Sdílet prostřednictvím

Co je porozumění konverzačnímu jazyku?

Porozumění konverzačnímu jazyku je jednou z vlastních funkcí nabízených jazykem Azure. Jedná se o cloudovou službu API, která používá inteligentní funkce strojového učení, která umožňuje vytvářet komponentu pro porozumění přirozenému jazyku, 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. Vývojáři můžou iterativně označovat promluvy, trénovat a vyhodnocovat výkon modelu před zpřístupněním k použití vytvořením projektu CLU. Kvalita označených dat výrazně ovlivňuje výkon modelu. Kvůli zjednodušení sestavování a přizpůsobení modelu nabízí služba vlastní webový portál, ke kterému je možné přistupovat přes Microsoft Foundry. 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 funkcionality a vlastností 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:

Vícekrokové konverzace 🆕

Pomocí modulu CLU s vyplňováním slotů entit můžete povolit přirozené a progresivní shromažďování informací v rámci více konverzací. Místo zahlcení uživatelů složitými formuláři může vaše aplikace shromažďovat požadované podrobnosti, jak se přirozeně objevují v dialogu. Tento přístup je ideální pro scénáře, jako jsou rezervační systémy, pracovní postupy zákaznických služeb nebo jakákoli aplikace, kde je potřeba shromáždit úplné informace prostřednictvím konverzačních výměn.

Kompletní konverzační robot

Modul CLU slouží k vytvoření a trénování vlastního modelu pro porozumění přirozenému jazyku přizpůsobenému konkrétní doméně a očekávaným promluvám uživatelů. Toto řešení pak můžete propojit s jakýmkoli komplexním konverzačním robotem. Tento proces umožňuje robotovi zpracovávat a interpretovat příchozí zprávy v reálném čase. Tato integrace umožňuje robotovi určit záměr uživatele a extrahovat klíčové informace z konverzace, jak se to stane. Robot provede požadovanou akci na základě záměru a extrahovaných informací. Příkladem může být přizpůsobený maloobchodní robot pro online nakupování nebo objednávání potravin.

Díky kombinaci s komplexní konverzační architekturou robota dokáže systém okamžitě analyzovat text, přesně identifikovat záměry uživatelů a vytáhnout relevantní podrobnosti pro další zpracování.

Roboti lidského asistenta

Robot lidské asistentky může vylepšit služby zákazníků tím, že seřadí dotazy zákazníků a nasměruje je na správného pracovníka podpory. Podobně robot lidských zdrojů v podnikovém prostředí umožňuje zaměstnancům klást otázky v každodenním jazyce a přijímat relevantní pokyny na základě jejich požadavků.

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

V rámci velké společnosti podnikový chatbot aktivně zpracovává celou řadu důležitých informací o zaměstnancích. Zaměstnanci spoléhají na chatovacího robota, který řeší nejčastější dotazy a využívá vlastní znalostní bázi pro odpovědi na otázky. Když uživatelé komunikují se svými kalendáři, chatovací robot používá dovednost specifickou pro kalendář využívající porozumění konverzačnímu jazyku. Zaměstnanci také těží z dovednosti pro zpětnou vazbu z pohovoru, která funguje prostřednictvím CLU. Pracovní postup orchestrace bezproblémově spojuje tyto dovednosti a zajišťuje, aby všechny žádosti směroval přímo do příslušné služby.

Životní cyklus vývoje projektu

Vytvoření projektu CLU obvykle zahrnuje několik různých kroků.

Graf cesty rychlého nasazení podporované LLM.

Note

V aplikaci Foundry vytvoříte úkol pro jemné doladění, který slouží jako váš pracovní prostor pro přizpůsobení modelu CLU. Dříve se úkol jemného ladění CLU označoval jako projekt CLU. Tyto termíny se můžou používat zaměnitelně v původní dokumentaci CLU.

Modul CLU nabízí dvě cesty, které vám umožní co nejvíce z implementace dosáhnout.

Možnost 1 (rychlé nasazení s využitím LLM):

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

  2. Nasazení modelu: Nasazení modelu s trénovací konfigurací založenou na LLM zpřístupňuje použití prostřednictvím rozhraní API modulu runtime.

  3. Predikce záměrů a entit: Pomocí vlastního nasazení modelu můžete předpovědět vlastní záměry a předem připravené entity z promluv uživatele.

Možnost 2 (vlastní strojově naučený model)

Postupujte podle těchto kroků a využijte trénovaný 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 Runtime API.

  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:

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

Zodpovědná AI

Systém AI zahrnuje technologii, jednotlivce, kteří systém provozují, lidi, kteří mají zkušenosti s jeho účinky, a širší prostředí, kde všechny funkce systému hrají roli. Přečtěte si poznámku k transparentnosti modulu CLU a seznamte se s zodpovědným používáním a nasazením umělé inteligence ve vašich systémech.

Další kroky

  • Použijte článek rychlého startu, abyste mohli začít používat konverzační porozumění jazyka.

  • Při procházení životního cyklu vývoje projektu si projděte glosář , kde najdete další informace o termínech používaných v dokumentaci k této funkci.

  • Nezapomeňte se podívat na limity služeb pro informace, jako například regionální dostupnost.

  • Last updated on