Plánování aplikace QnA Maker

  • Článek

Při plánování aplikace QnA Maker potřebujete pochopit, jak služba QnA Maker funguje a jak komunikuje s dalšími službami Azure. Měli byste také dobře pochopit znalostní báze koncepty.

Poznámka

Služba QnA Maker se k 31. březnu 2025 vyřadí z provozu. V rámci jazyka Azure AI je teď k dispozici novější verze funkce otázek a odpovědí. Informace o možnostech odpovídání na otázky v rámci služby jazyka najdete v článku o odpovídání na otázky. Od 1. října 2022 nebudete moct vytvářet nové prostředky služby QnA Maker. Informace o migraci stávajících znalostních bází služby QnA Maker na zodpovězení otázek najdete v průvodci migrací.

Prostředky Azure

Každý prostředek Azure vytvořený pomocí služby QnA Maker má konkrétní účel. Každý prostředek má svůj vlastní účel, omezení a cenovou úroveň. Je důležité pochopit funkci těchto prostředků, abyste tyto znalosti mohli využít při plánování.

Prostředek Účel
Prostředek služby QnA Maker Vytváření a predikce dotazů
Prostředek služby Cognitive Search Ukládání a vyhledávání dat
App Service prostředku a služby App Plan Service Koncový bod předpovědi dotazů
Prostředek Application Insights Telemetrie predikce dotazů

Plánování zdrojů

Úroveň F0Free každého prostředku funguje a může poskytovat prostředí pro vytváření i predikci dotazů. Tuto úroveň můžete použít k seznámení s vytvářením a predikcí dotazů. Když přejdete na produkční nebo živý scénář, znovu vyhodnoťte výběr prostředků.

Velikost a propustnost znalostní báze

Při vytváření skutečné aplikace naplánujte dostatek prostředků pro velikost znalostní báze a očekávané požadavky na predikci dotazů.

Velikost znalostní báze řídí:

Žádost o predikci dotazu znalostní báze řídí plán webové aplikace a webová aplikace. Informace o plánování cenové úrovně najdete v doporučených nastaveních .

Sdílení prostředků

Pokud už některé z těchto prostředků používáte, můžete zvážit jejich sdílení. Zjistěte, které prostředky je možné sdílet , s pochopením, že sdílení prostředků je pokročilý scénář.

Všechny znalostní báze vytvořené ve stejném prostředku služby QnA Maker sdílejí stejný koncový bod predikce testovacího dotazu.

Vysvětlení dopadu výběru prostředků

Správný výběr prostředků znamená, že vaše znalostní báze úspěšně odpoví na predikce dotazů.

Pokud vaše znalostní báze nefunguje správně, obvykle se jedná o problém nesprávné správy prostředků.

Nesprávný výběr prostředku vyžaduje šetření, aby bylo možné určit, který prostředek je potřeba změnit.

Znalostní báze

Znalostní báze je přímo svázán s prostředkem služby QnA Maker. Obsahuje dvojice otázek a odpovědí, které slouží k odpovídání na požadavky na predikci dotazů.

Aspekty jazyka

První znalostní báze vytvořený v prostředku služby QnA Maker nastaví jazyk prostředku. Pro prostředek služby QnA Maker můžete mít jenom jeden jazyk.

Prostředky služby QnA Maker můžete strukturovat podle jazyka nebo můžete pomocí služby Translator změnit dotaz z jiného jazyka na jazyk znalostní báze před odesláním dotazu do koncového bodu předpovědi dotazu.

Ingestování zdrojů dat

K vytvoření znalostní báze můžete použít jeden z následujících ingestovaných zdrojů dat:

  • Veřejná adresa URL
  • Privátní adresa URL SharePointu
  • File

Proces příjmu dat převede podporované typy obsahu na Markdown. Všechny další úpravy odpovědi se provádějí pomocí Markdownu. Po vytvoření znalostní báze můžete upravovat páry otázek a odpovědí na portálu QnA Maker pomocí vytváření formátovaného textu.

Důležité informace o formátu dat

Vzhledem k tomu, že konečný formát dvojice otázek a odpovědí je Markdown, je důležité porozumět podpoře Markdownu.

Propojené obrázky musí být dostupné z veřejné adresy URL, aby se zobrazily v testovacím podokně portálu služby QnA Maker nebo v klientské aplikaci. QnA Maker neposkytuje ověřování pro obsah, včetně obrázků.

Osobnost robota

Vynikněte do svého znalostní báze osobností pomocí chatu. Tato osobnost přichází s odpověďmi poskytnutými v určitém konverzačním tónu, jako je profesionální a přátelský. Tento chat se poskytuje jako konverzační sada, ve které máte úplnou kontrolu při přidávání, úpravách a odebírání.

Pokud se robot připojí k vašemu znalostní báze, doporučuje se osobnost robota. V znalostní báze se můžete rozhodnout používat chatování, i když se připojujete také k jiným službám, měli byste si ale projít, jak služba robota komunikuje, abyste věděli, jestli je to správný návrh architektury pro vaše použití.

Tok konverzace s znalostní báze

Tok konverzace obvykle začíná oslovováním uživatele, jako Hi je nebo Hello. Váš znalostní báze může odpovědět obecnou odpovědí, například Hi, how can I help you, a může také poskytnout výběr následných výzev k pokračování v konverzaci.

Konverzační tok byste měli navrhnout s ohledem na smyčku, aby uživatel věděl, jak robota používat, a aby ho robot v konverzaci neopustil. Následné výzvy poskytují propojení mezi páry otázek a odpovědí, které umožňují konverzační tok.

Vytváření se spolupracovníky

Spolupracovníci můžou být jiní vývojáři, kteří sdílejí celý vývojový zásobník znalostní báze aplikace, nebo mohou být omezeni pouze na vytváření znalostní báze.

Vytváření znalostní báze podporuje několik přístupových oprávnění na základě role, která použijete v Azure Portal k omezení rozsahu schopností spolupracovníka.

Integrace s klientskými aplikacemi

Integrace s klientskými aplikacemi se provádí odesláním dotazu do koncového bodu modulu runtime predikce. Na konkrétní znalostní báze se odešle dotaz s požadavkem založeným na sadě SDK nebo REST na koncový bod webové aplikace služby QnA Maker.

Aby bylo možné požadavek klienta správně ověřit, musí klientská aplikace odeslat správné přihlašovací údaje a id znalostní báze. Pokud používáte Bot Service Azure AI, nakonfigurujte tato nastavení jako součást konfigurace robota v Azure Portal.

Tok konverzace v klientské aplikaci

Tok konverzace v klientské aplikaci, jako je robot Azure, může vyžadovat funkčnost před a po interakci s znalostní báze.

Podporuje vaše klientská aplikace tok konverzací tím, že poskytuje alternativní prostředky pro zpracování následných výzev nebo zahrnuje chit-chit? Pokud ano, navrhněte je včas a ujistěte se, že dotaz klientské aplikace správně zpracuje jiná služba nebo se odešle do vašeho znalostní báze.

Odesílání mezi službami QnA Maker a Language Understanding (LUIS)

Klientská aplikace může poskytovat několik funkcí, z nichž pouze jedna odpovídá znalostní báze. Ostatní funkce stále potřebují porozumět konverzačnímu textu a extrahovat z něj význam.

Běžnou architekturou klientských aplikací je společné používání služby QnA Maker i Language Understanding (LUIS). Služba LUIS poskytuje klasifikaci textu a extrakci pro všechny dotazy, včetně dalších služeb. QnA Maker poskytuje odpovědi z vašeho znalostní báze.

V takovém scénáři sdílené architektury provádí odesílání mezi těmito dvěma službami nástroj Dispatch z Bot Frameworku.

Aktivní učení z klientské aplikace

Služba QnA Maker využívá aktivní učení ke zlepšení znalostní báze tím, že navrhuje alternativní otázky k odpovědi. Klientská aplikace zodpovídá za část tohoto aktivního učení. Prostřednictvím konverzačních výzev může klientská aplikace zjistit, že znalostní báze vrátila odpověď, která není pro uživatele užitečná, a může určit lepší odpověď. Klientská aplikace musí odeslat informace zpět do znalostní báze, aby zlepšila kvalitu předpovědi.

Poskytnutí výchozí odpovědi

Pokud váš znalostní báze nenajde odpověď, vrátí výchozí odpověď. Tuto odpověď je možné konfigurovat na stránce Nastavení na portálu služby QnA Maker nebo v rozhraních API.

Tato výchozí odpověď se liší od výchozí odpovědi robota Azure. Výchozí odpověď robota Azure nakonfigurujete v Azure Portal jako součást nastavení konfigurace. Vrátí se, když není splněná prahová hodnota skóre.

Předpověď

Předpověď je odpověď z vašeho znalostní báze a obsahuje více informací než jen odpověď. Pokud chcete získat odpověď na predikci dotazu, použijte rozhraní API GenerateAnswer.

Kolísání skóre predikce

Skóre se může měnit na základě několika faktorů:

  • Počet odpovědí, které jste požadovali v odpovědi na GenerateAnswer s top vlastností
  • Různé dostupné alternativní otázky
  • Filtrování metadat
  • Dotaz odeslaný do test nebo production znalostní báze

Existuje dvoufázové hodnocení odpovědí:

  • Kognitivní hledání – první pořadí. Nastavte počet povolených odpovědí dostatečně vysoký, aby služba Cognitive Search vrátila nejlepší odpovědi, a pak ji předejte do nástroje QnA Maker.
  • QnA Maker – druhé místo. Použití extrakce příznaků a strojového učení k určení nejlepší odpovědi.

Aktualizace služeb

Pomocí nejnovějších aktualizací modulu runtime můžete automaticky spravovat aktualizace služeb.

Škálování, propustnost a odolnost

Škálování, propustnost a odolnost určují prostředky Azure, jejich cenové úrovně a všechny okolní architektury, jako je Traffic Manager.

Analýzy s využitím Application Insights

Všechny dotazy na znalostní báze se ukládají do Application Insights. K pochopení metrik využijte naše nejčastější dotazy .

Životní cyklus vývoje

Životní cyklus vývoje znalostní báze probíhá: úpravy, testování a publikování znalostní báze.

Vývoj znalostní báze párů služby QnA Maker

Vaše dvojice otázek a odpovědí by se měly navrhovat a vyvíjet na základě využití vaší klientské aplikace.

Každá dvojice může obsahovat:

  • Metadata – při dotazování se dají filtrovat, abyste mohli označit páry QnA dalšími informacemi o zdroji, obsahu, formátu a účelu vašich dat.
  • Následné výzvy – pomáhají určit cestu přes znalostní báze, aby uživatel došel ke správné odpovědi.
  • Alternativní otázky – důležité, aby hledání odpovídalo vaší odpovědi z různých forem otázky. Návrhy aktivního učení se změní na alternativní otázky.

Vývoj v DevOps

Vývoj znalostní báze pro vložení do kanálu DevOps vyžaduje izolaci znalostní báze během dávkového testování.

Znalostní báze sdílí index služby Cognitive Search se všemi ostatními znalostními bázemi prostředku služby QnA Maker. I když je znalostní báze izolovaný podle oddílu, sdílení indexu může způsobit rozdíl ve skóre v porovnání s publikovaným znalostní báze.

Pokud chcete mít stejné skóre u test znalostních bází a production , izolujte prostředek služby QnA Maker do jednoho znalostní báze. V této architektuře musí být prostředek aktivní pouze po dobu trvání izolovaného dávkového testu.

Další kroky