Was ist Conversational Language Understanding?

2025-05-20

Das Verstehen von Konversationssprache ist eine der benutzerdefinierten Features, die Azure KI Language bietet. Es handelt sich um einen cloudbasierten API-Dienst, der maschinelle Lernintelligenz anwendet, damit Sie eine Komponente für natürliches Sprachverständnis erstellen können, die in einer End-to-End-Unterhaltungsanwendung verwendet werden soll.

Conversational Language Understanding (CLU) ermöglicht Benutzern das Erstellen von benutzerdefinierten natürlichen Sprachverständnismodellen, um die allgemeine Absicht einer eingehenden Äußerung zu prognostizieren und wichtige Informationen daraus zu extrahieren. CLU bietet nur die Intelligenz, den Eingabetext für die Clientanwendung zu verstehen und führt keine Aktionen aus. Durch die Erstellung eines CLU-Projekts können Entwickler iterativ Äußerungen etikettieren, trainieren und die Leistung des Modells bewerten, bevor sie es zur Verfügung stellen. Die Qualität der bezeichneten Daten wirkt sich erheblich auf die Modellleistung aus. Um das Erstellen und Anpassen Ihres Modells zu vereinfachen, bietet der Dienst ein benutzerdefiniertes Webportal, auf das über die Azure AI Foundry zugegriffen werden kann. Sie können problemlos erste Schritte mit dem Dienst ausführen, indem Sie diese Schnellstartanleitung befolgen.

Diese Dokumentation enthält die folgenden Arten von Artikeln:

Schnellstarts sind Anleitungen zu den ersten Schritten, die Sie durch das Senden von Anforderungen an den Dienst führen.
Die Artikel zu Konzepten enthalten Erläuterungen der Dienstfunktionen und -features.
Anleitungen enthalten Anweisungen zur spezifischeren oder individuelleren Verwendung des Diensts.

Beispiele für Nutzungsszenarien

CLU kann in mehreren Szenarien in verschiedenen Branchen verwendet werden. Beispiele:

End-to-End-Unterhaltungs-Bot

Verwenden Sie CLU zum Erstellen und Trainieren eines benutzerdefinierten natürlichen Sprachverständnismodells basierend auf einer bestimmten Domäne und den erwarteten Benutzern. Integrieren Sie es in einen beliebigen End-to-End-Conversational-Bot, damit der eingehende Texte in Echtzeit verarbeiten und analysieren kann, um die Absicht des Textes zu erkennen und wichtige Informationen daraus zu extrahieren. Lassen Sie Bot die gewünschte Aktion basierend auf der Absicht und den extrahierten Informationen ausführen. Ein Beispiel wäre ein angepasster Einzelhandels-Bot für Online-Shopping oder Lebensmittelbestellungen.

Menschliche Assistenz-Bots

Ein Beispiel für einen menschlichen Assistenz-Bot ist die Unterstützung der Mitarbeiter bei der Verbesserung des Kundenkontakts, indem er Kundenanfragen bewertet und sie dem richtigen Support-Techniker zuweist. Ein weiteres Beispiel wäre Bot für die Personalabteilung eines Unternehmens. Er ermöglicht es Mitarbeitern, in natürlicher Sprache zu kommunizieren und auf der Grundlage der Abfrage eine Anleitung zu erhalten.

Befehls- und Steuerungsanwendung

Wenn Sie eine Client-Anwendung mit einer Spracherkennungskomponente integrieren, können Benutzer einen Befehl in natürlicher Sprache sprechen, der von CLU verarbeitet wird. Dabei wird die Absicht erkannt und Informationen aus dem Text extrahiert, damit die Client-Anwendung eine Aktion ausführen kann. Für diesen Anwendungsfall gibt es viele Möglichkeiten, z. B. das Anhalten, Abspielen, Vor- und Zurückspulen eines Songs oder das Ein- und Ausschalten von Lichtern.

Unternehmens-Chatbot

In einem großen Unternehmen kann ein Unternehmenschat-Bot verschiedene Mitarbeiterangelegenheiten behandeln. Er könnte häufig gestellte Fragen auf der Grundlage einer benutzerdefinierten Wissensdatenbank zur Beantwortung von Fragen beantworten, einen kalenderspezifischen Skill verwenden, der von Conversational Language Understanding bereitgestellt wird, und einen von LUIS bereitgestellten Interviewfeedback-Skill nutzen. Verwenden Sie Orchestrierungsworkflows, um all diese Fähigkeiten miteinander zu verbinden und die eingehenden Anforderungen an den richtigen Dienst weiterzuleiten.

Agenten

CLU wird von der Vorlage für Intent-Routing-Agenten verwendet, die die Absicht des Benutzers erkennt und genaue Antworten bereitstellt. Perfekt für deterministisches Intent-Routing und exakte Beantwortung von Fragen mit menschlicher Kontrolle.

Lebenszyklus der Projektentwicklung

Das Erstellen eines CLU-Projekts umfasst in der Regel mehrere verschiedene Schritte.

Hinweis

In der Azure AI Foundry erstellen Sie eine Feinabstimmungsaufgabe als Arbeitsbereich zum Anpassen Ihres CLU-Modells. Früher wurde ein CLU-Feinabstimmungsvorgang als CLU-Projekt bezeichnet. Möglicherweise werden diese Begriffe in der älteren CLU-Dokumentation austauschbar verwendet.

CLU bietet zwei Pfade für Sie, um Ihre Implementierung optimal zu nutzen.

Option 1 (LLM-gestützte Schnellbereitstellung):

Definieren des Schemas: Sie müssen Ihre Daten kennen und die Aktionen und relevanten Informationen definieren, die in den Eingabeäußerungen des Benutzers erkannt werden müssen. In diesem Schritt erstellen Sie die Absichten und geben eine detaillierte Beschreibung über die Bedeutung Ihrer Absichten an, die Sie den Äußerungen des Benutzers zuweisen möchten.
Bereitstellen des Modells: Das Bereitstellen eines Modells mit der LLM-basierten Schulungskonfiguration macht es für die Verwendung über die Runtime-API verfügbar.
Vorhersagen von Absichten und Entitäten: Verwenden Sie Ihre benutzerdefinierte Modellbereitstellung, um benutzerdefinierte Absichten und vordefinierte Entitäten aus den Äußerungen des Benutzers vorherzusagen.

Option 2 (Benutzerdefiniertes computerlerntes Modell)

Führen Sie die folgenden Schritte aus, um das Beste aus Ihrem trainierten Modell herauszuholen.

Definieren des Schemas: Sie müssen Ihre Daten kennen und die Aktionen und relevanten Informationen definieren, die in den Eingabeäußerungen des Benutzers erkannt werden müssen. In diesem Schritt erstellen Sie die Absichten , die Sie den Äußerungen des Benutzers zuweisen möchten, und die relevanten Entitäten , die Extrahiert werden sollen.
Bezeichnen von Daten: Die Qualität der Datenbezeichnung ist ein wichtiger Faktor beim Ermitteln der Modellleistung.
Trainieren des Modells: Ihr Modell beginnt mit dem Lernen auf der Grundlage der bezeichneten Daten.
Anzeigen der Modellleistung: Zeigen Sie die Auswertungsdetails für Ihr Modell an, um zu ermitteln, wie gut es bei der Einführung für neue Daten funktioniert.
Verbessern der Leistung des Modells: Nachdem Sie die Leistung des Modells überprüft haben, können Sie sich darüber informieren, wie Sie das Modell verbessern können.
Bereitstellen des Modells: Wenn Sie ein Modell bereitstellen, steht es für die Verwendung über die Laufzeit-API zur Verfügung.
Voraussagen von Absichten und Entitäten: Verwenden Sie Ihr benutzerdefiniertes Modell, um Absichten und Entitäten aus den Ausdrücken des Benutzers vorherzusagen.

Referenzdokumentation und Codebeispiele

Wenn Sie CLU verwenden, lesen Sie die folgende Referenzdokumentation und sehe Sie sich die Beispiele für Azure KI Language an:

Entwicklungsoption/Sprache	Referenzdokumentation	Beispiele
REST-APIs (Dokumenterstellung)	REST-API-Dokumentation
REST-APIs (Runtime)	REST-API-Dokumentation
C# (Runtime)	C#-Dokumentation	Beispiele für C#
Python (Runtime)	Python-Dokumentation	Python-Beispiele für Batch

Verantwortungsbewusste künstliche Intelligenz

Zu einem KI-System gehört nicht nur die Technologie, sondern auch die Personen, die das System verwenden, sowie die davon betroffenen Personen und die Umgebung, in der es bereitgestellt wird. Lesen Sie die Transparenzhinweise für CLU, um mehr über die verantwortungsvolle Nutzung und den Einsatz von KI in Ihren Systemen zu erfahren. Weitere Informationen finden Sie auch in den folgenden Artikeln:

Nächste Schritte

Nutzen Sie den Schnellstartartikel, um mit dem Verstehen der Umgangssprache zu beginnen.
Lesen Sie beim Durchlaufen des Lebenszyklus der Projektentwicklung das Glossar, um mehr über die Begriffe zu erfahren, die in der Dokumentation für dieses Feature verwendet werden.
Informationen zu Aspekten wie regionale Verfügbarkeit finden Sie in den Diensteinschränkungen.