إشعار
يتطلب الوصول إلى هذه الصفحة تخويلاً. يمكنك محاولة تسجيل الدخول أو تغيير الدلائل.
يتطلب الوصول إلى هذه الصفحة تخويلاً. يمكنك محاولة تغيير الدلائل.
تجيب هذه المقالة عن الأسئلة المتداولة حول قدرات الذكاء الاصطناعي المستخدمة في ميزات التحليلات في Copilot Studio.
كيف يتم استخدام الذكاء الاصطناعي التوليدي للتحليلات؟
يستخدم Copilot Studio الذكاء الاصطناعي لتقييم جودة الإجابات التوليدية وتحديد الأنماط في استعلامات المستخدم من خلال التجميع. توفر هذه المجموعات رؤى حول أداء العامل.
تستخدم الإجابات التوليدية مصادر المعرفة التي تختارها لإنشاء استجابة. كما تجمع الميزة أي ملاحظات تقدمها. تستخدم التحليلات نماذج لغة كبيرة (LLMs) لتصنيف رسائل الدردشة بين المستخدمين والوكلاء إلى مستويات تشير إلى جودة استجابات الإجابات التوليدية. يتم تجميع هذه التصنيفات لتوفير ملخص لأداء العامل.
يستخدم التجميع LLMs لفرز رسائل المستخدمين في مجموعات استنادا إلى الموضوعات المشتركة وتزويد كل مجموعة باسم وصفي. يستخدم Copilot Studio أسماء هذه المجموعات لتوفير أنواع مختلفة من الرؤى التي يمكنك استخدامها لتحسين عاملك.
جودة الاستجابات للإجابات التوليدية
ما هو الاستخدام المقصود لجودة الاستجابة؟
استخدم جودة تحليلات الاستجابة لفهم أداء العامل وتحديد التحسينات. حاليا، يمكنك استخدام التحليلات لفهم ما إذا كانت جودة الإجابات التوليدية للوكيل تلبي توقعاتك.
بالإضافة إلى الجودة الإجمالية، تحدد جودة تحليلات الاستجابة المجالات التي يؤدي فيها العامل أداء ضعيفا أو يفشل في تحقيق أهدافك المقصودة. حدد المكان الذي تؤدي فيه الإجابات التوليدية أداء ضعيفا واتخذ خطوات لتحسين جودتها.
عند تحديد الأداء الضعيف، اتبع أفضل الممارسات التي يمكن أن تساعد في تحسين الجودة. على سبيل المثال، بعد تحديد مصادر المعرفة ذات الأداء الضعيف، يمكنك تحرير مصدر المعرفة أو تقسيم مصدر المعرفة إلى مصادر متعددة وأكثر تركيزا لزيادة الجودة.
ما البيانات المستخدمة لإنشاء تحليلات لجودة الاستجابة؟
تعتمد جودة تحليلات الاستجابة على عينة من تفاعلات الإجابة التوليدية . يتطلب استعلام المستخدم واستجابة العامل ومصادر المعرفة ذات الصلة التي يستخدمها النموذج التوليدي للإجابة التوليدية. تستخدم جودة تحليلات الاستجابة هذه المعلومات لتقييم ما إذا كانت جودة الإجابة التوليدية جيدة، وإذا لم تكن جيدة، فلماذا تكون الجودة رديئة. على سبيل المثال، يمكن أن تحدد جودة الاستجابة الاستجابات غير المكتملة أو غير ذات الصلة أو غير المكفولة بالكامل.
ما هي قيود جودة تحليلات الاستجابة، وكيف يمكن للمستخدمين تقليل تأثيرات هذه القيود؟
لا تستخدم جودة تحليلات الاستجابة جميع الاستجابات التوليدية. بدلاً من ذلك، تقيس التحليلات عينة من جلسات عمل عامل المستخدم. لا يمكن للوكلاء الذين يعانون من أقل من الحد الأدنى لعدد الإجابات التوليدية الناجحة تلقي ملخص تحليلي لجودة الاستجابة.
هناك حالات لا تقيم فيها التحليلات استجابة فردية بدقة. على مستوى مجمع، يجب أن يكون دقيقا لمعظم الحالات.
لا توفر جودة تحليلات الاستجابة تصنيفا تفصيليا للاستعلامات المحددة التي أدت إلى أداء منخفض الجودة. كما أنها لا توفر توزيعًا لمصادر المعرفة الشائعة أو الموضوعات التي تم استخدامها عند حدوث استجابات منخفضة الجودة.
لا يتم حساب التحليلات للإجابات التي تستخدم المعرفة التوليدية.
اكتمال الإجابة هو أحد المقاييس المستخدمة لتقييم جودة الاستجابة. يقيس هذا المقياس كيفية معالجة الاستجابة للمحتوى في المستند الذي تم استرداده بشكل كامل.
إذا لم يسترد النظام مستندا ذا صلة بمعلومات إضافية للسؤال، فإنه لا يقيم مقياس الاكتمال لهذا المستند.
ما هي الحماية الموجودة لجودة تحليلات الاستجابة داخل Copilot Studio للذكاء الاصطناعي المسؤول؟
لا يرى مستخدمو الوكلاء نتائج التحليلات. النتائج متاحة لصانعي الوكلاء والمسؤولين فقط.
يمكن لمنشئي ومسؤولين استخدام جودة تحليلات الاستجابة فقط لمعرفة النسبة المئوية للاستجابات ذات الجودة الجيدة وأي أسباب محددة مسبقا لسوء الأداء. يتم تجميع النتائج وتقديمها كنسب مئوية وفئات محددة مسبقا.
لقد اختبرنا تحليلات لجودة الاستجابات بدقة أثناء التطوير لضمان الأداء الجيد. ومع ذلك، في حالات نادرة، قد تكون جودة تقييمات الاستجابة غير دقيقة.
تحليل المشاعر لجلسات المحادثة
ما هو الاستخدام المقصود لتحليل المشاعر؟
استخدم تحليل التوجه لفهم مستوى رضا المستخدم في جلسات المحادثة استنادا إلى تحليل الذكاء الاصطناعي لرسائل المستخدم إلى العامل. يمكنك فهم التوجه العام للجلسة (إيجابية أو سلبية أو محايدة)، والتحقيق في الأسباب، واتخاذ تدابير لمعالجتها.
ما هي البيانات المستخدمة لتحليل المشاعر؟
يستخدم تحليل التوجه رسائل المستخدم إلى العامل للحصول على عينة من جلسات المحادثة.
تستخدم تحليلات المشاعر هذه المعلومات لتقييم ما إذا كان رضا المستخدم أثناء الجلسة إيجابيا أو سلبيا أو محايدا. على سبيل المثال، يمكن للمستخدم استخدام كلمات ونبرة صوت تشير إلى الإحباط أو عدم الرضا استنادا إلى التفاعل مع العامل. في هذه الحالة، تصنف الجلسة على أنها توجه سلبي.
ما هي قيود تحليل المشاعر، وكيف يمكن للمستخدمين التخفيف من حدة هذه القيود؟
لا تُحسب تحليلات المشاعر باستخدام جميع جلسات المحادثة. بدلاً من ذلك، تقيس التحليلات عينة من جلسات عمل عامل المستخدم. لا يمكن للعاملين الذين يقل عدد الإجابات التوليدية الناجحة لديهم عن العدد اليومي الأدنى الحصول على درجة توجه.
يعتمد تحليل التوجه حاليا على الإجابات التوليدية ويتطلب حدا أدنى من الإجابات الناجحة اليومية لحساب درجة التوجه للعامل.
لحساب التوجه لجلسة، يجب أن تكون هناك رسالتان على الأقل من المستخدم. بالإضافة إلى ذلك، نظرا للقيود التقنية الحالية، لا يتم إجراء تحليل التوجه على جلسات العمل التي تتجاوز إجمالي 26 رسالة (بما في ذلك رسائل المستخدم والوكيل)
لا يوفر تحليل التوجه تصنيفا تفصيليا لرسائل المستخدم المحددة التي أدت إلى درجة التوجه.
ما هي الحماية الموجودة لتحليل المشاعر داخل Copilot Studio للذكاء الاصطناعي المسؤول؟
لا يرى مستخدمو الوكلاء نتائج التحليلات. النتائج متاحة لصانعي الوكلاء والمسؤولين فقط.
يمكنك فقط استخدام تحليل المشاعر لمعرفة تحليل توزيع المشاعر عبر جميع الجلسات.
لقد اختبرنا تحليل المشاعر بدقة أثناء التطوير لضمان الأداء الجيد. ومع ذلك، في حالات نادرة، قد تكون تقييمات المشاعر غير دقيقة.
مواضيع أسئلة ٱلْمُسْتَخْدَمُين
ما الغرض المقصود من استخدام السمات؟
يساعدك التجميع حسب النسق والتحليل على مستوى النسق على فهم ما يسأل عنه المستخدمون بسرعة على نطاق واسع. تحلل هذه الميزة كميات كبيرة من استعلامات المستخدم وتعرض مواضيع عالية المستوى ("نسق") تمثل الموضوعات الرئيسية التي يهتم بها المستخدمون. يساعدك هذا التحليل على الانتقال من فحص المحادثات الفردية إلى تحديد الأنماط الأوسع والاحتياجات الناشئة ومجالات الاهتمام.
من خلال توفير نظرة عامة منظمة تستند إلى البيانات لنشاط المستخدم، يساعدك التحليل على مستوى النسق على:
تحديد المواضيع الأكثر شيوعا التي يتعامل معها المستخدمون.
الكشف عن الثغرات في التغطية أو التجارب غير الواضحة.
مراقبة كيفية تطور اهتمامات المستخدمين بمرور الوقت.
تحديد أولويات التحسينات بناء على طلب المستخدم الحقيقي.
كيف يعمل تحليل النسق على مستوى عال؟
تعمل هذه الميزة كعملية متعددة المهام تنظم استعلامات المستخدم باستمرار في مجموعات ذات معنى. على مستوى عال، تتضمن هذه العملية مرحلتين رئيسيتين:
إنشاء مرشح الموضوع
يحلل النظام مجموعة حديثة من استعلامات المستخدمين ويحدد الموضوعات المرشحة التي تمثل موضوعات متميزة رفيعة المستوى. يكتشف النظام الأنماط والتشابهات والموضوعات المتكررة عبر الاستعلامات لاشتقاق هذه المرشحين.
إسناد الاستعلام إلى المواضيع
بعد أن يُنشئ النظام الموضوعات المرشحة، فإنه يربط كل استعلام فردي بالموضوع الأكثر صلة. يمثل كل نسق مجموعة من أسئلة المستخدم ذات الصلة ويتطور مع معالجة النظام للاستعلامات الجديدة. يقوم النظام بتحسين هذه النسق بمرور الوقت باستخدام إشارات مثل التشابه الدلالي وملاحظات المستخدم. تسمح عملية التحسين هذه للتمثيل بالتكيف مع تغير سلوك المستخدم.
ما البيانات المستخدمة لإنشاء السمات؟
ينشئ المستخدمون موضوعات استنادًا إلى الاستعلامات التي تؤدي إلى إجابات توليدية. تركز العملية على نافذة نشاط حديثة لضمان أن النسق تعكس اهتمامات المستخدمين الحالية والاتجاهات المتطورة. مع توفر بيانات جديدة، يقوم النظام بتحديث النسق لإبقائها ذات صلة.
نظرًا لأن المظاهر تعتمد على الأنماط في استعلامات المستخدم، فإن الميزة تعتمد على وجود قدر كافٍ من النشاط لتحليله. في الحالات التي توجد فيها بيانات محدودة أو استعلامات مجزأة للغاية، قد لا ينشئ النظام نسقا أو قد يوفر رؤى محدودة.
ما هي قيود تحليل النسق، وكيف يمكنني التخفيف منها؟
تحليل النسق هو نظام تجميع يستند إلى البيانات، وتعتمد فعاليته على طبيعة وحجم استعلامات المستخدم. تتضمن بعض القيود المحتملة ما يلي:
قد تؤدي البيانات غير الكافية أو شديدة التنوع إلى مواضيع واسعة جدا أو ضيقة.
قد يتم أحيانا تقسيم الموضوعات ذات الصلة الوثيقة إلى مواضيع منفصلة.
قد يتم تجميع الاستعلامات غير المرتبطة أحيانا معا.
قد تؤثر التغييرات في لغة المستخدم بمرور الوقت على تناسق النسق.
للحصول على أفضل استفادة من السمات:
راجع المواضيع التي تم إنشاؤها بانتظام.
تقديم ملاحظات (على سبيل المثال: الإبهام لأعلى أو لأسفل) لتحسين الجودة.
فسّر الموضوعات على أنها مؤشرات عامة لا تصنيفات دقيقة.
ما هي الحماية المسؤولة للذكاء الاصطناعي في مكانها؟
تم تصميم تجميع النسق وتحليله مع مراعاة مبادئ الذكاء الاصطناعي المسؤولة.
المنشئون والمسؤولون المعتمدون هم الوحيدون الذين يمكنهم رؤية المواضيع.
يمكن فقط لأولئك المصرح لهم برؤية استعلامات المستخدم رؤية تقسيمها إلى نسق.
تعكس الموضوعات محتوى استعلامات المستخدم، بحيث توفر ملخصا صادقا للمصانعين والمسؤولين لرؤيتها.
تساعد وسائل الحماية هذه في ضمان أن توفّر Themes رؤى مفيدة مع الحفاظ على تجربة آمنة ومضبوطة.
تحليلات المقاييس المخصصة
ما هو الاستخدام المقصود للمقاييس المخصصة؟
استخدم تحليلات المقاييس المخصصة لفهم مدى تأثير وكلاء المحادثة على نتائج الأعمال. تكمل هذه المقاييس تحليلات التوفير. تتضمن أمثلة المقاييس المخصصة معدل الدقة وتصنيف هدف العميل والنتائج الأخرى الخاصة بالمجال.
يمكن أن تظهر المقاييس المخصصة مكان فقدان العوامل للأهداف المقصودة. حدد ما يجب قياسه واختبار المقاييس مقابل بيانات الجلسة الحقيقية وتحسين التعريفات استنادا إلى النتائج.
ما هي البيانات المستخدمة لحساب المقاييس المخصصة؟
حساب المقاييس المخصصة باستخدام عينة من جلسات العامل السابقة. يستخدم الحساب رسائل المحادثة المتبادلة أثناء جلسة العمل.
يصنف نموذج الذكاء الاصطناعي بيانات الجلسة استنادا إلى تعريف المقياس الخاص بك. يجمع العامل النتائج عبر العينة لإظهار الأداء القياسي الإجمالي للفترة الزمنية المحددة.
ما هي قيود المقاييس المخصصة وكيف يمكن للمستخدمين تقليل تأثيرات القيود؟
لا تستخدم المقاييس المخصصة جميع جلسات عمل العامل. بدلا من ذلك، يقومون بقياس عينة من الجلسات من الفترة الزمنية المحددة. نظرا لأن النتائج تستند إلى عينة، تعامل معها كمؤشرات اتجاهية بدلا من أرقام دقيقة.
ضع في اعتبارك أن حساب المقياس يستند إلى نسخة الرسائل عند تفسير المقاييس. تجنب استخلاص استنتاجات حول السلوكيات التي تحدث بشكل أساسي خارج الرسائل، مثل الموضوعات والأدوات.
قد يسيء نموذج الذكاء الاصطناعي تصنيف الجلسات. النتائج الإجمالية دقيقة بشكل عام. يتم وضع جلسات العمل التي لا تتطابق مع فئة محددة في الفئة الاحتياطية (أخرى). إذا لم تتطابق نتائج الاختبار مع النتائج المتوقعة، يمكنك تحديث وصف القياس وتعريفات الفئة.
إذا قمت بتغيير إرشادات العامل أو تكوينه بشكل كبير بعد تحديد مقياس، فقد لا يعكس المقياس سلوك العامل المحدث بدقة. راجع مقاييسها المخصصة بعد إجراء تغييرات جوهرية على العامل.
ما هي الحماية الموجودة للمقاييس المخصصة داخل Copilot Studio للذكاء الاصطناعي المسؤول؟
صانعو الوكلاء والمسؤولين هم الوحيدون الذين يمكنهم الوصول إلى نتائج المقاييس المخصصة. لا يملك مستخدمو العامل حق الوصول إلى نتائج التحليلات.
يمكنك مراجعة جميع المقاييس المخصصة والموافقة عليها قبل الحفظ. أثناء تعريف المقياس، يمكنك اختبار المقاييس مقابل بيانات جلسة عمل العينة ومراجعة النتائج الفردية واستدلال النموذج. إذا كانت النتائج لا تلبي التوقعات، يمكنك تحديث المقياس أو تجاهله. لا يتم تطبيق المقاييس دون تأكيد صريح.
تكون المطالبة التي تم إنشاؤها بواسطة الذكاء الاصطناعي المستخدمة لتصنيف الجلسات مرئية لك في واجهة المستخدم، حتى تتمكن من فهم كيفية تفسير النموذج لتعريف المقياس الخاص بك. يمكنك تحرير المقاييس المخصصة أو إزالتها في أي وقت.
في حالات نادرة، قد تكون تصنيفات الجلسات الفردية غير دقيقة. وينبغي تفسير النتائج بشكل مجمع بدلا من تفسيرها على مستوى كل دورة على حدة.