Sdílet prostřednictvím

Co je porozumění konverzačnímu jazyku?

  • Článek

Porozumění konverzačnímu jazyku je jednou z vlastních funkcí nabízených jazykem Azure AI Language. Jedná se o cloudovou službu API, která používá inteligentní funkce strojového učení, která umožňuje vytvářet komponentu pro rozpoznávání přirozeného jazyka, která se má používat v ucelené konverzační aplikaci.

Porozumění konverzačnímu jazyku (CLU) umožňuje uživatelům vytvářet vlastní modely pro porozumění přirozenému jazyku, aby předpověděli celkový záměr příchozí promluvy a extrahovali z ní důležité informace. Modul CLU poskytuje inteligentní funkce pouze pro pochopení vstupního textu klientské aplikace a neprovede žádné akce. Vytvořením projektu CLU můžou vývojáři iterativní označování promluv, trénování a vyhodnocování výkonu modelu před tím, než ho zpřístupní ke spotřebě. Kvalita označených dat výrazně ovlivňuje výkon modelu. Kvůli zjednodušení sestavování a přizpůsobení modelu nabízí služba vlastní webový portál, ke kterému je možné přistupovat prostřednictvím jazykového studia. Můžete snadno začít se službou pomocí kroků v tomto rychlém startu.

Tato dokumentace obsahuje následující typy článků:

  • Rychlé starty jsou úvodní pokyny, které vás provedou prováděním požadavků na službu.
  • Koncepty poskytují vysvětlení funkcí a funkcí služby.
  • Návody obsahují pokyny pro používání služby konkrétnějšími nebo přizpůsobenými způsoby.

Příklady scénářů použití

Modul CLU je možné použít ve více scénářích v různých odvětvích. Zde je několik příkladů:

Kompletní konverzační robot

Modul CLU slouží k vytvoření a trénování vlastního modelu 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, aby identifikoval záměr textu a extrahovali 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 lidského asistenta

Jedním z příkladů robota lidské asistentky je pomoct zaměstnancům zlepšit zapojení zákazníků tím, že zřetězuje dotazy zákazníků a přiřazuje je příslušnému technikovi podpory. Dalším příkladem by byl robot lidských zdrojů v podniku, který zaměstnancům umožňuje 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 mluvit příkazem v přirozeném jazyce, aby modul CLU zpracovával, identifikoval záměr a extrahovali informace z textu klientské aplikace k provedení akce. Tento případ použití obsahuje mnoho aplikací, jako je zastavení, přehrávání, přeposlání a převinutí skladby nebo zapnutí nebo vypnutí světla.

Podnikový chatovací robot

Ve velké společnosti může podnikový chatovací robot zvládnout celou řadu zaměstnaneckých záležitostí. Může zpracovávat nejčastější dotazy obsluhované vlastními odpověďmi na otázky znalostní báze, konkrétní dovedností v kalendáři, kterou poskytuje porozumění konverzačnímu jazyku, a dovednosti pro zpětnou vazbu pro pohovory poskytované službou LUIS. Pomocí pracovního postupu Orchestraation propojte všechny tyto dovednosti a odpovídajícím způsobem směrujte příchozí požadavky do správné služby.

Životní cyklus vývoje projektu

Vytvoření projektu CLU obvykle zahrnuje několik různých kroků.

Životní cyklus vývoje

Využijte tento postup a využijte model na maximum:

  1. Definujte schéma: Znát data a definovat akce a relevantní informace, které je potřeba rozpoznat ze vstupních promluv uživatele. V tomto kroku vytvoříte záměry , které chcete přiřadit k promluvám uživatele, a relevantní entity , které chcete extrahovat.

  2. Označení dat: Kvalita popisování dat je klíčovým faktorem při určování výkonu modelu.

  3. Trénování modelu: Váš model se začíná učit z označených dat.

  4. Zobrazení výkonu modelu: Zobrazte podrobnosti vyhodnocení modelu a určete, jak dobře funguje při zavedení nových dat.

  5. Vylepšení modelu: Po kontrole výkonu modelu se pak můžete naučit, jak model vylepšit.

  6. Nasazení modelu: Nasazení modelu zpřístupňuje použití prostřednictvím rozhraní API modulu runtime.

  7. Predikce záměrů a entit: Pomocí vlastního modelu můžete předpovědět záměry a entity z promluv uživatele.

Referenční dokumentace a ukázky kódu

Při používání modulu CLU si projděte následující referenční dokumentaci a ukázky jazyka Azure AI:

Možnost vývoje / jazyk Referenční dokumentace Ukázky
Rozhraní REST API (vytváření) Dokumentace k rozhraní REST API
Rozhraní REST API (modul runtime) Dokumentace k rozhraní REST API
C# (runtime) Dokumentace k jazyku C# Ukázky jazyka C#
Python (runtime) Dokumentace k Pythonu Ukázky Pythonu

Zodpovědná AI

Systém AI zahrnuje nejen technologii, ale také lidi, kteří ho budou používat, osoby, které ho budou ovlivněny, a prostředí, ve kterém je nasazené. Přečtěte si poznámku k transparentnosti modulu CLU a seznamte se s zodpovědným používáním a nasazením umělé inteligence ve vašich systémech. Další informace najdete také v následujících článcích:

Další kroky