Rychlý start: Pracovní postup orchestrace
Tento článek vám umožní začít pracovat s projekty pracovních postupů orchestrace pomocí nástroje Language Studio a rozhraní REST API. Pokud chcete vyzkoušet příklad, postupujte podle těchto kroků.
Požadavky
- Předplatné Azure – vytvořte si ho zdarma.
- Projekt pro porozumění konverzačnímu jazyku .
Přihlášení k sadě Language Studio
Přejděte do jazykového studia a přihlaste se pomocí svého účtu Azure.
V zobrazeném okně Zvolit prostředek jazyka najděte své předplatné Azure a zvolte prostředek jazyka. Pokud prostředek nemáte, můžete vytvořit nový.
Podrobnosti o instanci Požadovaná hodnota Předplatné Azure Vaše předplatné Azure. Skupina prostředků Azure Vaše skupina prostředků Azure. Název prostředku Azure Název vašeho prostředku Azure. Umístění Platné umístění vašeho prostředku Azure. Například "USA – západ 2". Cenová úroveň Podporovaná cenová úroveň pro váš prostředek Azure. K vyzkoušení služby můžete použít úroveň Free (F0).
Vytvoření projektu pracovního postupu orchestrace
Po vytvoření prostředku jazyka vytvořte projekt pracovního postupu orchestrace. Projekt je pracovní oblast pro vytváření vlastních modelů ML na základě vašich dat. K projektu máte přístup jenom vy a ostatní uživatelé, kteří mají přístup k používanému prostředku jazyka.
Pro účely tohoto rychlého startu dokončete rychlý start pro porozumění konverzačnímu jazyku a vytvořte projekt pro porozumění konverzačnímu jazyku, který použijete později.
V nástroji Language Studio vyhledejte část s názvem Principy otázek a konverzačního jazyka a vyberte Pracovní postup orchestrace.
Tím přejdete na stránku projektu pracovního postupu Orchestrace . Vyberte Create new project (Vytvořit nový projekt). Pokud chcete vytvořit projekt, budete muset zadat následující podrobnosti:
Hodnota | Popis |
---|---|
Název | Název projektu. |
Description | Volitelný popis projektu. |
Primární jazyk promluv | Primární jazyk projektu. Vaše trénovací data by měla být primárně v tomto jazyce. |
Až budete hotovi, vyberte Další a zkontrolujte podrobnosti. Výběrem možnosti Create project (Vytvořit projekt ) proces dokončete. V projektu by se teď měla zobrazit obrazovka Build Schema (Sestavit schéma ).
Sestavení schématu
Po dokončení rychlého startu pro porozumění konverzačnímu jazyku a vytvoření projektu orchestrace je dalším krokem přidání záměrů.
Připojení k dříve vytvořenému projektu pro porozumění konverzačnímu jazyku:
- Na stránce schématu sestavení v projektu orchestrace vyberte Přidat a přidejte záměr.
- V okně, které se zobrazí, pojmenujte svůj záměr.
- Vyberte Ano, chci ho připojit k existujícímu projektu.
- V rozevíracím seznamu připojených služeb vyberte Konverzační Language Understanding.
- V rozevíracím seznamu s názvem projektu vyberte svůj projekt pro porozumění konverzačnímu jazyku.
- Vyberte Přidat záměr a vytvořte svůj záměr.
Trénování modelu
Pokud chcete vytrénovat model, musíte spustit trénovací úlohu. Výstupem úspěšné trénovací úlohy je trénovaný model.
Pokud chcete začít s trénováním modelu v sadě Language Studio:
V nabídce na levé straně vyberte Trénovací úlohy .
V horní nabídce vyberte Spustit trénovací úlohu .
Vyberte Trénování nového modelu a do textového pole zadejte název modelu. Existující model můžete také přepsat tak, že vyberete tuto možnost a v rozevírací nabídce zvolíte model, který chcete přepsat. Přepsání natrénovaného modelu je nevratné, ale nasazené modely neovlivní, dokud nový model nenasadíte.
Pokud jste v projektu povolili ruční rozdělení dat při označování promluv, zobrazí se dvě možnosti rozdělení dat:
- Automatické rozdělení testovací sady od trénovacích dat: Označené promluvy se náhodně rozdělí mezi trénovací a testovací sadu podle toho, kolik procent zvolíte. Výchozí procentuální rozdělení je 80 % pro trénování a 20 % pro testování. Pokud chcete tyto hodnoty změnit, zvolte sadu, kterou chcete změnit, a zadejte novou hodnotu.
Poznámka
Pokud zvolíte možnost Automaticky rozdělit testovací sadu od trénovacích dat , rozdělí se podle zadaných procent jenom promluvy ve vaší trénovací sadě.
- Použití ručního rozdělení trénovacích a testovacích dat: Přiřaďte každou promluvu buď k trénovací , nebo testovací sadě během kroku označování projektu.
Poznámka
Možnost ručního rozdělení trénovacích a testovacích dat se povolí jenom v případě, že do testovací sady na stránce dat značek přidáte promluvy. V opačném případě bude zakázán.
Vyberte tlačítko Train (Trénovat).
Poznámka
- Modely budou generovat pouze úspěšně dokončené trénovací úlohy.
- Trénování může na základě velikosti označených dat nějakou dobu trvat několik minut až několik hodin.
- Najednou můžete mít spuštěnou pouze jednu úlohu trénování. Nelze spustit jinou úlohu trénování se stejným projektem, dokud se spuštěná úloha nedokončí.
Nasazení modelu
Obecně platí, že po vytrénování modelu byste si prostudovali podrobnosti o jeho vyhodnocení. V tomto rychlém startu jednoduše nasadíte model a zpřístupníte ho, abyste si ho mohli vyzkoušet v sadě Language Studio, nebo můžete volat rozhraní API pro predikce.
Nasazení modelu z jazykového studia:
V nabídce na levé straně vyberte Deploying a model (Nasazení modelu ).
Vyberte Přidat nasazení a spusťte novou úlohu nasazení.
Výběrem možnosti Vytvořit nové nasazení vytvořte nové nasazení a v rozevíracím seznamu níže přiřaďte vytrénovaný model. Můžete také přepsat existující nasazení tak, že vyberete tuto možnost a v rozevíracím seznamu níže vyberete natrénovaný model, který k němu chcete přiřadit.
Poznámka
Přepsání existujícího nasazení nevyžaduje změny volání rozhraní API pro predikce , ale výsledky, které získáte, budou vycházet z nově přiřazeného modelu.
Pokud připojujete jednu nebo více aplikací LUIS nebo projektů pro porozumění jazyku konverzace , musíte zadat název nasazení.
Pro vlastní odpovídání na otázky nebo nepropojené záměry se nevyžadují žádné konfigurace.
Projekty LUIS musí být publikovány do slotu nakonfigurovaného během nasazení orchestrace a vlastní znalostní báze pro odpovědi na dotazy musí být také publikovány do jejich produkčních slotů.
Vyberte Nasadit a odešlete úlohu nasazení.
Po úspěšném nasazení se vedle něj zobrazí datum vypršení platnosti. K vypršení platnosti nasazení dochází v případě, že nasazený model nebude možné použít k predikci, k čemuž obvykle dochází dvanáct měsíců po vypršení platnosti trénovací konfigurace.
Test modelu
Po nasazení modelu ho můžete začít používat k vytváření předpovědí prostřednictvím rozhraní API pro predikce. V tomto rychlém startu použijete Jazykové studio k odeslání promluvy, získání předpovědí a vizualizaci výsledků.
Testování modelu z nástroje Language Studio
V nabídce na levé straně vyberte Testovací nasazení .
Vyberte model, který chcete otestovat. Můžete testovat pouze modely, které jsou přiřazené k nasazením.
V rozevíracím seznamu názvu nasazení vyberte název vašeho nasazení.
Do textového pole zadejte promluvu, která se má otestovat.
V horní nabídce vyberte Spustit test.
Po spuštění testu by se ve výsledku měla zobrazit odpověď modelu. Výsledky můžete zobrazit v zobrazení karet entit nebo ve formátu JSON.
Vyčištění prostředků
Pokud už projekt nepotřebujete, můžete ho odstranit pomocí nástroje Language Studio. V levé navigační nabídce vyberte Projekty , vyberte projekt, který chcete odstranit, a pak v horní nabídce vyberte Odstranit .
Požadavky
- Předplatné Azure – vytvořte si ho zdarma.
Vytvoření prostředku jazyka z Azure Portal
Vytvoření nového prostředku z Azure Portal
Přejděte na Azure Portal a vytvořte nový prostředek jazyka Azure AI.
Vyberte Pokračovat a vytvořte prostředek.
Vytvořte prostředek jazyka s následujícími podrobnostmi.
Podrobnosti o instanci Požadovaná hodnota Oblast Jedna z podporovaných oblastí. Name Název prostředku jazyka. Cenová úroveň Jedna z podporovaných cenových úrovní.
Získání klíčů prostředků a koncového bodu
V Azure Portal přejděte na stránku přehledu prostředků.
V nabídce na levé straně vyberte Klíče a koncový bod. Pro požadavky rozhraní API použijete koncový bod a klíč.
Vytvoření projektu pracovního postupu orchestrace
Po vytvoření prostředku jazyka vytvořte projekt pracovního postupu orchestrace. Projekt je pracovní oblast pro vytváření vlastních modelů ML na základě vašich dat. K projektu máte přístup jenom vy a ostatní uživatelé, kteří mají přístup k používanému prostředku jazyka.
Pro účely tohoto rychlého startu dokončete rychlý start clu a vytvořte projekt CLU, který se použije v pracovním postupu orchestrace.
Odešlete požadavek PATCH pomocí následující adresy URL, hlaviček a textu JSON a vytvořte nový projekt.
Adresa URL požadavku
Při vytváření požadavku rozhraní API použijte následující adresu URL. Nahraďte následující zástupné hodnoty vlastními hodnotami.
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
Zástupný symbol | Hodnota | Příklad |
---|---|---|
{ENDPOINT} |
Koncový bod pro ověření požadavku rozhraní API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Název projektu. V této hodnotě se rozlišují malá a velká písmena. | myProject |
{API-VERSION} |
Verze rozhraní API, kterou voláte. | 2023-04-01 |
Hlavičky
K ověření požadavku použijte následující hlavičku.
Klíč | Hodnota |
---|---|
Ocp-Apim-Subscription-Key |
Klíč k vašemu prostředku. Používá se k ověřování požadavků rozhraní API. |
Text
Jako tělo použijte následující ukázkový json.
{
"projectName": "{PROJECT-NAME}",
"language": "{LANGUAGE-CODE}",
"projectKind": "Orchestration",
"description": "Project description"
}
Klíč | Zástupný symbol | Hodnota | Příklad |
---|---|---|---|
projectName |
{PROJECT-NAME} |
Název projektu. V této hodnotě se rozlišují malá a velká písmena. | EmailApp |
language |
{LANGUAGE-CODE} |
Řetězec určující kód jazyka pro promluvy použité v projektu. Pokud se jedná o vícejazyčný projekt, zvolte kód jazyka většiny promluv. | en-us |
Sestavení schématu
Po dokončení rychlého startu CLU a vytvoření projektu orchestrace je dalším krokem přidání záměrů.
Pokud chcete projekt importovat, odešlete požadavek POST pomocí následující adresy URL, hlaviček a textu JSON.
Adresa URL požadavku
Při vytváření požadavku rozhraní API použijte následující adresu URL. Nahraďte následující zástupné hodnoty vlastními hodnotami.
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:import?api-version={API-VERSION}
Zástupný symbol | Hodnota | Příklad |
---|---|---|
{ENDPOINT} |
Koncový bod pro ověření požadavku rozhraní API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Název projektu. V této hodnotě se rozlišují malá a velká písmena. | myProject |
{API-VERSION} |
Verze rozhraní API, kterou voláte. | 2023-04-01 |
Hlavičky
K ověření požadavku použijte následující hlavičku.
Klíč | Hodnota |
---|---|
Ocp-Apim-Subscription-Key |
Klíč k vašemu prostředku. Používá se k ověřování požadavků rozhraní API. |
Text
Poznámka
Každý záměr by měl mít pouze jeden typ z (CLU, LUIS a qna).
Jako tělo použijte následující ukázkový json.
{
"projectFileVersion": "{API-VERSION}",
"stringIndexType": "Utf16CodeUnit",
"metadata": {
"projectKind": "Orchestration",
"settings": {
"confidenceThreshold": 0
},
"projectName": "{PROJECT-NAME}",
"description": "Project description",
"language": "{LANGUAGE-CODE}"
},
"assets": {
"projectKind": "Orchestration",
"intents": [
{
"category": "string",
"orchestration": {
"kind": "luis",
"luisOrchestration": {
"appId": "00000000-0000-0000-0000-000000000000",
"appVersion": "string",
"slotName": "string"
},
"cluOrchestration": {
"projectName": "string",
"deploymentName": "string"
},
"qnaOrchestration": {
"projectName": "string"
}
}
}
],
"utterances": [
{
"text": "Trying orchestration",
"language": "{LANGUAGE-CODE}",
"intent": "string"
}
]
}
}
Klíč | Zástupný symbol | Hodnota | Příklad |
---|---|---|---|
api-version |
{API-VERSION} |
Verze rozhraní API, kterou voláte. Zde použitá verze musí být stejná jako verze rozhraní API v adrese URL. | 2022-03-01-preview |
projectName |
{PROJECT-NAME} |
Název projektu. V této hodnotě se rozlišují malá a velká písmena. | EmailApp |
language |
{LANGUAGE-CODE} |
Řetězec určující kód jazyka pro promluvy použité v projektu. Pokud se jedná o vícejazyčný projekt, zvolte kód jazyka většiny promluv. | en-us |
Trénování modelu
Pokud chcete vytrénovat model, musíte spustit trénovací úlohu. Výstupem úspěšné trénovací úlohy je trénovaný model.
Vytvořte požadavek POST pomocí následující adresy URL, hlaviček a textu JSON a odešlete trénovací úlohu.
Adresa URL požadavku
Při vytváření požadavku rozhraní API použijte následující adresu URL. Nahraďte následující zástupné hodnoty vlastními hodnotami.
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}
Zástupný symbol | Hodnota | Příklad |
---|---|---|
{ENDPOINT} |
Koncový bod pro ověření požadavku rozhraní API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Název projektu. V této hodnotě se rozlišují malá a velká písmena. | EmailApp |
{API-VERSION} |
Verze rozhraní API, kterou voláte. | 2023-04-01 |
Hlavičky
K ověření požadavku použijte následující hlavičku.
Klíč | Hodnota |
---|---|
Ocp-Apim-Subscription-Key |
Klíč k vašemu prostředku. Používá se k ověřování požadavků rozhraní API. |
Text požadavku
V požadavku použijte následující objekt. Model bude pojmenován po MyModel
dokončení trénování.
{
"modelLabel": "{MODEL-NAME}",
"trainingMode": "standard",
"trainingConfigVersion": "{CONFIG-VERSION}",
"evaluationOptions": {
"kind": "percentage",
"testingSplitPercentage": 20,
"trainingSplitPercentage": 80
}
}
Klíč | Zástupný symbol | Hodnota | Příklad |
---|---|---|---|
modelLabel |
{MODEL-NAME} |
Název vašeho modelu. | Model1 |
trainingMode |
standard |
Režim trénování. V orchestraci je k dispozici pouze jeden režim trénování, kterým je standard . |
standard |
trainingConfigVersion |
{CONFIG-VERSION} |
Verze modelu konfigurace trénování. Ve výchozím nastavení se používá nejnovější verze modelu . | 2022-05-01 |
kind |
percentage |
Metody rozdělení. Možné hodnoty jsou percentage nebo manual . Další informace najdete v tématu trénování modelu . |
percentage |
trainingSplitPercentage |
80 |
Procento označených dat, která se mají zahrnout do trénovací sady Doporučená hodnota je 80 . |
80 |
testingSplitPercentage |
20 |
Procento označených dat, která se mají zahrnout do testovací sady Doporučená hodnota je 20 . |
20 |
Poznámka
Hodnoty trainingSplitPercentage
a testingSplitPercentage
jsou vyžadovány pouze v případě, že Kind
je nastavená na percentage
hodnotu a součet obou procent by se měl rovnat hodnotě 100.
Jakmile odešlete požadavek rozhraní API, obdržíte odpověď označující 202
úspěch. V hlavičce odpovědi extrahujte operation-location
hodnotu . Bude formátovaný takto:
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
Tuto adresu URL můžete použít k získání stavu trénovací úlohy.
Get Training Status
Trénování může trvat 10 až 30 minut. Pomocí následujícího požadavku můžete pokračovat v dotazování na stav trénovací úlohy, dokud nebude úspěšně dokončena.
Pomocí následujícího požadavku GET získáte stav průběhu trénování modelu. Nahraďte následující zástupné hodnoty vlastními hodnotami.
Adresa URL požadavku
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
Zástupný symbol | Hodnota | Příklad |
---|---|---|
{YOUR-ENDPOINT} |
Koncový bod pro ověření požadavku rozhraní API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Název projektu. V této hodnotě se rozlišují malá a velká písmena. | EmailApp |
{JOB-ID} |
ID pro vyhledání stavu trénování modelu. Je v hodnotě hlavičky location , kterou jste získali při odeslání trénovací úlohy. |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
{API-VERSION} |
Verze rozhraní API, kterou voláte. | 2023-04-01 |
Hlavičky
K ověření požadavku použijte následující hlavičku.
Klíč | Hodnota |
---|---|
Ocp-Apim-Subscription-Key |
Klíč k vašemu prostředku. Používá se k ověřování požadavků rozhraní API. |
Text odpovědi
Jakmile požadavek odešlete, obdržíte následující odpověď. Pokračujte v dotazování tohoto koncového bodu, dokud se parametr status nezmění na "succeeded".
{
"result": {
"modelLabel": "{MODEL-LABEL}",
"trainingConfigVersion": "{TRAINING-CONFIG-VERSION}",
"estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
"trainingStatus": {
"percentComplete": 3,
"startDateTime": "2022-04-18T15:45:06.8190649Z",
"status": "running"
},
"evaluationStatus": {
"percentComplete": 0,
"status": "notStarted"
}
},
"jobId": "xxxxxx-xxxxx-xxxxxx-xxxxxx",
"createdDateTime": "2022-04-18T15:44:44Z",
"lastUpdatedDateTime": "2022-04-18T15:45:48Z",
"expirationDateTime": "2022-04-25T15:44:44Z",
"status": "running"
}
Klíč | Hodnota | Příklad |
---|---|---|
modelLabel |
Název modelu | Model1 |
trainingConfigVersion |
Verze trénovací konfigurace. Ve výchozím nastavení se použije nejnovější verze . | 2022-05-01 |
startDateTime |
Čas zahájení trénování | 2022-04-14T10:23:04.2598544Z |
status |
Stav trénovací úlohy | running |
estimatedEndDateTime |
Odhadovaný čas dokončení trénovací úlohy | 2022-04-14T10:29:38.2598544Z |
jobId |
ID trénovací úlohy | xxxxx-xxxx-xxxx-xxxx-xxxxxxxxx |
createdDateTime |
Datum a čas vytvoření trénovací úlohy | 2022-04-14T10:22:42Z |
lastUpdatedDateTime |
Datum a čas poslední aktualizace úlohy trénování | 2022-04-14T10:23:45Z |
expirationDateTime |
Datum a čas vypršení platnosti trénovací úlohy | 2022-04-14T10:22:42Z |
Nasazení modelu
Obecně platí, že po vytrénování modelu byste si prostudovali podrobnosti o jeho vyhodnocení. V tomto rychlém startu jednoduše nasadíte model a zavoláte rozhraní API pro predikce , abyste se mohli dotazovat na výsledky.
Odeslání úlohy nasazení
Vytvořte požadavek PUT pomocí následující adresy URL, hlaviček a textu JSON a začněte nasazovat model pracovního postupu orchestrace.
Adresa URL požadavku
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version={API-VERSION}
Zástupný symbol | Hodnota | Příklad |
---|---|---|
{ENDPOINT} |
Koncový bod pro ověření požadavku rozhraní API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Název projektu. V této hodnotě se rozlišují malá a velká písmena. | myProject |
{DEPLOYMENT-NAME} |
Název vašeho nasazení. V této hodnotě se rozlišují malá a velká písmena. | staging |
{API-VERSION} |
Verze rozhraní API, kterou voláte. | 2023-04-01 |
Hlavičky
K ověření požadavku použijte následující hlavičku.
Klíč | Hodnota |
---|---|
Ocp-Apim-Subscription-Key |
Klíč k vašemu prostředku. Používá se k ověřování požadavků rozhraní API. |
Text požadavku
{
"trainedModelLabel": "{MODEL-NAME}",
}
Klíč | Zástupný symbol | Hodnota | Příklad |
---|---|---|---|
trainedModelLabel | {MODEL-NAME} |
Název modelu, který se přiřadí k vašemu nasazení. Můžete přiřadit pouze úspěšně natrénované modely. V této hodnotě se rozlišují velká a malá písmena. | myModel |
Jakmile odešlete požadavek rozhraní API, obdržíte 202
odpověď označující úspěch. V hlavičce odpovědi extrahujte operation-location
hodnotu. Formát bude vypadat takto:
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
Tuto adresu URL můžete použít k získání stavu úlohy nasazení.
Získání stavu úlohy nasazení
Pomocí následujícího požadavku GET získáte stav úlohy nasazení. Nahraďte následující zástupné hodnoty vlastními hodnotami.
Adresa URL požadavku
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
Zástupný symbol | Hodnota | Příklad |
---|---|---|
{ENDPOINT} |
Koncový bod pro ověření požadavku rozhraní API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Název projektu. V této hodnotě se rozlišují velká a malá písmena. | myProject |
{DEPLOYMENT-NAME} |
Název vašeho nasazení. V této hodnotě se rozlišují velká a malá písmena. | staging |
{JOB-ID} |
ID pro vyhledání stavu trénování modelu. Tato hodnota je v hodnotě location hlavičky, kterou jste obdrželi z rozhraní API v reakci na požadavek na nasazení modelu. |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
{API-VERSION} |
Verze rozhraní API, které voláte. | 2023-04-01 |
Hlavičky
K ověření požadavku použijte následující hlavičku.
Klíč | Hodnota |
---|---|
Ocp-Apim-Subscription-Key |
Klíč k vašemu prostředku. Používá se k ověřování požadavků rozhraní API. |
Text odpovědi
Po odeslání žádosti se zobrazí následující odpověď. Pokračujte v dotazování tohoto koncového bodu, dokud se parametr status nezmění na "úspěch".
{
"jobId":"{JOB-ID}",
"createdDateTime":"{CREATED-TIME}",
"lastUpdatedDateTime":"{UPDATED-TIME}",
"expirationDateTime":"{EXPIRATION-TIME}",
"status":"running"
}
Model dotazu
Po nasazení modelu ho můžete začít používat k vytváření předpovědí prostřednictvím rozhraní API pro predikce.
Po úspěšném nasazení můžete začít dotazovat nasazený model na předpovědi.
Vytvořte požadavek POST pomocí následující adresy URL, hlaviček a textu JSON a začněte testovat model pracovního postupu orchestrace.
Adresa URL požadavku
{ENDPOINT}/language/:analyze-conversations?api-version={API-VERSION}
Zástupný symbol | Hodnota | Příklad |
---|---|---|
{ENDPOINT} |
Koncový bod pro ověření požadavku rozhraní API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{API-VERSION} |
Verze rozhraní API, které voláte. | 2023-04-01 |
Hlavičky
K ověření požadavku použijte následující hlavičku.
Klíč | Hodnota |
---|---|
Ocp-Apim-Subscription-Key |
Klíč k vašemu prostředku. Používá se k ověřování požadavků rozhraní API. |
Text požadavku
{
"kind": "Conversation",
"analysisInput": {
"conversationItem": {
"text": "Text1",
"participantId": "1",
"id": "1"
}
},
"parameters": {
"projectName": "{PROJECT-NAME}",
"deploymentName": "{DEPLOYMENT-NAME}",
"directTarget": "qnaProject",
"targetProjectParameters": {
"qnaProject": {
"targetProjectKind": "QuestionAnswering",
"callingOptions": {
"context": {
"previousUserQuery": "Meet Surface Pro 4",
"previousQnaId": 4
},
"top": 1,
"question": "App Service overview"
}
}
}
}
}
Text odpovědi
Po odeslání žádosti se zobrazí následující odpověď na předpověď.
{
"kind": "ConversationResult",
"result": {
"query": "App Service overview",
"prediction": {
"projectKind": "Orchestration",
"topIntent": "qnaTargetApp",
"intents": {
"qnaTargetApp": {
"targetProjectKind": "QuestionAnswering",
"confidenceScore": 1,
"result": {
"answers": [
{
"questions": [
"App Service overview"
],
"answer": "The compute resources you use are determined by the *App Service plan* that you run your apps on.",
"confidenceScore": 0.7384000000000001,
"id": 1,
"source": "https://learn.microsoft.com/azure/app-service/overview",
"metadata": {},
"dialog": {
"isContextOnly": false,
"prompts": []
}
}
]
}
}
}
}
}
}
Vyčištění prostředků
Pokud už projekt nepotřebujete, můžete ho odstranit pomocí rozhraní API.
Pomocí následující adresy URL, hlaviček a textu JSON vytvořte požadavek DELETE , který odstraní projekt pro porozumění konverzačnímu jazyku.
Adresa URL požadavku
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
Zástupný symbol | Hodnota | Příklad |
---|---|---|
{ENDPOINT} |
Koncový bod pro ověření požadavku rozhraní API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Název projektu. V této hodnotě se rozlišují velká a malá písmena. | myProject |
{API-VERSION} |
Verze rozhraní API, které voláte. | 2023-04-01 |
Hlavičky
K ověření požadavku použijte následující hlavičku.
Klíč | Hodnota |
---|---|
Ocp-Apim-Subscription-Key |
Klíč k vašemu prostředku. Používá se k ověřování požadavků rozhraní API. |
Jakmile odešlete požadavek rozhraní API, obdržíte 202
odpověď označující úspěch, což znamená, že váš projekt byl odstraněn.
Další kroky
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro