التعلم النشط
تتيح لك ميزة اقتراحات التعلم النشط تحسين جودة قاعدتك المعرفية من خلال اقتراح أسئلة بديلة، بناءً على تقديمات المستخدم، لزوج الأسئلة والأجوبة. يمكنك مراجعة تلك الاقتراحات، إما إضافتها إلى الأسئلة الحالية أو رفضها.
لا تتغير قاعدة معرفتك تلقائيًا. لكي يصبح أي تغيير ساري المفعول، يجب عليك قبول الاقتراحات. تضيف هذه الاقتراحات أسئلة ولكنها لا تغير أو تحذف الأسئلة الموجودة.
ملاحظة
سيتم إنهاء خدمة QnA Maker في 31 مارس 2025. يتوفر الآن إصدار أحدث من إمكانية السؤال والإجابة كجزء من Azure الذكاء الاصطناعي Language. للحصول على قدرات الإجابة على الأسئلة داخل خدمة اللغات، انظر سؤال الإجابة. بدءًا من 1 أكتوبر 2022 لن تتمكن من إنشاء موارد جديدة لـ QnA Maker. للحصول على معلومات حول ترحيل قواعد معارف QNA Maker الحالية للإجابة على الأسئلة، راجع دليل الترحيل .
ما هو التعلم النشط؟
يتعلم صانع QnA اختلافات الأسئلة الجديدة مع ردود الفعل الضمنية والصريحة.
- التغذية الراجعة الضمنية – يفهم المصنف عندما يكون لسؤال المستخدم إجابات متعددة مع درجات قريبة جدًا ويعتبر هذا بمثابة تغذية راجعة. لا تحتاج إلى فعل أي شيء ليحدث هذا.
- التغذية الراجعة الصريحة – عندما يتم إرجاع إجابات متعددة مع اختلاف بسيط في الدرجات من قاعدة المعرفة، يسأل تطبيق العميل المستخدم أي سؤال هو السؤال الصحيح. يتم إرسال ملاحظات المستخدم الصريحة إلى QnA Maker باستخدام Train API.
توفر كلتا الطريقتين للمرتب استعلامات مماثلة مجمعة.
كيف يعمل التعلم النشط
يتم تشغيل التعلم النشط بناءً على درجات الإجابات القليلة الأولى التي أعادها QnA Maker. إذا كانت الاختلافات في الدرجات بين أزواج QnA التي تتطابق مع الاستعلام تقع ضمن نطاق صغير، فإن الاستعلام يعتبر اقتراحًا محتملًا (كسؤال بديل) لكل من أزواج QnA المحتملة. بمجرد قبول السؤال المقترح لزوج QnA محدد، يتم رفضه للأزواج الأخرى. تحتاج إلى تذكر الحفظ والتدريب، بعد قبول الاقتراحات.
يقدم التعلم النشط أفضل الاقتراحات الممكنة في الحالات التي تحصل فيها نقاط النهاية على كمية معقولة ومجموعة متنوعة من استفسارات الاستخدام. عندما يتم تجميع خمسة استفسارات مماثلة أو أكثر، كل 30 دقيقة، يقترح QnA Maker الأسئلة المستندة إلى المستخدم على مصمم قاعدة المعرفة لقبولها أو رفضها. يتم تجميع جميع الاقتراحات معًا بالتشابه ويتم عرض أهم الاقتراحات للأسئلة البديلة بناءً على تواتر الاستفسارات الخاصة من قبل المستخدمين النهائيين.
بمجرد طرح الأسئلة في بوابة QnA Maker، تحتاج إلى مراجعة هذه الاقتراحات وقبولها أو رفضها. لا توجد واجهة برمجة تطبيقات لإدارة الاقتراحات.
كيفية عمل تعليقات صانع QnA الضمنية
تستخدم ملاحظات QnA Maker الضمنية خوارزمية لتحديد درجة التقارب ثم تقدم اقتراحات التعلم النشط. الخوارزمية لتحديد التقارب ليست عملية حسابية بسيطة. لا يقصد بالنطاقات في المثال التالي أن تكون ثابتة ولكن يجب استخدامها كدليل لفهم تأثير الخوارزمية فقط.
عندما تكون درجة السؤال واثقة للغاية، مثل 80 ٪، فإن نطاق الدرجات التي يتم أخذها في الاعتبار للتعلم النشط واسع، تقريبًا في حدود 10 ٪. مع انخفاض درجة الثقة، مثل 40 ٪، ينخفض نطاق الدرجات أيضًا، تقريبًا في حدود 4 ٪.
في رد JSON التالي من استعلام إلى QnA Maker 's GenerAnswer، تكون درجات A و B و C قريبة وسيتم اعتبارها اقتراحات.
{
"activeLearningEnabled": true,
"answers": [
{
"questions": [
"Q1"
],
"answer": "A1",
"score": 80,
"id": 15,
"source": "Editorial",
"metadata": [
{
"name": "topic",
"value": "value"
}
]
},
{
"questions": [
"Q2"
],
"answer": "A2",
"score": 78,
"id": 16,
"source": "Editorial",
"metadata": [
{
"name": "topic",
"value": "value"
}
]
},
{
"questions": [
"Q3"
],
"answer": "A3",
"score": 75,
"id": 17,
"source": "Editorial",
"metadata": [
{
"name": "topic",
"value": "value"
}
]
},
{
"questions": [
"Q4"
],
"answer": "A4",
"score": 50,
"id": 18,
"source": "Editorial",
"metadata": [
{
"name": "topic",
"value": "value"
}
]
}
]
}
لن يعرف صانع QnA أي إجابة هي أفضل إجابة. استخدم قائمة الاقتراحات الخاصة ببوابة QnA Maker لتحديد أفضل إجابة والتدريب مرة أخرى.
كيفية تقديم ملاحظات صريحة باستخدام Train API
يحتاج صانع QnA إلى ملاحظات صريحة حول أي من الإجابات كانت أفضل إجابة. كيف يتم تحديد أفضل إجابة، الأمر متروك لك ويمكن أن يشمل:
- ملاحظات المستخدم، وتحديد إحدى الإجابات.
- منطق العمل، مثل تحديد نطاق درجات مقبول.
- مزيج من ملاحظات المستخدم ومنطق العمل.
استخدم Train API لإرسال الإجابة الصحيحة إلى QnA Maker، بعد أن يحددها المستخدم.
قم بترقية إصدار وقت التشغيل لاستخدام التعلم النشط
يتم دعم التعلم النشط في الإصدار 4.4.0 من وقت التشغيل وما فوقه. إذا تم إنشاء قاعدة المعرفة الخاصة بك على إصدار سابق، قم بترقية وقت التشغيل لاستخدام هذه الميزة.
قم بتشغيل التعلم النشط للأسئلة البديلة
التعلم النشط مطفأ افتراضيًا. قم بتشغيله لرؤية الأسئلة المقترحة. بعد تشغيل التعلم النشط، تحتاج إلى إرسال المعلومات من تطبيق العميل إلى QnA Maker. لمزيد من المعلومات، راجع التدفق المعماري لاستخدام واجهات برمجة تطبيقات GenerateAnswer و Train من روبوت.
حدد نشر لنشر قاعدة المعرفة. يتم جمع استعلامات التعلم النشط من نقطة نهاية التنبؤ بواجهة برمجة التطبيقات GenerateAnswer فقط. لا تؤثر الاستعلامات الخاصة بلوحة الاختبار في بوابة QnA Maker على التعلم النشط.
لتشغيل التعلم النشط في بوابة QnA Maker، انتقل إلى الزاوية العلوية اليمنى وحدد اسمك ، وانتقل إلى إعدادات الخدمة .
ابحث عن خدمة QnA Maker ثم بدّل التعلم النشط .
ملاحظة
يتم عرض الإصدار الدقيق في الصورة السابقة كمثال فقط. قد تكون نسختك مختلفة.
بمجرد تمكين التعلم النشط ، تقترح قاعدة المعرفة أسئلة جديدة على فترات منتظمة بناءً على الأسئلة المقدمة من المستخدم. يمكنك تعطيل التعلم النشط عن طريق تبديل الإعداد مرة أخرى.
مراجعة الأسئلة البديلة المقترحة
راجع الأسئلة البديلة المقترحة في صفحة تحرير في كل قاعدة معرفية.