Co je porozumění konverzačnímu jazyku?
Porozumění konverzačnímu jazyku je jednou z vlastních funkcí, které nabízí Jazyk Azure AI. Jedná se o cloudovou službu ROZHRANÍ API, která používá inteligenci strojového učení, aby vám umožnila sestavit komponentu pro rozpoznávání přirozeného jazyka, která se bude používat v ucelené konverzační aplikaci.
Porozumění konverzačnímu jazyku (CLU) umožňuje uživatelům vytvářet vlastní modely pro porozumění přirozenému jazyku, které předpovídají celkový záměr příchozí promluvy a extrahují z ní důležité informace. CLU poskytuje pouze inteligentní informace, které porozumíte vstupnímu textu klientské aplikace, a neprovádí žádné akce. Vytvořením projektu CLU můžou vývojáři iterativně označovat promluvy, trénovat a vyhodnocovat výkon modelu před tím, než ho zpřístupní ke spotřebě. Kvalita označených dat výrazně ovlivňuje výkon modelu. Pro zjednodušení vytváření a přizpůsobení modelu nabízí služba vlastní webový portál, ke kterému je možné přistupovat prostřednictvím jazykového studia. Se službou můžete snadno začít postupovat podle kroků v tomto rychlém startu.
Tato dokumentace obsahuje následující typy článků:
- Rychlá zprovoznění jsou úvodní pokyny, které vás povedou při vytváření požadavků na službu.
- Koncepty poskytují vysvětlení funkcí a funkcí služby.
- Příručky s postupy obsahují pokyny pro používání služby konkrétnějšími nebo přizpůsobenými způsoby.
Příklady scénářů použití
CLU je možné použít v několika scénářích v různých odvětvích. Tady je několik příkladů:
Kompletní konverzační robot
Pomocí CLU můžete sestavit a vytrénovat vlastní model pro porozumění přirozenému jazyku na základě konkrétní domény a očekávaných promluv uživatelů. Integrujte ho s jakýmkoli komplexním konverzačním robotem, aby mohl zpracovávat a analyzovat příchozí text v reálném čase, identifikovat záměr textu a extrahovat z něj důležité informace. Požádejte robota, aby provedl požadovanou akci na základě záměru a extrahovaných informací. Příkladem může být přizpůsobený maloobchodní robot pro online nakupování nebo objednávání potravin.
Roboti s lidskou asistent
Jedním z příkladů robota pro lidské asistent je pomoct zaměstnancům zlepšit zapojení zákazníků tím, že vytáčí dotazy zákazníků a přiřadí je příslušnému technikovi podpory. Dalším příkladem může být robot pro lidské zdroje v podniku, který umožňuje zaměstnancům komunikovat v přirozeném jazyce a přijímat pokyny na základě dotazu.
Příkazová a řídicí aplikace
Když integrujete klientskou aplikaci s komponentou převodu řeči na text, můžou uživatelé vyslovit příkaz v přirozeném jazyce pro CLU, který zpracuje, identifikuje záměr a extrahuje z textu informace, které klientská aplikace provede k provedení akce. Tento případ použití má mnoho aplikací, jako je zastavení, přehrávání, vpřed a převinutí skladby nebo zapnutí nebo vypnutí světel.
Podnikový chatovací robot
Ve velké společnosti může podnikový chatovací robot zpracovávat různé záležitosti zaměstnanců. Může zpracovávat nejčastější dotazy, které nabízí vlastní odpověď na otázky znalostní báze, dovednost specifická pro kalendář, kterou poskytuje porozumění konverzačnímu jazyku, a dovednost zpětné vazby na pohovor, kterou poskytuje luis. Pomocí pracovního postupu orchestrace můžete všechny tyto dovednosti propojit a správně směrovat příchozí požadavky do správné služby.
Životní cyklus vývoje projektů
Vytvoření projektu CLU obvykle zahrnuje několik různých kroků.
Pokud chcete svůj model co nejlépe použít, postupujte následovně:
Definujte schéma: Poznejte svá data a definujte akce a relevantní informace, které je potřeba rozpoznat ze vstupních promluv uživatele. V tomto kroku vytvoříte záměry , které chcete přiřadit k promluvám uživatele, a příslušné entity , které chcete extrahovat.
Označení dat: Kvalita popisování dat je klíčovým faktorem při určování výkonu modelu.
Trénování modelu: Model se začne učit z označených dat.
Zobrazení výkonu modelu: Zobrazte si podrobnosti o vyhodnocení modelu, abyste zjistili, jak dobře funguje, když se seznámíte s novými daty.
Vylepšení modelu: Po kontrole výkonu modelu se pak můžete dozvědět, jak můžete model vylepšit.
Nasazení modelu: Nasazení modelu zpřístupní pro použití prostřednictvím rozhraní API modulu runtime.
Předpovídání záměrů a entit: Pomocí vlastního modelu můžete předpovědět záměry a entity z promluv uživatelů.
Referenční dokumentace a ukázky kódu
Při používání CLU si projděte následující referenční dokumentaci a ukázky pro jazyk Azure AI:
| Možnost vývoje / jazyk | Referenční dokumentace | Ukázky |
|---|---|---|
| Rozhraní REST API (vytváření) | Dokumentace k rozhraní REST API | |
| Rozhraní REST API (runtime) | Dokumentace k rozhraní REST API | |
| C# (runtime) | Dokumentace k jazyku C# | Ukázky C# |
| Python (runtime) | Dokumentace k Pythonu | Ukázky Pythonu |
Zodpovědná umělá inteligence
Systém AI zahrnuje nejen technologii, ale také lidi, kteří ho budou používat, lidi, kterých se tento systém bude týkat, a prostředí, ve kterém je nasazený. Přečtěte si poznámku k transparentnosti pro CLU, kde se dozvíte o zodpovědném používání a nasazování AI ve vašich systémech. Další informace najdete také v následujících článcích:
- Poznámka k transparentnosti jazyka Azure AI
- Integrace a zodpovědné využití
- Data, ochrana osobních údajů a zabezpečení
Další kroky
Pomocí článku pro rychlý start můžete začít používat porozumění konverzačnímu jazyku.
Při procházení životního cyklu vývoje projektu si projděte glosář , kde se dozvíte více o termínech používaných v dokumentaci k této funkci.
Nezapomeňte zobrazit limity služby pro informace, jako je regionální dostupnost.