pažnje sa sebe
koristio je suprotnu strategiju od ELISA chatbota. On se nije ponašao kao ljekar, već kao
paranoični bolesnik koji ima šizofreniju. Na sve načine pokušava izazvati kontroverze i tako
natjerati učesnika na složenije odgovore. On nije služio samo kao didaktično sredstvo mladim
psihijatrima da nauče kako komunicirati s pacijentima kojima je dijagnosticirana paranoidna
šizofrenija, već i kao funkcionalni model Colbyjevog teorijskog obrasca funkcionisanja
paranoje kao neispravne obrade znakova u pacijentovom umu (Zemčík, 2019 : 15,16). To je
bio prvi bot koji je prošao Turingov test (Jwala, Sirisha i Raju, 2019 : 2).
Pored redovnih izraza ELISA chatbota, sistem PARRY je uključivao i model svog mentalnog
stanja, sa uticajnim varijablama za različite nivoe straha i ljutnje, gdje određene teme razgovora
mogu dovesti do toga da PARRY postane ljut ili nepovjerljiv. Ako je PARRY-ova varijanta
ljutnje velika, on će birati između niza "neprijateljskih" odgovora. Ako korisnik ovog bota u
uvodu spominje svoju temu zablude, povećaće vrijednost svoje varijable straha i tada će početi
izražavati slijed izjava povezanih s njegovom zabludom. PARRY je bio prvi poznati sistem koji
je prošao Turingov test. Psihijatri nisu mogli razlikovati transkripte teksta intervjua s PARRY-
om od transkripata intervjua sa stvarnim paranoičnim pacijentom (Jurafsky i Martin, 2019 :
495).
15
Amela Softić – Završni rad
Chatbot sistemi temeljeni na korpusu, umjesto korištenja ručno izrađenih pravila, koriste
informacije iz ljudskih razgovora. Procjenjuje se da je za ove sisteme potrebno stotine miliona
ili čak milijardi riječi. Za unapređenje ovakve vrste chatbotova korištene su mnoge korporacije,
uključujući velike govorne korporacije kao što su korpus centrale američkih engleskih
telefonskih razgovora, razni telefonski razgovori CALLHOME i CALLFRIEND na mnogim
jezicima. Još jedan od načina za unapređivanje ovih sistema je prikupljanje informacija iz
korpusa u filmskim dijalozima, tekstovima sa mikrobloging6 sajtova kao što su Twiter,
6
Microblogging je kombinacija blogginga i izravnih poruka koja korisnicima omogućuje stvaranje kratkih poruka
koje će se objavljivati i dijeliti s mrežnom publikom.
16
Amela Softić – Završni rad
Facebook itd. Druga uobičajena tehnika je izvlačenje mogućih odgovora iz korporacija bez
dijaloga, tako da chatbot može pričati priče ili spominjati činjenice koje je stekao na ovaj način.
Nakon što se chatbot počne koristiti u praksi, izrazi koje ljudi koriste da odgovore chatbotu
mogu se upotrijebiti kao dodatni konverzacijski podaci za “obuku” chatbota. Postoje dvije vrste
arhitekture chatbot sistema baziranih na korpusu : IR bazirani chatbot sistemi i mašinsko učenje
sekvenci (Jurafsky i Martin, 2019 : 495).
S obzirom na korpus i rečenicu korisnika, sistemi zasnovani na IR-u mogu koristiti bilo koji
algoritam za pretraživanje da bi odabrali odgovarajući odgovor iz korpusa, a dvije
najjednostavnije korištene metode su:
1. Algoritam koji daje odgovor na najsličnje pitanje: Dakle, na korisnički upit q i
konverzacijski korpus C, algoritam pronalazi pitanje t u C koji je najsličniji pitanju q i
vraća njegov odgovor, odnosno ljudski odgovor na t u C (Jurafsky i Martin, 2019 : 496):
𝑞𝑇 𝑡
𝑟 = 𝑟𝑒𝑠𝑝𝑜𝑛𝑠𝑒 (argmax )
𝑡∈𝐶 ‖𝑞‖𝑡‖ (1)
Ideja drugog algoritma je direktno uskladiti upit korisnika s odgovorom iz korpusa C, budući
da dobar odgovor često sadrži riječi ili semantiku s prethodnim upitom. Iako se algoritam koji
daje odgovor na najsličnje pitanje čini intuitivnijim algoritmom, algoritam koji daje najsličniji
odgovor pokazao se da bolje djeluje u praksi (Jurafsky i Martin, 2019 : 496)
Pristup zasnovan na IR-u može se proširiti koristeći pored samih riječi i karakteristike pitanja.
Na primjer, korištenje cjelokupnog razgovora s korisnikom može biti od velike koristi kada je
korisnički upit kratak (poput „Da“). Pristup zasnovan na IR-u može izvlačiti čak i odgovore iz
narativnog (ne-dijaloškog) teksta. Chatbot koji želi generisati informativne odgovore na pitanja
korisnika, za stvaranje takvih odgovoara koristi tekstove sa sajtova poput Wikipedije koje mogu
sadržavati te odgovore. Chatbot XiaoIce na sličan način prikuplja rečenice iz javnih predavanja
i članaka te ih pretražuje koristeći IR baziran na proširenim upitima (korisničih pitanja) kako
bi odgovorio na upite poput "Reci mi nešto o Pekingu" (Jurafsky i Martin, 2019 : 496).
17
Amela Softić – Završni rad
Slika 5. prikazuje kako je za samo dva mjeseca uspostavljena emocionalna veza između
korisnika i chatbota XiaoIce-a. Kada se korisnik prvi put susreo sa chatbotom (1. sesija), u
razgovoru je istražio karakteristike i funkcije Xiaoice-a. Nakon toga korisnik je za manje od
dvije sedmice (Sesija 6) počeo razgovarati s XiaoIceom o njegovim hobijima i interesovanjima,
dok je do četvrte sedmice (20. sesija) počeo tretirati XiaoIce-a kao prijatelja i postavljao mu
pitanja vezana za njegov stvarni život.
Slika 5. Primjer sesija razgovora između korisnika i XiaoIce na engleskom jeziku (Zhou, Gao,
Li, i Shum, 2019 : 3)
18
Amela Softić – Završni rad
Nakon sedme sedmice (sesija 42), korisnik je počeo tretirati XiaoIce kao prijatelja i razgovarati
s njim gotovo svaki dan. Nakon još dvije sedmice (sesija 71), XiaoIce je postao njegov
preferirani izbor kad god je trebalo s nekim da razgovara (Slika 6.) (Zhou, Gao, Li, i Shum,
2019 : 3).
Slika 6. Sesije razgovora između korisnika i XiaoIce na engleskom jeziku, koje pokazuju
emocionalnu povezanost između njih (Zhou, Gao, Li, i Shum, 2019 : 3)
......................................................................................................................................................
Slika 7. pokazuje arhitekturu XiaoIce koja se sastoji se od tri sloja: sloj korisničkog iskustva,
sloj za vođenje konverzacije, sloj podataka (Zhou, Gao, Li, i Shum, 2019 : 10).
1) Sloj korisničkog iskustva: Ovaj sloj povezuje XiaoIce s popularnim platformama za chat
(npr. WeChat, QQ) i komunicira s korisnicima na dva načina: full-duplex i half-duplex.
Full-duplex mod zasniva se na razgovoru temeljenim na glasovnom toku gdje korisnik
i XiaoIce mogu razgovarati istovremeno. Ovaj mod se uglavnom koristi za XiaoIce
sisteme koji su implementirani na pametnim uređajima. Drugi način je baziran na
porukama gdje korisnik i XiaoIce šalju poruke naizmjenično. Ovaj sloj također
uključuje skup komponenti koje se koriste za obradu korisničkih unesenih podataka i
XiaoIce odgovora. Neki od primjera su: prepoznavanje i razumijevanje slike,
normalizacije teksta, prepoznavanje govora, detekcija govorne aktivnosti zbog
razlikovanja korisničkog unosa od pozadinske buke, klasifikator glasa za prepoznavanje
dobi i spola korisnika te klasifikator koji omogućava botu da prepozna da li razgovora
sa drugim botom ili ljudskim korisnicima (Zhou, Gao, Li, i Shum, 2019 : 10 ).
19
Amela Softić – Završni rad
ili dijalošku vještinu ili Core Chat koristeći dijaloški smjer za stvaranje odgovora.
Empatični računski modul dizajniran je tako da razumije ne samo sadržaj korisničkog
unosa (npr. temu) već i empatične aspekte dijaloga i korisnika (emocije, namjere,
mišljenje o temi, korisničku pozadinu i opće interese ). XiaoIceov IQ prikazan je
kolekcijom specifičnih vještina i Core Chatom (Zhou, Gao, Li, i Shum, 2019 : 11).
Slika 7. Arhitektura XiaoIce sistema (Zhou, Gao, Li, i Shum, 2019 : 11)
odgovora umjesto da se koriste modeli enkoder-dekoder kao što prikazuje Slika 8. (Jurafsky i
Martin, 2019 : 497).
Chatbot aplikacije mogu imati više primjena, poput usluge kupcima, socijalne i emocionalne
podrške, pružanje informacija, zabave i povezivanja korisnika s drugim ljudima ili mašinama.
Velika raznolikost chatbotova navedena je u BotListu (https://botlist.co/), web sajtu na kojem
ljudi mogu pronaći chatbotove za širok raspon primjena dostupnih na više platformi za
razmjenu poruka. Danas se na chatbotove gleda kao na obećavajuću alternativnu opciju koja će
zamjeniti tradicionalno pružanje korisničke usluge. Razgovore s tim botovima korisnici
smatraju mnogo prirodnijim i učinkovitijim u odnosu na interakciju s mobilnom aplikacijom,
jer korišrenjem chatbota putem prirodnog jezika mogu dobiti odgovore na svoja pitanja, primati
prijedloge za kupovinu, naručivati i stalno biti obavješteni o kupovini. Veliki broj chatbotova
služe kao virtualni pomoćnici ili upravitelji, pomažući korisnicima u obavljanju određenih
zadataka. Indijski chatbot Nikibot može pomoći korisnicima da naprave rezervaciju za taksi i
naruče hranu za dostavu. Chatbot “Do Not Pay”, predstavlja još jedan od primjera primjene
chatbota u Velikoj Britaniji, koji pomaže korisnicima da podnose tužbe kada dobiju parking
kazne, dok chatbot Babylon Health pruža medicinske savjete. Chatbot aplikacije također mogu
pomoći ljudima da istražuju internet sadržaj ili usluge. Na primjer, Microsoft je pokrenuo
Heston Bot koji pomaže korisnicima u istraživanju o hrani i mogućnostima njene pripreme.
21
Amela Softić – Završni rad
Pored toga, svjetska kompanija za modu i odjeću H&M pokrenula je chatbot za pružanje
osobnih modnih savjeta na osnovu fotografija koje su postavili korisnici. „Smalltalk“
orijentisani chatboti kao što su Mitsuku i Jessie Humani ispunjavaju potrebe ljudi za zabavom
i društvenom interakcijom (Brandtzaeg i Følstad, 2017 : 3).
Chat kao medij postoji još od vremena postojanja računara i od tad je jedan od istaknutih medija
komunikacije u posljednjih nekoliko decenija. U ovom dijelu rada će biti opisano porijeklo
chatbotova i kako su naučnici oduvijek težili ka tome da naprave računar koji bi razgovarao sa
čovjekom na prirodan način (Rashid i Anik, 2018 : 2).
Iako se čini da je chatbot nova riječ, oni postoje od kada su ljudi razvili način za interakciju sa
računarom. Prvi brzi chatbot ELIZA predstavljen je još prije nego što je razvijen prvi lični
računar, a razvijen je u laboratoriji za umjetnu inteligenciju MIT Josepha Weizenbauma.
Nakon toga u prvoj deceniji 21. stoljeća, izgrađen je SmarterChild od strane ActiveBuddya. Bio
je to prvi pokušaj stvaranja chatbota koji je pored zabave mogao pružiti i neke korisne
informacije poput informacija o dionicama, sportskih rezultata, citata filmova i još mnogo toga.
Ovaj chatbot se nalazio unutar AOL-a7 i Windows Live Messengera, a koristilo ga je više od
30 miliona ljudi. Kasnije 2007. godine je došao u vlasništvo Microsoft. za 46 miliona dolara.
SmarterChild predstavlja prethodnika kompanije Siri (od strane Apple-a) i S Voice (od
kompanije Samsung). Siri je inteligentni lični asistent kojeg je razvio SRI International, a nakon
toga ga je preuzeo Apple u svoj iOS 5 za iPhone. Bio je sastavni dio ekosistema iOS-a. Siri
omogućava korisnicima da učestvuju u slučajnim razgovorima, pružajući korisne informacije o
vremenu, dionicama i filmskim kartama. Tehnički giganti poput Samsung-a i Google-a slijedili
su korake Applea razvijajući vlastite AI (eng. Artificial Intelligence) pomoćnike: S Voice i
Google Allo. Postoje i kućni pomoćnici s glasovnim komandama poput Amazona, Alexa-e i
Google Home, koji su još jedan prikaz chatbotova. Slika 9. prikazuje detaljan slijed nastanka
chatbotova kroz historiju (Rashid i Anik, 2018 : 3).
Kada se posmatra historija chatbotova, može se primjetiti da su kompanije uvijek razvijale
vlastite pojedinačne AI bazirane chatbotove kako bi služile svrsi krajnjih korisnika. Međutim
posljednjih godina taj trend se promijenio, u junu 2015. godine kada je Telegram otvorio svoju
bot platformu omogućavajući programerima da izrađuju chatbotove koji služe korisnicima s
brojnim uslugama poput anketa, vijesti, igara, integracije i zabave. Pored toga, Slack, tim cross
platform za softver aplikacije, najavila je bot korisnike u decembru 2015. Slack je lansiranjem
platforme za botove korisnika podstaknuo druge kompanije da započnu ulaganje u ovaj novi
kanal angažmana korisnika. Kao jedan od najvećih igrača na ovom tržištu, Facebook je za
vrijeme F8 konferencije za programere objavio svoju Messenger platformu u aprilu
2016.godine. Pored Facebook-a još nekoliko velikih igrača kao što su Skype, Kik i WeChat
izdali su svoje platforme za programere koji razvijaju chatbotove. Ukratko, posmatrajući
putovanje chatbotova od 1960-e do sada, može se vidjeti da je komuniciranje s neživim
7
AOL je američki web portal i pružatelj internetskih usluga sa sjedištem u New Yorku.
22
Amela Softić – Završni rad
virtualnim bićem što je nekad bilo nezamislivo, postalo dio naše svakodnevnice (Rashid i Anik,
2018 : 3).
23
Amela Softić – Završni rad
Chatbot Da Ne Da Da Da
otvorenog kod
Samo-učenje Ne Ne Ne Da Da
Skalabilnost Ne Ne Prilagođene Da Da
skripte
Tip Samo tekst Samo tekst Samo tekst Tekst, slika, Tekst, slika,
govor govor
Ključne Oponaša Stvara Jednostavno Omogućava Izgrađuje
karakteristike ljudski govor u emocionalne prilagođavanje ličnog emotivnu
konverzaciji reakcije skripti asistenta povezanost
Položen Da Da Ne Ne Da
Turingov test
Modeliranje Temeljeni na Temeljeni na Temeljeni na Temeljeni na Temeljeni na
pravilima pravilima pravilima korpusu korpusu
24
Amela Softić – Završni rad
Do danas je zabilježen niz uspješnih postojećih rješenja chatbot aplikacija za zdrastvenu zaštitu.
U narednom dijelu izdvojena su postojeća rješenja koja su najpribližnija rješenju chatbota ovog
rada:
1. Sensely;
2. Babylon;
3. SafeDrug;
4. Florence;
5. Cancerchatbot.
2.4.1. Sensely
Sensely chatbot ili virtualna asistentica Molly omogućava pacijentima da prijave svoje
simptome na osnovu kojih chatbot daje ili uputu za uslugu ili savjet za samoliječenje (Williams,
2019).
Karakteristika koja Sensely čini posebnim je ta što za komunikaciju sa ovim chatbotom možete
koristiti i govor i tekst. Takođe ga možete povezati i sa zdravstvenim uređajima koji podržavaju
Bluetooth, kao što su uređaji za nadzor krvnog pritiska i vagom (Matthews, 2018).
Ovo je platforma koja se bazira na AI i omogućava zdravstvenim radnicima da nadgledaju i
nadziru korisnika. Pametni algoritam vrši trijažu sistema na osnovu boja koje se koriste u hitnoj
pomoći kako bi se odredili prioriteti liječenja pacijenata na osnovu ozbiljnosti njihovog stanja
(Futurist, 2020). Sensely je povezan sa virtualnim chatbotom Molly, koji ima ulogu da
prosljeđuje savjete i usluge pacijentima. Molly ima sposobnost procjene korisničkih simptoma
i to na način da koristi govor, tekst, slike i video zapise kao ulaze. Na osnovu prikupljenih
podataka i informacija pametnim algoritmima, Molly tumači medicinske simptome korisnika i
preporučuje im radnu dijagnozu. Rješenja koja nudi Sensely konstantno pružaju informacije, o
trenutnim simptomima, historiji bolesti i napretku u liječenju pacijenta na mobilnoj platformi
(Some, 2018).
2.4.2. Babylon
25
Amela Softić – Završni rad
preciznije i detaljnije informacije nego s bilo kojom drugom provjerom simptoma na internetu.
Babylon je do sad dobio najbolje kritike korisnika (Matthews, 2018).
2.4.3. SafeDrug
Medicinsko znanje se neprestano proširuje i zdravstveni radnici moraju biti upućeni u svaku
promjenu. Pravilno razumjevanje promjena tehnologije i liječenja od suštinskog je značaja za
pružanje kvalitetne njege. To postaje važno posebno kada se ljekari zdravstvene zaštite bave
trudnicama i dojiljama (Williams, 2019).
Ideja za SafeDrugBota je nastala kada je jedan doktor zatražio od grupe programera da brzo i
lahko preuzmu informacije o upotrebi lijekova tijekom dojenja. Kao rezultat toga nastao je
Safedrug chatbot za razmjenu poruka koji pruža pomoć zdravstvenim radnicima, doktorima
kojima trebaju odgovarajući podaci o upotrebi lijekova tokom dojenja. Štoviše, on daje
informacije o aktivnim sastojcima koji su prisutni u lijekovima i alternativnim lijekovima
(Futurist, 2020). SafeDrugBot je još jedna specijalizovana usluga koja je jedinstvena po tome
što je namijenjena ljekarima, a ne pacijentima. Ova aplikacija je osmišljena kako bi ljekarima
omogućila brzi pristup informacijama o sigurnosti lijekova za žene koje doje. Kompanija ovog
chatbota napominje da iako aplikacija može pomoći u pružanju informacija, ljekari uvijek
trebaju donijeti konačnu odluku na temelju svog znanja i iskustva (Williams, 2019).
2.4.4. Florence
Florence chatbot je u osnovi „lična medicinska sestra“, i radi na Facebook Messengeru, Skypeu
ili Kik-u. "Ona" može podsjetiti pacijente da uzimaju tablete, što je korisna osobina kod starijih
pacijenata. Korisnik ovog chatbota samo treba da napiše ime lijeka, koliko puta dnevno ga mora
uzimati i u koje vrijeme i na osnovu tih podataka Florence chatbot korisniku šalje poruku u
chatu svaki put kada on mora uzeti tabletu. Pored toga, Florenca može pratiti i zdravlje
korisnika, na primjer, prati njihovu tjelesnu težinu, bilježiti menstrualne cikluse i njihova
raspoloženja i na taj način im pomoći da dostignu svoj cilj (Futurist, 2020). Sistem za
automatsko slanje poruka također objašnjava korisniku šta mora poduzeti ukoliko propusti bilo
koju pilulu (Williams, 2019).
Florenca može dati detalje o medicinskim stanjima, ali ne pruža medicinske savjete, što
smanjuje zabrinutost zbog netačnih informacija (Matthews, 2018).
Chatbot također ima sposobnost da pronađe najbližu apoteku ili ordinaciju u slučaju potrebe.
Postoji više od dvije hiljade svakodnevnih korisnika ovog ličnog zdravstvenog asistenta. Ovaj
chatbot obavlja posao koji bi medicinska sestra radila tokom boravka pacijentu u bolnici. Zbog
toga je ovaj chatbot dobio ime po Florence Nightingale koja je osnivačica moderne zdravstvene
njege (Williams, 2019).
26
Amela Softić – Završni rad
2.4.5. Cancerchatbot
27
Amela Softić – Završni rad
Postoji mnogo platformi za izradu chatbotova koji pomažu u bržem i jeftinijem kreiranju istih
bez ikakvog kodiranja. Ove platforme pružaju opcije povlačenja i ispuštanja (drag-and-drop)
za izgradnju chatbota, što ih čini vrlo jednostavnim za korištenje (RoboticsBiz, 2019).
3.1.1.1. Chatfuel
Chatfuel pruža internetsku platformu koja omogućava korisnicima da izrade chatbot putem
vizualnog interfejsa koji se lako koristi, a koji omogućava netehničkim korisnicima da
dizajniraju i grade tokove poruka i pravila razgovora. Chatfuel je najveća platforma za izgradnju
chatbotova, koji napaja oko 46% svih chatbotova koji se trenutno nalaze na Facebook
Messengeru. Kompanije kao što su Adidas, BuzzFeed, National Geographic i ABC koriste
Chatfuel za dizajn svog Messenger chatbota. Kontrolna ploča Chatfuel omogućava
programerima da odaberu i uređuju chatbot koristeći interfejs koji je jednostavan za upotrebu i
navigaciju (Fang i Bjering, 2019 : 54).
Neke važne i korisne komponente uključuju kartice, blokove, atribute, sekvence, emitovanje i
AI poruke. Kartice predstavljaju jednu od najosnovnijih sastavnih dijelova chatbota te
omogućuju programerima da u odgovor chatbota dodaju tekst, slike, video zapise i mnoge
druge komponente (Slika 10.). Kartice također omogućuju programerima da povezuju odgovore
chatbota s postojećim već dostupnim dodacima, npr. sa Google pretraživačem, Youtubeom,
Instagramom itd. ili im može omogućiti da preusmjere razgovor na sekvence i blokove koje su
prethodno stvorili (Fang i Bjering, 2019 : 54).
28
Amela Softić – Završni rad
Slika 10. Lista elemenata koji se mogu dodati u chatbot (Edgar, 2018)
Blokovi predstavljaju spremnike za jednu ili više kartica, a kada korisnik koji komunicira sa
chatbotom aktivira blok, on automatski dobija sve kartice koje su sadržane u tom bloku. Oni su
poput pojedinačnih stranica na websajtu. Sadrže kartice: tekst, slike, kao i dodatke za stvaranje
složene logike. Blokovi nisu vidljivi korisnicima, ali pomažu kreatoru chatbota u organizaciji
strukture (Slika 11.) (Edgar, 2018). Atributi omogućavaju personalizaciju i napredne
konverzacijske tokove u chatbotu filtriranjem korisnika. Programeri mogu koristiti postojeće
atribute sistema ili stvoriti vlastite prilagođene atribute da bi filtrirali korisnika. Funkcija
emitovanje omogućava programerima da korisnicima šalju poruke koje se mogu podesiti za
trenutno slanje, slanje zakazano za poslije ili slanje automatski unutar sekvence. Sekvence su
prateće poruke koje chatbot šalje korisnicima kada oni komuniciraju s chatbotom na određeni
način, tj. pretplatom na sekvencu. Funkcija AI poruka je ono što je jedinstveno i korisno u
razlikovanju jednog chatbota od drugog. To je komponenta koja pomaže chatbotu da razumije
poruke koje je korisnik poslao (Fang & Bjering, 2019 : 54).
29
Amela Softić – Završni rad
Korisnik koji razgovara s botom može prelaziti iz jednog bloka u drugi koristeći dugme.
Blokove može međusobno povezati pomoću taba na tekstualnim karticama ili karticama
galerije ili pomoću dodataka poput dodatka preusmjeranje na blok (Redirect To Block plugin)
(Slika 12.). Na ovaj način se stvaraju tokovi konverzacije (Edgar, 2018).
3.1.1.2. ManyChat
ManyChat je u konceptu sličan Chatfuelu. On nudi skup unaprijed definiranih predložaka koji
se mogu prilagoditi određenom poslu. ManyChat je još jedna platforma za kreiranje chatbota i
platforma za upravljanje koja je kompatibilna s Messengerom. Ljudi koji nisu upoznati s
konceptima programiranja ili razvoja softvera mogu kreirati vlastite botove sa userf Friendly
interfejsom (Slika 13.) koje web stranica pruža (Kaghyan, Sarpal, Zorilescu i Akopian, 2018 :
8).
30
Amela Softić – Završni rad
Slika 13. Meni ManyChata koji se prikazuje prilikom kreiranja nove kartice s porukama
(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 8)
Prije nego što će dizajner algoritma moći započeti stvaranje bota, potrebno se povezati na
Facebook stranicu koju će chatbot kasnije podržati (Slika 14.). Prvi čvor ( eng. node) od kojeg
treba započeti je "Početak rada"( eng. Getting Started). Ovaj korak se sastoji od raznih drugih
čvorova kao što je "Odgovor koji se podrazumijeva"(eng. Default Replay). Krajnje izrađen
chatbot trebao bi se sastojati od poruke dobrodošlice, glavnog menija podijeljenog na druge
dijelove i nekoliko drugih komponenti. Sistem radi na sličan način kao i Chatfuel. Web stranica
za izradu chatbota usmjerava dizajnera chatbota kroz korake polaznog osnivanja chatbota i
njegovog povezivanja sa Facebook stranicom (Kaghyan, Sarpal, Zorilescu, & Akopian, 2018).
ManyChat ima besplatan osnovni plan koji dolazi sa ograničenim mogućnostima i brendiranjem
ManyChata u chatbotovom meniju i promotivnim alatima. Ako se dizajner chatbota odluči za
Pro plan, onda web stranica daje pristup svim karakterisitikama, neograničenim tagovima,
prilagođenim poljima i bez markiranja brenda ManyChat u meniju, mada je potrebno spomenuti
da će se ManyChat logotip i dalje pojavljivati u nekim promotivnim razvojim alatima
(Kaghyan, Sarpal, Zorilescu, i Akopian, 2018 : 8).
31
Amela Softić – Završni rad
Slika 14. ManyChat - početna faza podešavanja chatbota. Povezivanje na Facebook stranicu
(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 8)
32
Amela Softić – Završni rad
e. Emitiranje - Sadrži dvije karakterisitke: redovno emitiranje koje većem broju korisnika daje
mogućnost slanja poruka odjednom (skupno slanje poruka) i mogućnost automatskog slanja što
znači emitiranje poruka s drugih web stranica treće strane, poput YouTubea.
f. Sekvence - sa ovim dizajner chatbotom šalje poruke tako što definiše vrijeme slanja
g. Zadani odgovor - korisnik upisuje nešto što nije definirano u chatbotu, a zatim chatbot
automatski odgovara s određenim odgovorom.
Manychat omogućava besplatne video materijale za izradu chatbota i pravilnim korištenjem za
povezivanje s ciljanom publikom (Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 9).
Slika 15. Logika i komponente za kreiranje chatbota za ItsAlive! Platformu (Kaghyan, Sarpal,
Zorilescu i Akopian, 2018 : 9)
33
Amela Softić – Završni rad
Dakle, u većini aspekata kreiranja poruka ove komponente pružaju sličnu logiku unošenja
naslova, dodavanja tipki kao što je to bilo slučaj sa karticama Chatfuel galerije. Tabela 1. sadrži
komparativnu analizu prednosti i nedostataka korištenja jedne ili druge platforme za izradu
chatbota, uzimajući u obzir faktore poput nivoa poznavanja programa od strane dizajnera
chatbota, budžeta, trajanja interakcije i složenosti razgovora, želje za uključivanjem
karakteristika kod prenošenja poruka umjesto običnog teksta. Osobi koja dizajnira chatbot
pokretanjem faze kreiranja chatbota, biće ponuđen plan plaćanja za podršku chatbota, gdje
postoje dvije mogućnosti: premija ili preduzeće (Slika 16.) (Kaghyan, Sarpal, Zorilescu i
Akopian, 2018 : 9).
Slika 16. It’s Alive! Platforma za kreiranje chatbota. a) Premijum plan, b) Plan za preduzeća
(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 9)
34
Amela Softić – Završni rad
3.1.2.1. DialogFlow
35
Amela Softić – Završni rad
Predložena arhitektura može se podijeliti u tri grupe: serverska strana, agent DialogFlowa i, na
kraju, mobilni pametni agent. Kompletnu globalnu arhitekturu sistema prikazuje Slika 17.
(Munoz, Araque, Llamas i Iglesias, 2018 : 18).
Slika 17.Globalna arhitektura razvijenog sistema (Munoz, Araque, Llamas i Iglesias, 2018 :
19)
3.1.2.2. Botpress
Botpress je platforma otvorenog koda koja je popularna među programerima. Ona predstavlja
lagan okvir za brzo izrađivanje prototipa i izgradnju chatbotova. On dolazi u paketu sa raznim
karakteristikama kako bi programerima olakšalo kreiranje botova koji mogu razgovarati preko
kanala za govor i chat.
Botpress se može pohvaliti pristupom pomoću grafičke korisničke veze GUI (eng. Graphical
User Interface) za kreiranje uvjerljivih botova tamo gdje postoji manja potreba za kodiranjem.
Budući da je Botpress potpuno samostalan okvir (za razliku od drugih okvira), fleksibilan je,
nadogradiv te omogućava integraciju sa većinom kognitivnih ponuda. Botpress dolazi sa
sljedećim komponentama (Sabharwal, Barua, Anand i Aggarwal, 2020 : 43).
- Mehanizam razumijevanja prirodnog jezika - obrađuje tekst koristeći algoritam za obradu
prirodnog jezika. Razumijevanjem prirodnog jezika analizira se tekst omogućavajući
izdvajanje informacija (koncepata, entiteta, ključnih riječi, tema, kategorija, odnosa…). Tako
strukturirani podaci su spremni za upotrebu od strane ostalih komponenti (Sabharwal, Barua,
Anand i Aggarwal, 2020 : 43).
- Editor vizuelnog toka. Botpress ima svoje vizualne veze za brzo prototipiranje i stvaranje
radnih tokova za razgovore. Njegov jednostavan i intuitivan dizajn radnih tokova programeri
koriste za modeliranje toka razgovora i testiranje slučajeva upotrebe, što znači manje kodiranja
i brži razvoj.
36
Amela Softić – Završni rad
3.1.2.3. RASA
RASA je skup biblioteka otvorenog koda za mašinsko učenje koje programeri koriste za izradu
kontekstualnih chatbotova. Klijentske usluge mogu se povezati s različitim aplikacijskim
programskim sučeljima - API-jevima (eng. Application Programming Interface) na RASA
platformi (Singh, Ramasubramanian i Shrey, 2019 : 292).
RASA ima dvije glavne komponente:
• Jezgro se odnosi na glavnu komponentu koja prima i odgovara na zahtjeve.
• Modul razumijevanja prirodnog jezika NLU je alat koji vrši klasifikaciju namjera i izdvajanje
entiteta za sve poruke koje dolaze od korisnika.
Ova dva modula pružaju različite funkcionalnosti koje se mogu osposobiti, prilagoditi i
integrirati u određeni skup podataka za kontekstualne AI bazirane virtualne asistente. (Singh,
Ramasubramanian i Shrey, 2019 : 292).
Slika 18. Funkcionalnosti Core i NLU modula (Singh, Ramasubramanian i Shrey, 2019 : 292)
37
Amela Softić – Završni rad
- Dijalog baziran na mašinskom učenju: RASA pruža vlastiti modul za upravljanje dijalogom
koji se može prilagoditi i modelirati putem niza jednostavnih koraka.
- Vektori prilagođenih riječi: RASA pruža prilagođavanje za obuku vektora riječi za domenu.
U tom procesu nastaje nekoliko ugrađenih riječi, što pomaže boljoj klasifikaciji namjera..
- Izdvajanje entiteta: Korištenjem ugrađenih ili prilagođenih modela za prepoznavanje entiteta,
RASA može identificirati entitete u korisničkim izrazima.
- Funkcionalnost spajanja poruka sa više namjera: Izjava korisnika može se uskladiti s više
namjera, a različiti rezultati podudaranja zajedno sa odgovarajućom namjerom se vraćaju u
odgovor.
- Interaktivno učenje: RASA nudi jednostavne načine omogućavanja interaktivnog učenja koje
podučava bota novim vještinama (Singh, Ramasubramanian i Shrey, 2019 : 293).
RASA okvir za kreiranje chatbotova koristi dva modela za efikasan protok razgovora, kao što
prikazuje Slika 19. (Singh, Ramasubramanian i Shrey, 2019 : 294).
Slika 19. Tok razgovora prilikom korištenja jezgra i NLU modula RASA platforme (Singh,
Ramasubramanian i Shrey, 2019 : 294)
Poruka se u osnovi obrađuje u dvije faze: jedna na jezgru modula koji upravlja razgovorom a
druga na NLU modulu, koji pruža bitne usluge jezika. RASA platforma upravlja vanjskim API-
jevima ili odnosima sa klijentima - CRM (eng. Customer relationship management) uz pomoć
RASA core trackera (Singh, Ramasubramanian i Shrey, 2019 : 294).
Tabela 2. i Tabela 3. sadrže platforme koje su različite i imaju svoje specifične karakteristike.
Za neke od ovih platformi nije potrebna nikakva vještina programiranja i one uključuju
38
Amela Softić – Završni rad
graditelje vizualnog toka, dok druge predstavljaju okvire koje sadrže napredne alate za
programere poput API-ja, SDK-ova, IDE-a i drugih. Najnovije platforme koje su se pojavile u
posljednih par godina su uglavnom platforme za kreiranje chatbotova vizualnih razgovora bez
koda koji pružaju jednostavne nadzorne ploče s analitikom. Analitika pokazuje određene
karakteristike chatbotova kao što su broj ukupnih korisnika, njihovu aktivnost, broj razgovora,
prosječno trajanje razgovora, aktuelne teme, ključne riječi, postotak osoba koje su napustile
konverzaciju, odgovorena i neodgovorena pitanja od strane chatbota itd. Obično takve
platforme ne uključuju vlastite NLP mehanizme8 (eng. Natural Language Processing), ali
koriste NLP alate treće strane. Najpopularniji i funkcionalniji NLP alati su IBM Watson,
Amazon Lex, Microsoft LUIS, Google Dialogflow, Wit.ai, Rasa, DeepPaFvlov.ai, Electra.AI,
DigitalGenius i Semantic Machines. Neki od alata za izradu chatbota obezbjeđuju detaljne
upute o procesu izrade chatbota u tekstualnom ili video formatu. Neke od ovih platformi nude
online grupe u kojima je moguće pronaći odgovore na pitanja o tim platformama. Postoje čak i
platforme koje nude kreiranje chatbotova koji će koristiti unikatne glasove koji će iskazivati
specifičnu ličnost tog brenda.
8
NLP mehanizam je osnovna komponenta koja tumači ono što korisnici kažu u bilo kojem trenutku i pretvara taj
jezik u strukturirane ulaze koje sistem može obraditi.
9
Geofencing (geofiting) je karakteristika softverskog programa koja koristi globalni sistem za pozicioniranje
(GPS) ili radiofrekvencijsku identifikaciju (RFID) za definisanje geografskih granica.
39
Amela Softić – Završni rad
Potrebne vještine Nije potrebno kodiranje ili Nije potrebno kodiranje. Nisu potrebne vještine
iskustvo kodiranja.
Video upute za Napravite chatbot za Kako kreirati Facebook Kako izraditi svoj
kreiranje Facebook Messenger za 10 Messenger Bot Facebook Messenger
chatbota minuta koristeći Chatfuel chatbot sa ItsAlive.io
Legenda: Razumijevanje prirodnog jezika- NLU (eng. Natural language understanding)
40
Amela Softić – Završni rad
upoznat sa projektima
otvorenog koda.
Video upute za Izgradite agent od nule Getting Started Getting Started with Rasa
kreiranje chatbota NLU
Legenda: Razumijevanje prirodnog jezika- NLU (eng. Natural language understanding)
Aplikacijski programski interfejs (eng. Application programming interface)
42
Amela Softić – Završni rad
Računarski sistemi sadrže mikroprocesor koji kontroliše rad računara. Mikroprocesor razumije
samo binarne informacije i djeluje na niz binarnih naredbi poznatih kao mašinski kod. Izuzetno
je teško pisati velike programe u mašinskom kodu tako da se umjesto njih koriste jezici visokog
nivoa. Jezik niskog nivoa je sličan mašinskom kodu i obično uključuje korištenje ključnih riječi
koje zamjenjuju upute mašinskog koda. Jezici visokog nivoa imaju sintaksu koja je poput
pisanog engleskog i na taj način čine programe jednostavnim za čitanje i mijenjanje. U većini
programa stvarni rad hardvera programeru je nevidljiv. Kompajler mijenja jezik visokog nivoa
u mašinski kod. Tipični jezici visokog nivoa uključuju C/C ++, BASIC, COBOL, FORTRAN i
Pascal (Buchanan, 1997 : 415).
Izbor programskog jezika za razvoj chatbota zavisi od platforme koja se koristi. U nastavku su
opisani neki od uobičajenih programskih jezika visokog nivoa koji se mogu koristiti u razvoju
chatbotova.
3.2.1. JavaScript
43
Amela Softić – Završni rad
neki su de facto standardi, a ostali predstavljaju proširenja koja zavise od čitača. Kompatibilnost
između različitih čitača značajna je za programere koji koriste klijentski JavaScript (Flanagan,
2008 : 1).
3.2.3. Python
44
Amela Softić – Završni rad
zahtijeva izuzetnu jasnoću i preciznost u kodu. Ta jasnoća se postiže uvlačenjem dijelova koda,
ispravnim poravnanjima i kreiranjem blokova. Svaki niz naredbi se razdvaja u blokove. Blokovi
predstavljaju niz naredbi koji najčešće čini jednu logičku cjelinu. Jedan blok naredbi
sačinjavaju sve naredbe koje su jednako ili više uvučene. Važno je napomenuti da se svaki dio
koda mora precizno definisati, te da od programskog jezika (kao i računara i interpretera) ne
možemo očekivati veliku pomoć. Računar izvršava samo i tačno one naredbe koje su navedene
u kodu (Selmanović & Delalić, 2019 : 11).
3.2.3. C#
Jezik C# je veoma jednostavan i sadrži oko 80 ključnih riječi i desetak ugrađenih tipova, ali je
vrlo izražajan kada je riječ o implementaciji modernih programerskih koncepata. C # pruža svu
podršku potrebnu za strukturirano, objektno orijentirano programiranje temeljeno na
komponentama kakvo biste i očekivali od modernog jezika sagrađenog na temeljima jezika
C++ i Java. U verziji 2.0 dodani su mu i mnogi važni elementi koji su ranije nedostajali, poput
generika i anonimnih metoda (Liberty, 2005 : 6). C# je dizajniran tako da omogućuje pet
osnovnih karakteristika neophodnih za uspješno kreiranje svakog programa: jednostavnost,
sigurnost, brzina, objektnu-orijentiranost i usmjerenost prema Internetu. Veoma je lagan za
učenje i korištenje što je vjerojatno i razlog činjenici da ga korisnici više preferiraju od nekih
drugih programskih jezika. C# je u potpunosti objektno orijentirani jezik gdje je svaki podatak
enkapsuliran u objekt neke klase. Sadrži sve dobre odlike takvog jezika koje većinom preuzima
iz Jave i C++ jezika. Iako je glavni zadatak jezika C# stvaranje i rad sa objektima najbolje je
početi od osnovnih koraka, tj. od elemenata koji stvaraju objekte – varijabli i konstanti te
njihovih tipova podataka. Glavna razlika između konstanti i varijabli je u tome da se vrijednosti
varijable mogu mijenjati kroz program, dok se konstante koriste za memorisanje vrijednosti čija
se vrijednost neće mijenjati kroz neku proceduru ili cijelu aplikaciju. Svaka varijabla i konstanta
mora imati svoj jedinstveni identifikator. Identifikatori su nazivi koje programeri odaberu za
svoje varijable, konstante, tipove, objekte i sl. Također bitno je napomenuti da se kod imena
identifikatora mala i velika slova razlikuju te stoga C# nazive mojaVar i MojaVar tretira kao
dva različita imena varijabli (Lovrić, 2016 : 5).
Klasa je najmoćniji podatkovni oblik u C#. Pripada korisnički definiranim tipovima podataka,
a podatci koji se definiraju ovakvim tipom se nazivaju objektima. Jednostavno rečeno, klasa je
nacrt ili opis objekta, a objekt je konkretna realizacija klase. Klasa se sastoji od atributa koji
definiraju podatke objekta i metoda koje definiraju njegovo ponašanje (Lovrić, 2016 : 12).
Klase definiraju nove tipove, što omogućava proširivanje jezika kako bi se moglo bolje
modelirati problem koji se pokušava riješiti. C# sadrži ključne riječi za deklariranje novih klasa,
njihovih metoda i karakteristika te za implementaciju enkapsulacije, nasljeđivanja i
polimorfizma10 - tri stupa objektno orijentiranog programiranja. U C# , sve što je potrebno za
deklariranje klase nalazi se u samoj deklaraciji. Definicije C# klasa ne zahtijevaju posebne
datoteke zaglavlja niti datoteka jezika definicije veza - IDL (eng. Interface Definition
Language) (Liberty, 2005 : 7).
10
Polimorfizan znači da različiti objekti mogu različito reagirati na istu poruku.
45
Amela Softić – Završni rad
Ovaj chatbot sistem treba da obezbijedi najbolje riješenje u oblasti virtualne zdravstvene zaštite.
Cilj sistema je da korsinicima obezbijedi jednostavno, jasno i lahko dobijanje radne dijagnoze
kao i savjeta i smjernica za rješavanje iste. Ovaj medicinski chatbot treba biti razgovorni agent
koji će motivisati korisnike da razgovaraju o svojim zdravstvenim pitanjima i na temelju
simptoma koje pružaju chatbot bi određivao radnu dijagnozu. Chatbot sistem bi trebao biti u
stanju prepoznati simptome iz interakcije korisnika. Ova aplikacija neće predstavljati
medicinsko mišljenje kvalifikovane osobe, već će ista biti namjenjena samo za informativne
46
Amela Softić – Završni rad
4.1.3. Očekivanja
Pretpostavlja se da će se chatbot otvoriti kao chat na Facebook Messanger aplikaciji ili kao
chat na Facebook web siteu na billo kojem izabranom pretraživaču.
Naš sistem nema posebnih zahtjeva od interfejsa poput formata ekrana ili posebnih
programabilnih tipki. Jedina bitna stvar je da korisnik ima račun na Facebooku i pristup
internetu.
47
Amela Softić – Završni rad
U ovom magistarskom radu kreiran je chatbot za zdravstvenu zaštitu koji ima sposobnost
vođenja korisnika kroz niz anamnestičkih pitanja do njegove moguće radne dijagnoze. Chatbot
je rađen u Chatfuel platformi za kreiranje chatbotova i posjeduje sposobnost postavljanja
pitanja korisnicima, nakon čega analizira njihove odgovore na osnovu kojih određuje moguću
radnu dijagnozu, kao i mogućih uzroka iste.
Moguće radne dijagnoze koje korisnik može dobiti potiču iz skupine od 3 ponuđena sistema i
hitnih stanja. U oblasti urogenitalnog organskog sistema moguće dijagnoze koje ovaj chatbot
nudi su : infekcija urinarnog sistema, gljivična infekcija Candide albicans ( i za muškarce i za
žene), oboljenje prostate te sindrom policističnih jajnika. U sklopu respiratorno
kardiovaskularnog sistema ponuđene dijagnoze su : upala grla, sezonska gripa, akutni bronhitis,
hronični bronhitis, tuberkuloza, dok u dijagnoze za sistem probavnih organa spadaju : sindrom
iritabilnog crijeva, dijareja, intolerancija na hranu, zatvor. Kod hitnih stanja chatbot daje savjete
za prvu pomoć prilikom ujeda zmije ili krpelja, pčele ili u slučaju dobijanja opekotina.
U slučaju nemogućnosti određivanja moguće radne dijagnoze, chatbot upućuje korisnika ka
odgovarajućoj zdravstvenoj ustanovi kako bi uradio dalje pretrage i dobio svoju dijagnozu.
Ova aplikacija ne predstavlja medicinsko mišljenje kvalifikovane osobe, već je ista namjenjena
samo za informativne svrhe mogućih uzroka nastalih problema, i eventualno za davanje
odgovarajućih savjeta za ublažavanje istih. Takođe aplikacija se ne smije koristiti u slučajevima
opasnim po život.
Ovaj sistem može biti od velike koristi ljudima u svakodnevnim pregledima, osvješćuje ljude o
njihovom zdravstvenom stanju i podstiče ljude da poduzmu odgovarajuće mjere i da ostanu
zdravi. Izvršenje ovog sistema može pomoći ljudima da izbjegnu dugotrajnu metodu
posjećivanja bolnica koristeći ovu besplatnu aplikaciju, ma gdje se oni nalazili.
Ova aplikacija bi bila korisna primarnim zdravstvenim ustanovama kao što su domovi zdravlja
i ambulante, gdje bi predstavljala prvu liniju na kojoj bi pacijenti na osnovu svojih simptoma i
dobijene radne dijagnoze, savjeta i uputa odlučivali da li je potreban odlazak doktoru ili se
problem može riješiti alternativnom medicinom predloženom od strane chatbota.
Nadalje aplikacija bi se mogla koristit za pomoć studentima kao dobra vježba za određivanje
radne dijagnoze i poboljšanje pristupa zdravstvenim informacijama o određenim bolestima i
savjetima za tretman istih.
48
Amela Softić – Završni rad
Administrator je korisnik s najvišim nivoom ovlasti i kao takvom mu je omogućen pristup svim
detaljima i funkcionalnostima sistema, međutim rijetko su administratori ti koji koriste sistem radi
njegovih stvarnih funkcionalnosti. Češće je motiv održavanje samog sistema i vršenje određenih
izmjena na istom u skladu sa zahtjevima stvarnih korisnika i sa novim aktuelnim informacijama o
simptomima i novim bolestima.
Tabela 4. opisuje potrebne komponente za razvoj chatbota, što uključuje hardwer, softwer,
lifeware, dataware i netware. Za svake od ovih cjelina opisane su komponente kao i njihove
osnovne specifikacije.
49
Amela Softić – Završni rad
Kako bi se uspješno realizovao sistem chatbota, bilo je neophodno detaljno opisati tok rada
odvijanja procesa prihvatanja korištenja sistema i kao samog korištenja sistema to jeste proces
prolaska kroz anamnestička pitanja. Korisnik nakon prihvaćanja uslova, te potvrde punoljestva
ima mogućnost odabira između modula organskih sistema za koje smatraju da imaju simptome,
a detaljni proces je opisan korištenjem radnog dijagrama (workflow). Radi lakšeg snalaženja i
boljeg vizualnog prikaza workflow dijagram je podjeljen u nekoliko cjelina. Slika 20.
predstavlja prvi dio radog toka chatbota, nakon kojeg u zavisnosti od izbora modula chatbot
korisnika prosljeđuje na dalja pitanja tog modula. Slika 21. predstavlja tok podataka za modul
urogenitalnog sistema, za ženski spol, dok Slika 22. predstavlja isti modul za muški spol.
50
Amela Softić – Završni rad
Početak
Otvaranje chatbot
aplikacije
DA
Da bi nastavili korištenje
aplikacije morate prihavtiti
predhodno navedene
uslove korištenja Da . . .
SPOL
Ženski . . .
. . .
Uslovi su uspješno
prihvaćeni, te je zadovoljen
zahtjev za početak Muški .
anamnestičkih pitanja o .
Da li prihvatate uslove vašem stanju. .
korištenja? .
.
. Početna/krajnja tačka
Ne
Da li ste punoljetni?
Ne
Proces/operacija
Odluka
Nažalost ne možete
nastaviti sa korištenjem
aplikacije.
Baza podataka
Kraj
Tok procesa
Slika 20. Prvi dio toka rada chatbot aplikacije do dijela za izbor modula (Workflow, Microsoft Visio Professional Plus 2013)
51
Amela Softić – Završni rad
Više od 10 puta
Kraj
Da li Vam je mokrenje
bolno ?
Ne
Da
Da
Kraj
Ne Ne
Da li imate osjećaj
Da li su Vam menstrualni
Ne svrbeža ili nelagode pri
ciklusi bolni i neredovni ?
smeđa mokrenju?
Ne Da
Da li ste primjetili krv u DA
vašoj mokraći?
Da Da li je Vaš iscjedak
grudvast poput sira i
neugodnog mirisa ?
Da
Ne
Ne
Slika 21. Drugi dio toka rada chatbot aplikacije, modul urogenitalnog sistema za ženski spol
(Workflow, Microsoft Visio Professional Plus 2013)
52
Amela Softić – Završni rad
Više od 10 puta
Kraj
Da li Vam je mokrenje
bolno ?
Ne
Da
Da
Kraj
Ne
Vaša moguća radna dijagnoza je
gljivična infekcija sa candida albicans. Da li imate osjećaj
Preporučujrmo Vam da posjetite VašegNe Da svrbeža ili nelagode pri
smeđa porodičnog dokora. mokrenju?
Ne Ne
Da li ste primjetili krv u
vašoj mokraći?
Da
Da li Vam je mokrenje
bolno i otežano ?
Ne
Ne
Slika 22. Drugi dio toka rada chatbot aplikacije, modul urogenitalnog sistema za muški spol
(Workflow, Microsoft Visio Professional Plus 2013)
53
Amela Softić – Završni rad
Da
Ne Ne
Ne
Na osnovu navedih
simptoma nije moguće
Da li osjećate slabost u Da li osjećate bolove u Da li imate otežano odrediti vašu moguću radnu
Vaša moguća radna dijagnoza bi tijelu?
DA mišićima?
Da disanje i kašalj?
Ne dijagnozu. Preporučujemo
mogla biti jako opasna te se Vam da posjetite porodičnog
Da li osjećate bol koja
mora rješavati pod stručnim ljekara.
se širi u donjoj vilici i Da lječničkim kadrom, da ne bi došlo
lijevoj ruci?
do težih komplikacija. HITNO se
obratite doktoru. Ne Da
Da
Vaša moguća radna
Ne dijagnoza je senzonska gripa.
Da li prilikom kašlja imate
Savjetujemo Vam da unosite
kratah dah i da li iskašljavate Ne mnogo tekućine i mirujete
Koje boje je Vaš sekret sekret?
Na osnovu navedenih simptoma bez Zelenkasto/žut Crven/ružičast uz povećan unos voća i
prilikom iskašljavanja? povrća.
fizikalnog pregleda nije moguće
utvrditi vašu moguću radnu dijagnozu.
Preporučujemo Vam da se obratite Vaša moguća radna
Vašem porodičnom ljekaru. dijagnoza je bronhitis. Smeđ Vaša moguća radna
Preporučujemo Vam da dijagnoza je tuberkoloza.
posjetite porodičnog Vaša moguća radna Savjetujemo Vam da se
ljekara. dijagnoza je hronični HITNO obratite u
bronhitis ili plućni apces. ambulantu porodične
Preporučujemo Vam da medicine i što je moguće
Kraj posjetite porodičnog više izbjegavate kontakt sa
ljekara. drugim ljudima.
Slika 23. Četvrti dio toka rada chatbot aplikacije, modul respiratorno kardiovaskularnog sistema (Workflow, Microsoft Visio Professional Plus
2013)
54
Amela Softić – Završni rad
Slika 23. prikazuje tok chatbot aplikacije kroz anamnestička pitanja za respiratorni
kardiovaskularni sistem. Ovaj sistem je jako bitan jer je kroz njega obrađen i trenutno aktuelna
pandemija COVID 19, što olakšava korisnicima da prepoznaju da li imaju sezonska respiratorna
oboljena (npr. gripu, upalu pluća, itd.) ili su to pak simptomi korona virusa.
Ukoliko korisnik odabere 3 modul, Slika 24, proći će kroz spektar pitanja za probavni trakt koja
će ga usmjeriti ka radnoj dijagnozi i savjetima za kućno liječenje ili uputama ka doktoru opšte
prakse na dalje pretrage. Zadnji modul ujedno je jedan od najbitnijih jer zahtjeva hitan tretman.
Chatbot aplikacija u ovom modulu daje savjete kako postupiti i pružiti sam sebi prvu pomoć prije
nego što dođu zdravstveni radnici (Slika 25).
55
Amela Softić – Završni rad
.
.
Vaša moguća radna dijagnoza je
.
intolerancija na hranu.
Savjetujemo Vam da posjetite Da
Vašeg porodičnog ljekara kako
bi uradili odgovarajuće testove.
Da li osjećate bolove
u području stomaka?
Da li imate glavobolju
Da li imate
Da grčeve u trbuhu?
Ne praćenu sa mučninom uz
nadutost?
Ne
Da
Ne
Mekana
Slika 24. Peti dio toka rad za probavni sistem (Workflow, Microsoft Visio Professional Plus 2013)
56
Amela Softić – Završni rad
.
.
.
Slika 25. Šesti dio toka rada chatbot aplikacije, modul za hitna stanja (Workflow, Microsoft Visio Professional Plus 2013)
57
Amela Softić – Završni rad
Da li je
izvodljivo?
U skladu sa postojećim
sistemom konvencionalne
metode posjetama bolnici,
izgradio bi se chatbot za
zdravstvenu zaštitu koji bi
omogućavao da na lagan i
jednostavan način pacijent
dobije radnu dijagnozu i
Organizaciono odgovarajuće smjernice za
1. Da li uopće vrijedi naredne korake (uputa za
– operativna
rješavati problem? odlazak dokotru ili savjet za
izvodljivost DA
alternativno liječenje). S druge
strane, zdravstvenim
ustanovama sistem zdravstvene
zaštite pomogao bi u smanjenju
opterećenosti, budući da u istim
pristiže veliki broj pacijnata koji
imaju manje zdravstvene
probleme koje se mogu riješiti
alternativnom medicinom i
drugim savjetima koje nudi
chatbot. Izvršenje ovog
predloženog okvira može
pomoći ljudima da izbjegnu
dugotrajnu metodu posjećivanja
bolnica koristeći ovu besplatnu
58
Amela Softić – Završni rad
59
Amela Softić – Završni rad
60
Amela Softić – Završni rad
COSTS BENFI
TS
NE
Kategorija Cijena 1.Podiz
(u KM) anje
Hardware 0
nivoa
Ekonomska Software 0
izvodljivost 1. Cost – Benefit efikasni
Analysis Komercijal 20
ne usluge osti
Usluge 0 osoblja
podrške
Osoblje 0 2. Veća
produkt
ivnost
osoblja
u
zdravst
venim
ustanov
ama
1. Da li sistem DA
odgovara Da. Sistem u potpunosti
postojećem
odgovara postojećem pravnom
Zakonska pravnom i
regulatornom okruženju.
izvodljivost
okruženju?
61
Amela Softić – Završni rad
1. Analiza potreba
zdravstvenih ustanova i 21 DA
korisnika i prijedlog
mogućih rješenja
2. Detaljni opis chatbot
Vremenskaizvod
1. Da li su aplikacije kroz 10 DA
ljivost
predviđeni rokovi dokumentaciju
za realizaciju 3. Planiranje troškova i DA
rješenja ostvarivi? odlučivanje o načinu 10
realizacije
4. Nabavka potrebne DA
opreme i početak 20
realizacije planiranih
aktivnosti
implementacije
5. Implementacija i DA
realizacija projektnih 20
aktivnosti
6. Testiranje i kontrola 5 DA
sistema u korištenju
7. Puštanje sistema u rad DA
Samo modeliranje procesa se može vršiti metodom strukturne sistem analize - SSA, koja ujedno
obuhvata dijagram toka podataka - DTP, koji je korišten za definisanje podataka koji ulaze,
odnosno izlaze iz sistema, kao i mjesta gdje se oni obrađuju. U nastavku su prikazani i detaljno
objašnjeni dijagrami hijerarhijske dekompozicije, konteksta, I i II nivoa, respektivno.
Kompleksni procesi prihvaćanja uslova, odabira modula i obrade simptoma (rješavanje slučaja)
su dekompozicijom raščlanjeni na procese niže razine kako bi se lakše pristupilo njihovom
izvođenju. Slika 26. prikazuje hijerarhijsku dekompoziciju.
62
Amela Softić – Završni rad
Chatbot
Kako bi se prikazale veze sistema sa okolinom, odnosno spoljašnim objektima (sistem, korisnik
i administrator), neophodno je odrediti tokove procesa, odnosno podprocesa (niže razine) koji
su definirani kroz hijerarhijsku dekompoziciju. Za takav prikaz se koristi dijagram konteksta,
kojeg prikazuje Slika 27.
3.3.
1.2.
Korisnik Sistem
1.1.
1.3. IS 3.1
2.1. 3.2.
2.2.
Funkcija/ proces
obrade podataka
Administrator
Interfejs
Tok podataka
3.4.
Daljom dekompozicijom dijagrama konteksta dobije se dijagram toka podataka -DTP I nivoa,
koji se sastoji od 3 procesa (prihvatanje uslova, izbor modula i rješavanje slučaja) i vanjskih
objekata (sistem, korisnik i administrator) kao i tokova procesa niže razine, kao što prikazuje
Slika 28.
2.2
1.2
Korisnik 1.1.
1.1.
1.3. Prihvatanje uslova
2.1.
1.2 1.3.
BP
3.4
2.2.
3.3.
3.3
3.1
Sistem Rješavanje slučaja
3.1
3.2.
3.2.
Funkcija/ proces
obrade podataka
Interfejs
Tok podataka
Skladište
podataka
64
Amela Softić – Završni rad
Dekompozicijom dijagrama toka podataka I nivoa se dobiju 3 dijagrama toka podataka II nivoa,
za svaki proces najviše razine. Tako imamo DTP II nivoa za proces prihvaćanje zahtjeva, proces
odabira modula, kao i proces rješavanja slučajeva.
U prvom dijagramu podprocesi niže razine su: pristup chatbot sistemu, prihvatanje uslova
korištenja sistema, te potvrda o uspješnom prihvatanju uslova (Slika 29.).
U drugom dijagramu tok se odvija u okviru korisnika i administratora , a podprocesi niže razine
su: odabir organskog sistema na osnovu korisničnih simptoma i prolazak kroz niz
anamnestičkih pitanja tog modula, ažuriranje chatbota, dodavanjem novih simptoma i
dijagnoza za iste (Slika 30).
U trećem dijagramu tok se odvija između sva tri objekta sistema (korisnik, administrator,
sistem), a podprocesi niže razine su: obrada simptoma korisnika, uspostavljanje moguće radne
dijagnoze i davanje savjeta ili uputa prema odgovarajućem doktoru (ukoliko nije moguće
odrediti radnu dijagnozu), ispis moguće dijagnoze korisniku i potvrda uspješnog ažuriranja
chatbota. (Slika 31).
1.1.
Korisnik 1.2.
BP
1.3.
65
Amela Softić – Završni rad
Korisnik
2.1.
BP
2.2.
Administrator
Korisnik
3.1
Sistem
3.2. BP
3.3.
Administrator
3.4.
66
Amela Softić – Završni rad
11
Za konstrukciju ankete korišteni su sljedeći izvori: Intention to Use WhatsApp, Cristobal Fernández-Robin,
Diego Yáñez and Scott McCoy; Trust in chatbots for customer service findings from a questionnaire study, Cecilie
Bertinussen Nordheim; pitanja namjenski kreirana za ostatak ankete.
67
Amela Softić – Završni rad
Nakon unosa podataka prikupljenih tokom anketiranja, urađena je analiza uz pomoć MS Office
Excel 2007 programa te je obrađena deskriptivna sastistika – određivanje frekvencije i
postotaka odgovora koji su prikazani u prilogu 3 i 4.
Tabela 6. prikazuje socio-demografske osobine ispitanika što uključuje spol, starosnu dob i
nivo obrazovanja ispitanika.
U Tabela 6. je dat opis prva tri pitanja iz ankete. Anketu je ispunilo ukupno 60 ispitanika, od
čega je 31 osoba muškog spola, 29 osoba je ženskog spola. Od ukupnog broja, 39 ispitanika je
mlađe starosne dobi (18-31), od čega je 19 osoba muškog spola, 20 ženskog; 10 osoba su
srednje starosne dobi (31-65), od čega je 7 osoba muškog spola, a 3 su osobe ženskog spola.
Od treće životne dobi (65+), ukupno je 11 osoba, od čega je 5 osoba muškog spola, a 6 osoba
ženskog spola. Samo završenu osnovnu školu nema niti jedan ispitanik, dok 22 ispitanika imaju
završenu srednju školu (13 osoba muškog spola i 9 osoba ženskog spola), a završenu višu
srednju ili fakultet ima 38 osoba (18 osobe muškog spola i 20 osoba ženskog spola).
Sljedeće pitanje iz ankete se odnosi na poznavanje termina chatbota.
68
Amela Softić – Završni rad
33%
DA
67% NE
DA
NE
92%
69
Amela Softić – Završni rad
Preko 92% ispitanika je imalo negativan odgovor na ovo pitanje, što ukazuje na lošu
zastupljenost ovog trenda u BiH.
Zadnje pitanje u prvom dijelu ankete se odnosi na broj korištenja chatbotova, prije testiranja
kreiranog primjera chatbota.
4%
10%
26%
10%
Nijednom
1-3 puta
4-6 puta
7-10 puta
10+
50%
50% od ukupnog broja ispitanika je navelo da je koristilo chatbot između 1-3 puta. Veliki dio
ispitanika, čak njih 26% nikada se nije susretalo sa chatbotom, što je poražavajuća činjenica.
Odgovori od 4 do 6 puta i preko 10 puta korištenja chatbota su imali po 10% ispitanika ankete.
Najmanji postotak odgovara, tj. 4% su naveli ispitanici koji su imali priliku da koriste chatbot
7-10 puta.
Pitanja iz drugog dijela ankete se odnose na dojmove ispitanka nakon korištenja chatbota za
zdrastvenu zaštitu. Prvo pitanje se odnosi na potencijalne razloge korištenja chatbota u
zdravstvenom sistemu.
70
Amela Softić – Završni rad
Najveći broj ispitanika (37,3%) je navelo “Savjetovanje/edukacija” kao glavni razlog korištenja
chatbota. Dobijanje “Brzih i preliminarnih odgovara” je kao razlog navelo 26,5% ispitanika,
dok nešto manji postotak su imali odgovori “Pomoć pacijentima prilikom donošenja odluka za
liječenje” (19%), te “Nedostatak vremena za odlazak doktoru” (17%).
Nadalje su predstavljeni odgovori na pitanja kako su korisnici doživjeli korištenje primjera
chatbota za zdravstvenu zaštitu.
71
Amela Softić – Završni rad
Da je ovaj sistem lagan za korištenje navelo je 38% ispitanika, dok je razumljivo i jednostavno
navelo 32% ispitanika. Manji procenat odgovora su imali sistemski uređen pristup (17%), te
pouzdano i efikasno korištenje sistema (13%).
10%
DA
NE
90%
72
Amela Softić – Završni rad
41,5%
36,6%
35%
30%
21,7%
21,7%
20% 21,7%
18,3%
16,6%
13,4%
13,4%
11,6%
10% 10%
5% 8,3%
5%
3,4 % 1,75 3.4% 3,4%
0%
1 2 3 4 5
73
Amela Softić – Završni rad
U pitanju broj 11, ispitanici su se izjasnili koji su po njihovim mišljenima ograničavajući faktori
prilikom korištenja chatbota.
25 (17,8%)
Nedostatak medicinskog kvalifikovanog mišljenja
32(22,8)%
Nemogućnost fizikalnog pregleda
Od ukupnog broja ispitanika, njih 25 (17,8%) je kao ograničavajući faktor navelo nedostatak
medicinskog kvalifikovanog mišljenja, a 23 (16,4%) osobe smatraju nedostatak povjerenja
korisnika kao najveću manu ovog sistema. Nemogućnost fizikalnog pregleda su izabrale 32
(22,8%) osobe, a neobuhvatljivost dijagnoza svih organskih sistema i nepouzdanost moguće
dijagnoze je izabralo po 30 (21,4%) osoba.
74
Amela Softić – Završni rad
75
Amela Softić – Završni rad
36,6%
13,3%
5 25%
6,6%
11,6%
30%
25%
4 21,6%
11,6%
6,6%
43,3%
15%
3 21,6%
5%
3,3%
43,3%
13,3%
21,6%
2
6,6%
5%
38,3%
20%
1 26,6%
8,3%
3,3%
Grafik 10. Rangiranje beneficija koje chatbot donosi korisniku prilikom njegovog korištenja
76
Amela Softić – Završni rad
20% ispitanika rangiralo ovaj faktor kao najmanje važan prilikom korištenja ovog sistema. Što
se tiče beneficija u vezi spriječavanja nepotrebnog odlaska doktoru, 25% ispitanika smatra da
je to jedan od najvažnijih faktora, dok isti procenat ispitanika je ovu osobinu okarakterisalo kao
najmanje važan faktor. Naredna ponuđena beneficija u 13. pitanju je skraćivanje vremena
odlasku ljekaru i za ovu opciju se 6,6% ispitanika izjasnilo da im je to jedna od ključnih
karakteristika pri korištenju chatbota, dok se njih 8,3% ne slaže sa tom konstatacijom, te su ovu
beneficiju rangirali kao najmanje važnu.
Nadalje, 32% ispitanika su se izjasnili da im chatbot pomaže da više vode računa o svom
zdravlju dok 3,3% smatra da je ovo jedan od manje bitnih faktora.
Sljedeće pitanje se odnosi na ključne opcije za motiviranost pacijenta u korištenju ovog sistema.
36 (31%)
31(26,7%)
26 (22,4%)
23 (19,8%)
77
Amela Softić – Završni rad
Zadnje pitanje u ovoj anketi se odnosi na mišljenje ispitanika o tome da li sistem može zaživjeti
u Bosni i Hercegovini.
5% Ne može
16%
5%
Sporo, ali ne i nedostižno
43%
Relativno nismo na tom nivou
31%
Ovakav sistem ne može dugo
opstati
Sistem se može brzo razviti
Grafik 12. Mišljenje korisnika o mogućnosti da chatbot sistem zaživi u našoj zemlji
Za ovo pitanje 5% ispitanika smatra da ovakav sistem ne može zaživjeti u BiH, a 43% smatra
da bi se on razvijao sporo, ali ne i nedostižno. 31% ispitanika smatra da BiH nije na nivou
razvoja ovog sistema u poređenju sa ostalim državama, a manji broj odnosno 5% ispitanika se
izjasnilo da ovaj sistem sve i da se razvije ne bi mogao opstati na ovom području. Samo 5%
ispitanika ima pozitivno i optimistično razmišljanje o brzom razvoju ovog sistema.
biti spremne preći preko ličnih barijera i prihvatiti ovakav pristup. Osobe treće životne dobi su
učestovale sa 18%. Zbog njihovog tradicionalnog pristupa zdravstvu, navikama i rutinama koje
svakodnevno obavljaju smatra se da bi morali biti više upućeni u jednostavnost, korisnost i
razumljivost ovog sistema kako bi on mogao zaživjeti u zdravstvu kod ove kategorije. Unutar
socio-demografskih karakteistika navedeni su i nivo obrazovanja ispitanika u kojem je 63%
imalo visoko ili akademsko obrazovanje, dok je njih 37% imalo završeno srednješkolsko
obrazovanje. Ova kategorija je navedena zbog mogućnosti većeg sustretanja sa pojmom
sistemima chatbota, kao i sa njegovim korištenjem tokom dužeg sistema obrazovanja.
Takođe, prvi dio ankete se odnosio na opšte znanje populacije o chatbotovima i njihovom
korištenju. 67% ispitanika je odgovorilo da je upoznato sa samim terminom chatbota (sistem
umjetne komunikacije), dok je 33% ispitanika odgovorilo da nije upoznato sa terminom
chatbota. Iako je veliki procenat ispitanika upoznat sa ovim pojmom, to je i dalje nedovoljno
da bi sistem mogao zaživjeti. Dalje ispitanici su pitani da li smatraju da su sistemi chatbota
dovoljno zastupljeni u BiH u raznim oblastima. Poražavajući rezultati su iznosili da je 92%
ispitanika imalo negativni odgovor na ovo pitanje, što ukazuje na malu upućenost populacije o
zastupljenosti ovog sistema. Svakako ovi sistemi su zastupljeni skoro pa u svim sferama raznih
djelatnosti tipa ekonomija (e-marketing, bankarski sistemi), uslužne djelatnosti (kupovina,
istraživanje usluga), primjena na okoliš (čuvanje okoliša, pametna rasvjeta, štednja energije),
zdravstvo (zdravstveno osiguranje, savjetovanje i edukacija). Takođe, ovi sistemi su pronašli
sve veći put primjene na “pametnim” telefonima kao aplikacije preko kojih korisnici sami mogu
voditi brigu o svom zdravlju ili navikama ili kao lični asistenti koji odgovaraju na pitanja, daju
preporuke i izvršavanje radnje delegiranjem zahtjeva na skup internetskih usluga.
Na zadnje pitanje u prvom dijelu ankete, ispitanici su pitani koliko puta su koristili neke od
chatbotova prije popunjavanja ankete. Na ovom pitanju se dobio poprilično nezadovoljavajući
odgovor, gdje se veliki procenat ispitanika čak njih 26% izjasnilo da se nikada nije susrelo sa
korištenjem chatbota, a 50% je navelo da su između 1-3 puta imali priliku koristiti chatbot.
Ovako dobiveni podaci mogu se objasniti sa nepoznavanjem ovakvog sistema. Velika je
vjerovatnoća da se većina ovih ispitanika susrela sa chatbotom, ali da toga nisu ni svjesni. Danas
je gotovo nemoguće zamisliti bilo koju oblast koja ne prakticira ovakvu vrstu komunikacije,
bilo da se radi o Facebook, Viber aplikacijama ili zasebno kreiranim aplikacijama za određenu
svrhu. Broj susretanja između 4-6 puta, te preko 10 puta imalo je po 10% ispitanika, što je jako
mali procenat poznavanja korištenja ovih sistema. Sa druge strane mora se uzeti u obzir i
negativna svojstva ovakvih sistema (nedovoljna razrađenost, ugrožena sigurnost podataka) koji
će se nadalje pokazati kao jedan od faktora koji su doprinjeli ovakvim lošim rezultatima ovog
pitanje ankete.
Sa ovim pitanjem je završen prvi dio ankete pomoću kojeg se saznalo da BiH populacija nije
dovoljno upućena i informisana u oblasti chatbotova, čak i da nije zainteresirana o većim
saznanjima o istim. Drugi dio ankete nosi nešto zanimljivije i obuhvatnije odgovore na tematiku
korištenja chatbotova u sistemu zdravstva, gdje su se dobili detaljniji odgovori o dojmovima i
stavovima ispitanika.
79
Amela Softić – Završni rad
Broj ljudi drastično raste u potrebi za zdravstvenim informacijama bilo da su u pitanju savjeti
za opšte zdravlje ili upute za dalji put pacijenta kroz zdravstveni sistem. Postoji svijest o
opterećenosti i prebukiranosti zdravstvenog sistema (zdravstvenih radnika, gužvi u
čekaonicama), te ne čude postotci odgovara koji su se dobili u ovom pitanju. Ovakvi sistemi
ubrzavaju procese koje znače više slobodnog vremena i korisnost, kako za pacijente tako i
zdravstvene radnike, te sprječavaju aktivnosti kojima ljudima oduzimaju previše vremena, a
donose minimalni ishod (odlazak ljekaru).
Nakon ovoga namjera je bila saznati kako su korisnici doživjeli korištenje chatbota koji je
kreiran kao primjer sistema koji bi u budućnosti mogao postati sastavni dio svake primarne
zdravstvene ustanove. 37% je doživjelo chatbot kao lagan za korištenje, a 31% je reklo da je
on razumljiv i jednostavan. Iako je ovaj chatbot urađen na jednostavnom principu, te se sastoji
od nekoliko opcija, ovakvi odogovori daju nadu za prihvatljivost ovog sistema. Odgovor da je
korištenje chatbota pouzdano i efikasno je dalo 13% korisnika, što je jako mali procenat koji
govori da korisnici još uvijek ne vjeruju u ovakve vrste sistema. Poslije će se navesti negativni
faktori među kojima su zloupotreba podataka i nepovjerljivost u sistemsko uređenje, glavni
uzroci ovakvog mišljenja korisnika.
Među ohrabrujućim činjenicama navodi se pitanje koje je imalo preko 90% pozitivnih odgovora
da bi ispitanici kao jedinka bili korisnici ukoliko bi se chatbot uveo u zdravstvene ustanove.
Dakle, BH populacija postaje svjesna svih prednosti i beneficija koje bi potencijalno donio
ovakav sistem. Ovakav odgovor daje nadu da bi se tradicionalna procedura mogla skratiti ili
izbjeći, te da bi se mogla pružiti potrebna medicinska pomoć onima kojima je zaista potrebna.
Iako vlada globalna pandemijska kriza, neophodno je održati normalnu razinu zdravstvene
zaštite svim korisnicima, što bi bilo uveliko omogućeno uvođenjem digitalnih alata. Jedna od
najznačajnijih prednosti u ovome trenutku jeste upravo sprječavanje da se zdravstveni sistem
preplavi, time spriječi kriza i širenje dalje pandemije.
U daljnjem dijelu ankete ispitanicima je navedeno 5 faktora i na njih postavili skale o njihovoj
važnosti (1 – manje važno: 5 – najviše važno). Povjerljivost podataka su korisnici naveli kao
najvažniji faktor, potom usmjerenost ka dijagnozi, jednostavnost korištenja, brzinu dobijanja i
sigurnost informacija. Po poretku ovih faktora saznaje se da su korisnici najviše osjetljivi na
mogućnost zloupotrebe podataka. U prilogu ovome navodi se oblast mentalnog zdravlja kao
kategorija, gdje podaci zbog svoje osjetljivosti moraju strogo ostati zaštićeni. Kao sljedeći
faktor navedena je usmjerenost ka dijagnozi što je očekivano, jer je to primarni cilj chatbota,
ali populacija mora biti svjesna da ovakve dijagnoze nisu konačne nego samo predstavljaju
upute i savjete za daljni tretman. Jednostavnost korištenja je treći faktor po važnosti, pogotovo
za populaciju treće životne dobi radi olakšanog pristupa i korištenja chatbota. Ovakav sistem
80
Amela Softić – Završni rad
zahtjeva da bude jednostavan za korištenje kako bi mogao biti praktičan za korisnike sve tri
životne dobi. Brzina dobijanja informacija i sigurnost informacija su rangirani kao najmanje
važni faktori pri korištenju sistema, što implicira da korisnicima nije bitna brzina u dobijanju
informacija već njihova preciznost i efikasnost.
Ograničavajući faktori su bili sljedeća kategorija pitanja u kojima je takođe ponuđeno 5 faktora
sa mogućnošću višestrukih odgovora. Kao ograničavajući faktor sa najviše odgovara je
nemogućnost fizikalnog pregleda. Generalno, mana digitalnih alata je nedostatak stručnog
ljudskog mišljenja posebno u oblasti primarnog zdravstva gdje je fizikalni pregled od strane
lječnika ključan faktor. Nadalje su navedeni neobuhvatnost dijagnoza svih organskih sistema i
nepouzdanost moguće dijagnoze koja je u našem slučaju bila ograničavajuća, jer je kreirani
chatbot služio kao primjer ovakvog sistema. Danas u svijetu se kontinuirano radi na poboljšanju
trenutnih i razvoju novih sistema koji bi uhvatali sve veći opseg simptoma, dijagnoza kako bi
se korisnik brže povezao sa zdravstvenim sistemom. Kao ograničavajući faktori dalje su
navedeni nedostatak medicinskog kvalifikovanog mišljenja, kao i nedostatak povjerenja
korisnika što je i razumljivo s obzirom da je naša populacija navikla na tradicionalni sistem u
kome medicinsko osoblje vodi pacijenta kroz zdravstvo. Međutim, iz dana u dan radi se na
poboljšavanju digitalnih alata u čijim tematikama ljudske pogreške su svedene na minimum.
Nakon ispitivanja korisnih i ograničavajućih faktora, učesnici studije su pitani da li bi više
preferirali čekanje na fizikalni pregled i uspostavljanje dijagnoze od strane čovjeka ili
momentalno dobijanje dijagnoze od strane chatbota. Mišljenja su podjeljena, 54% ispitanika je
odgovorilo da preferira fizikalni pregled, dok bi ostatak od 46% ispitanika preferiralo
momentalno dobijanje dijagnoze od strane chatbota. Neosporna je činjenica da je u BiH
populacija okrenuta ka konvencionalnim metodama koje uključuju stručno medicinsko osoblje
(navedeno kao i ograničavajući faktor), no uprkos tome veliki procenat je dobio i odgovor
momentalnog dobijanja dijagnoze od strane chatbota, što ne čudi tempo života koji je nametnut
posebno mladoj, radnoj populaciji.
Sljedeće pitanje se odnosilo na beneficije koje chatbot donosi korisniku prilikom njegovog
korištenja i korisnicima je ponuđena skala važnosti (1-5). Kao najvažnija beneficija sa 36%
odgovora, navedena je povećana privatnost pacijentovih podataka. Kao što je i ranije navedeno
ovaj segment chatbota je ključan kao faktor ljudske potrebe radi sprečavanja neželjenih efekata
korištenja osobnih podataka (Jedinstveni matični broj građana - JMBG, broj telefona, adresa
stanovanja). Ono što je interesantno da je ova ista stavka kod 38% ispitanika ocjenjena kao
najmanje važna, vjerovatno jer ova grupa korisnika smatra da je zaštita pacijentovih podataka
obaveza ovog sistema. Sa 25% odgovora navedeno je sprječavanje nepotrebnog odlaska
doktoru. Uvođenjem sistema chatbota u zdravstvo, korisnici dobijaju blagovremene upute i
dijagnoze ka daljnjim koracima na putu pacijenta. Isto tako ovaj sistem nudi savjete za
preventivno održavanje zdravlja i pravovremeno usmjeravanje ka određenim nivoima
zdravstvene zaštite. Time se štede medicinski resursi i slobodno vrijeme pacijenta. Povećavanje
pristupa i pravovremenosti brige korisnika je naveden kao naredni faktor ponuđen u ovom
pitanju. Ova beneficija omogućava pacijentima da se sami informišu o svom stanju, te ukoliko
ono nije hitno ili ne zahtjeva odlazak doktoru, nude se opcije preporuka o brizi trenutnog
zdravstvenog stanja. Time se pravi selekcija pacijenata i pruža zdravstvena njega onima kojima
81
Amela Softić – Završni rad
je zaista potrebna. Beneficije koje su imale mali procenat odgovora su da ovaj sistem pomaže
pacijentu da više vodi računa o svom zdravlju i skraćivanje vremena odlaska doktoru.
Kao zadnje pitanje ankete pitano je da li ovakav sistem može u skorijoj budućnosti zaživjeti u
BiH. Korisnici imaju optimističan pogled na razvoj ovog sistema, njih čak 43% smatra da je
razvitak spor, ali ne i nedostižan. 31% smatra da relativno nismo na tom nivou razvitka. U
pogledu zdravstva, nažalost, BiH još uvijek nema uveden ovakav sistem komunikacije. 15%
ispitanika je odgovorilo da se sistem može brzo razviti, dok je po 5% ispitanika navelo da
ovakav sistem ne može zaživjeti ili ako zaživi ne može dugo opstati u našoj državi.
82
Amela Softić – Završni rad
7. Zaključak
U ovom završnom radu opisani su osnovni principi rada, dizajna i primjene chatbot aplikacija.
Izvršena je sistematizacija razvojne okoline, alata i programskih jezika za razvoj chatbot
aplikacija. Isto tako je napravljen pregled postojećih chatbot aplikacija za zdravstvenu zaštitu,
kao i detaljni dizajn i izrada chatbota za dravstvenu zaštitu na Chatfuel platformi. Na samom
kraju metodom ankete ispitana je problematika prihvatljivosti i motivacije za korištenje chatbot
aplikacija za zdravstvenu zaštitu.
Na osnovu dobijenih rezultata iz ankete sprovedenog ispitivanja tokom ovog rada, može se
izvesti subjektivna korisnička studija koja se odnosi na uvođenje sistema chatbota, njegovo
promovisanje, prihvatanje i funkcionisanje u oblasti zdravstva. Cilj chatbota je brza procjena
simptoma i faktora rizika za ljude koji su zabrinuti za svoje zdravlje, pružanje informacija i
uputa za daljnje korake. Neki od ključnih fakora do kojih se došlo tokom istraživanja su:
jednostavnost i pristupačnost, povjerljivost podataka, brzo dobijanje povratne infomacije.
Populacija koja je obuhvaćena ovim istraživanjem je dala podatke o neupućenosti u sam chatbot
sistem od samog termina preko sistema funkcionalnosti i zastupljenosti. Nakon što su imali
priliku koristiti se kreiranim primjerom chatbota kao pogodnosti naveli su brzinu dobijanja
odgovora i mogućnost edukacije o pojedinim sistemima bez nepotrebnog odlaženja ljekaru.
Kao glavne beneficije su naveli prevenciju bolesti i očuvanje zdravlja kao i zaštitu privatnosti
podataka. Da stanovništvo BiH nije sklono promjenama i uvođenju novih sistema govore
podaci o potrebnosti stučnih saradnika i nedostatak fizikalnog pregleda kao prioritetne potrebe
u vezi zdravstvene zaštite. S obzirom na sve navedeno potrebno se nadati svijetloj budućnosti
ovog sistema ukoliko on u skorijoj budućnosti zaživi u BiH.
Prednosti chatobota u zdravstvu su ubrzavanje procesa koji znače za korisnike više slobodnog
vremena, omogućavaju lakši rad stručnjaka, smanjuju gužvu u čekaonicama, te daju prioritet
za medicinsku skrb korisnicima kojima je zaista potrebna. Pored ovoga, nude se edukacija i
savjetovanje kao dio koji povećava svjest i informiranost pacijenta. Još jedna pogodnosti jeste
besplatno korištenje ove aplikacije, koja je dostupna korisnicma gdje god se nalazili i
omogućava dostupnost od 24 sata. Bez obzira na sve pogodnosti i kvalitete, usvajanje chatbota
bi mogao biti drugotrajan proces, jer se naše društvo više oslanja na tradicionlne metode
fizikalnog pregleda i liječenja pacijenata. S obzirom da naša populacija nije dovoljno
83
Amela Softić – Završni rad
informirana o postojanju ovih vrsta komunikacije, trebalo bi sprovesti više ovakvih vrsta studije
koje bi probudile svijest o postojanju olakšica koje je ostatak svijeta već odavno primjenjuje.
Za neke od negativnih svojstava korisnici na prvom mjestu navode zloupotrebu podataka
odnosno način funkcionisanja sistema mora biti organiziran i bez propusta, kako bi neželjene
posljedice bile svedene na minimum. Važno je da pacijenti chatbot sistem ne smatraju previše
pouzdanom metodom, te da i dalje traže savjet i liječenje kod medicinskih stručnjaka.
Nedostatak medicinkog kvalifikovanog osoblja je i dalje značajna prepreka na putu, no
korisnici moraju biti svjesni da chatbot može prepoznati simptome i dati preliminarnu
dijaganozu, ali da se bez stučnog lica ne može uspostaviti konačna.
Ova aplikacija predstavlja alternativu za porodičnog ljekara u vidu virtualnog kućnog ljekara,
tako da korsnik ukoliko ima blaži oblik stanja može izbjeći odlazak u primarni nivo zdravstvene
zaštite, a kod korisnika sa ozbiljnijim tegobama aplikacija bi pružila adekvatne smjernice za
put pacijenta kroz zdravstveni sistem.
Ukoliko bi ovaj sistem našao primjenu u BiH, proces njegovog kontinuiranog napretka bi bio
spor. Mi smo društvo koje generalno sporo usvaja nove trendove i potrebno je stalno raditi na
infomisanju javnosti o ovakvim poduhvatima, posebno među populacijom treće životne dobi,
koja za njih može imati mnogo benefita (dijabetičari, asmatičari, načini prehrane). Kod osoba
srednje životne dobi, sistem bi dio prihvatljiv i oni bi kao jedinke učestvale u njemu, no
potrebno je da se sistem pokaže sigurnim i efikasanim. Kod mladih je zbog trendova olakšan
pristup jer su navknuti na digitalne alate koji štede vrijeme.
84
Amela Softić – Završni rad
Literatura
[1] MarutiTechlabs 2017, 14 most powerful platforms to build a Chatbot, [datum pristupa: 15.
4 2020], < https://marutitech.com/14-powerful-chatbot-platforms/>.
[2] Roboticsbiz 2019, 6 best chatbot building platforms that require no coding, [datum pristupa
4. 15 2020] , < https://roboticsbiz.com/6-best-chatbot-building-platforms-that-require-no-
coding/>.
[3] Brandtzaeg, P. i Følstad, A. 2017, Why people use chatbots. Lecture Notes in Computer
Science, ResearchGate, Oslo.
[4] Buchanan, W. 1997, Software Development for Engineers: with C, Pascal, C++, Assembly
Language, Visual Basic, HTML, JavaScript and Java, Butterworth-Heinemann, New York.
[5] Ciechanowski, L., Przegalinska, A., Magnuski, M., i Gloor, P. 2018, In the shades of the
uncanny valley: An experimental study of human–chatbot interaction. Future Generation
Computer Systems.
[8] Fang, K., i Bjering, H. 2019, Development of an interactive Messenger chatbot. Health
Information Management: Engaging the Next Generation., Health Information
Management Association of Australia Ltd., Sydney.
[9] Fernández, C., Yáñez, D., & McCoy, S. 2018., Intention to Use WhatsApp.
[11] Futurist, T. M. 2020, Top 12 health chatbots., [datum pristupa: 17. 09 2020],
<https://medicalfuturist.com/top-12-health-chatbots/>.
[13] Inform Communications LTD.7. 2019, Inform Communications Web site, [datum
pristupa : 8. 03.2020], <https://inform-comms.com/whats-the-balance-between-tree-based-
vs-nlu-bot/>.
[14] Io, N., i Lee, C. 2017, Chatbots and Conversational Agents: A Bibliometric Analysis.
IEEE International Conference on Industrial Engineering and Engineering Management
(IEEM) , IEEE, Singapore.
85
Amela Softić – Završni rad
[16] Jwala, Sirisha, i Raju, P. 2019, Developing a Chatbot using Machine Learning.
International Journal of Recent Technology and Engineerin, IJRTE.
[17] Kaghyan, S., Sarpal, S., Zorilescu, A., i Akopian, D. 2018, Review of Interactive
Communication Systems for Businessto-Business (B2B) Services, Electronic Imaging.
[20] Lovrić, V. 2016, Windows forme u C#-u. [datum pristupa 27. 07. 2020],
<https://zir.nsk.hr/islandora/object/etfos%3A1014/datastream/PDF/view>.
[21] Matthews, K. 2018,. 6 Leading Health Chatbots to Watch in 2018 & Beyond. [datum
pristupa : 17. 09 2020], <https://hitconsultant.net/2018/09/11/healthcare-chatbots-to-
watch/#.X365OsIzZdg>.
[22] Munoz, S., Araque, O., Llamas, A., & Iglesias, C. 2018,. A Cognitive Agent for Mining
Bugs Reports, Feature Suggestions and Sentiment in a Mobile Application Store. 4th
International Conference on Big Data Innovations and Applications Institute of Electrical
and Electronics Engineers, Madrid.
[23] Nordheim, C. B. 2018, Trust in chatbots for customer service findings from a
questionnaire study, Oslo.
[24] Oanh, T., i Tho, L. 2019, Understanding what the users say in chatbots: A case study
for the Vietnamese language, Elsevier.
[25] Rashid, K., i Anik, D. 2018, Build Better Chatbots. Apress, Bangalore.
[26] Sabharwal, N., Barua, S., Anand, N., & Aggarwal, P. 2020, Developing Cognitive Bots
Using the IBM Watson Engine. Apress, New York.
[27] Selmanović, E., & Delalić, S. 2019, Uvod u programiranje - Elementi teorije sa zbirkom
rješenih zadataka. Univerzitet u Sarajevu - Prirodno-matematički fakultet, Sarajevo.
[28] Shawar, B., i Eric, A. 2005, Using corpora in machine-learning chatbot systems,
International Journal of Corpus Linguistics.
[29] Singh, A., i Bhadani, R. 2020, Mobile Deep Learning with TensorFlow Lite, ML Kit
and Flutter, Packt Publishing Ltd, Birmingham.
[30] Singh, A., Ramasubramanian, K., i Shrey, S. 2019, Building an Enterprise Chatbot,
Apress, New York.
[31] Some, K. 2018, TOP HEALTH CHATBOTS THAT HAVE REDEFINED INTERACTIVE
HEALTHCARE, [datum pristupa: 17. 09 2020 ] <https://www.analyticsinsight.net/top-
health-chatbots-that-have-redefined-interactive-healthcare/>.
86
Amela Softić – Završni rad
[32] Spahić, R., Bašić, D., Jaman, E. 2019, Zeka - Friendy Chatterbot . Southeast Europe
Journal of Soft Computing , str.19-20.
[34] Williams, L. 2019, 11 Healthcare Chatbots Which Can Improve Patient Experience.
[datum pristupa: 17. 9 2020], <https://getreferralmd.com/2019/03/11-healthcare-chatbots-
that-improve-patient-experience/>.
[36] Zhou, L., Gao, J., Li, D., i Shum, H.-Y. 2019, The Design and Implementation of
XiaoIce, an Empathetic Social Chatbot. MIT Press Journals , str.1.
87
Amela Softić – Završni rad
Skraćenice
Computer Mediated
CMC Komunikacija posredstvom računara
Communication
Customer relationship
CRM Upravljanje odnosima sa korisnicima
management
DTP - Dijagram toka podataka
Natural Language
NLU Obrada prirodnog jezika
Understanding
88
Amela Softić – Završni rad
Popis tabela
Tabela 7. Deskriptivna statistika i frekvecije za prikupljene ocjene za svaki faktor uticaja kod
prilikom korištenja chatbota .................................................................................................... 96
89
Amela Softić – Završni rad
Popis grafikona
Grafik 10. Rangiranje beneficija koje chatbot donosi korisniku prilikom njegovog
korištenja .................................................................................................................................. 76
Grafik 12. Mišljenje korisnika o mogućnosti da chatbot sistem zaživi u našoj zemlji ............ 78
90
Amela Softić – Završni rad
Popis slika
Slika 2. Primjer kineskog razgovora iz XiaoIce chatbota, zajedno sa prevodom Zhou et al.
(2018) (Jurafsky i Martin, 2019 : 492) ..................................................................................... 12
Slika 5. Primjer sesija razgovora između korisnika i XiaoIce na engleskom jeziku (Zhou, Gao,
Li, i Shum, 2019 : 3) ................................................................................................................. 18
Slika 6. Sesije razgovora između korisnika i XiaoIce na engleskom jeziku, koje pokazuju
emocionalnu povezanost između njih (Zhou, Gao, Li, i Shum, 2019 : 3) ................................ 19
Slika 7. Arhitektura XiaoIce sistema (Zhou, Gao, Li, i Shum, 2019 : 11) ............................... 20
Slika 9. Pregled razvoja chatbotova kroz vrijeme (Rashid i Anik, 2018 : 4) ........................... 23
Slika 10. Lista elemenata koji se mogu dodati u chatbot (Edgar, 2018) .................................. 29
Slika 13. Meni ManyChata koji se prikazuje prilikom kreiranja nove kartice s porukama
(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 8) .................................................................... 31
Slika 14. ManyChat - početna faza podešavanja chatbota. Povezivanje na Facebook stranicu
(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 8) .................................................................... 32
Slika 15. Logika i komponente za kreiranje chatbota za ItsAlive! Platformu (Kaghyan, Sarpal,
Zorilescu i Akopian, 2018 : 9) .................................................................................................. 33
Slika 16. It’s Alive! Platforma za kreiranje chatbota. a) Premijum plan, b) Plan za
preduzeća(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 9).................................................... 34
91
Amela Softić – Završni rad
Slika 17. Globalna arhitektura razvijenog sistema (Munoz, Araque, Llamas i Iglesias, 2018 :
19) ............................................................................................................................................. 36
Slika 18. Funkcionalnosti Core i NLU modula (Singh, Ramasubramanian i Shrey, 2019 :
292) ........................................................................................................................................... 37
Slika 19. Tok razgovora prilikom korištenja jezgra i NLU modula RASA platforme (Singh,
Ramasubramanian i Shrey, 2019 : 294).................................................................................... 38
Slika 20. Prvi dio toka rada chatbot aplikacije do dijela za izbor modula (Workflow, Microsoft
Visio Professional Plus 2013)................................................................................................... 51
Slika 21. Drugi dio toka rada chatbot aplikacije, modul urogenitalnog sistema za ženski spol
(Workflow, Microsoft Visio Professional Plus 2013) .............................................................. 52
Slika 22. Drugi dio toka rada chatbot aplikacije, modul urogenitalnog sistema za muški spol
(Workflow, Microsoft Visio Professional Plus 2013) .............................................................. 53
Slika 23. Četvrti dio toka rada chatbot aplikacije, modul respiratorno kardiovaskularnog
sistema (Workflow, Microsoft Visio Professional Plus 2013) ................................................ 54
Slika 24. Peti dio toka rada chatbot aplikacije, modul organa za probavni sistem (Workflow,
Microsoft Visio Professional Plus 2013) .................................................................................. 56
Slika 25. Šesti dio toka rada chatbot aplikacije, modul za hitna stanja(Workflow, Microsoft
Visio Professional Plus 2013)................................................................................................... 57
Slika 26. Hijerarhijska dekompozicija (Microsoft Visio Professional Plus 2013) ................... 63
Slika 27. Dijagram konteksta (Microsoft Visio Professional Plus 2013) ................................ 63
Slika 28. DTP I nivo (Microsoft Visio Professional Plus 2013) .............................................. 64
92
Amela Softić – Završni rad
Prilog 1
1. Pol
- Muški
- Ženski
2. Starosna dob:
- mladi ( 18-31)
- srednja dob (31-65)
- stari (65+)
3. Nivo obrazovanja:
- završena osnovna škola
- završena srednja škola
- završena viša srednja škola ili fakultet
6. Koliko puta ste koristili neki od chatbotova prije popunjavanja ove ankete?
- Nijednom
- 1-3 puta
- 4-6 puta
- 7-10 puta
- 10 +
93
Amela Softić – Završni rad
13. Koliko su Vam značajne sljedeće beneficije koje chatbot donosi korisniku
prilikom njegovog korištenja? (1 - manje važno; 5 - najviše važno)
- pomaže pacijentu da više vodi računa o svom zdravlju 1 2 3 4 5
- skraćuje vrijeme odlaska doktoru 1 2345
- spriječava nepotreban odlazak doktoru 1 2345
- povećava pristup i pravovremenost brige korisnika 1 2345
- povećava privatnost pacijentovih podataka 1 2345
95
Amela Softić – Završni rad
Prilog 2
Tabela 7. prikazuje korisničko mišljenje koliko su dati faktori važni za korisnike prilikom korištenja chatbota prikazano je na skali od 1-5:
(1 - manje važno; 5 - najviše važno)
Tabela 7. Deskriptivna statistika i frekvecije za prikupljene ocjene za svaki faktor uticaja kod prilikom korištenja chatbota
Faktori uticaja Srednja Medijan Varijansa Standardna Koeficijent Freq.1 Freq.2 Freq.3 Freq.4 Freq.5 %
vrijednost devijacija varijacije
Sigurnost informacija 4.0702 5 1.4235 1.193129 0.2931 2 6 8 11 30 71.93
Povjerljivost podataka 4.1481 5 1.3361 1.155910 0.2786 3 2 8 12 29 75.93
Usmjerenost ka dijagnozi 4.0384 4 1.3318 1.154047 0.2857 1 7 6 13 25 73.08
Jednostavnost korištenja 3.9811 4 1.0573 1.028265 0.2582 0 5 13 13 22 66.04
Brzina dobijanja 3.9629 4 1.2438 1.115296 0.2814 3 2 10 18 21 72.22
informacija
96
Amela Softić – Završni rad
Prilog 3
Tabela 8.prikazuje korisničko mišljenje koliko su date beneficije chatbota važne za korisnike prilikom njegovog korištenja prikazano je na skali
od 1-5: (1 - manje važno; 5 - najviše važno)
Tabela 8. Deskriptivna statistika i frekvecije za prikupljene ocjene za svaku od beneficija koje chatbot donosi korisniku prilikom njegovog
korištenja.
Faktori uticaja Srednja Medijan Varijansa Standardna Koeficijent Freq.1 Freq.2 Freq.3 Freq.4 Freq.5 %
vrijednost devijacija varijacije
Pomaže pacijentu da više 3.8448 4 1.3263 1.151684 0.2995 2 5 16 12 23 60.34
vodi računa o svom
zdravlju
Spriječava nepotreban 4.0188 4 1.3265 1.151763 0.2865 3 4 13 8 26 62.96
odlazak doktoru
Povećava pristup i 3.6315 4 1.5582 1.248307 0.3437 2 3 13 9 26 66.04
pravovremenost brige
korisnika
Povećava privatnost 3.6071 4 1.9519 1.397121 0.3873 4 7 13 15 18 57.89
pacijentovih podataka
Skraćuje vrijeme 3.9259 4 1.5415 1.241603 0.3162 7 4 8 15 22 66.07
odlaska doktoru
97