Compartir a través de

¿Qué es el reconocimiento del lenguaje conversacional?

El reconocimiento del lenguaje conversacional es una de las funciones personalizadas que ofrece Lenguaje de Azure AI. Es un servicio de API basado en la nube que aplica inteligencia de aprendizaje automático para permitirle crear un componente de comprensión del lenguaje natural que se usará en una aplicación de conversación de un extremo a otro.

El reconocimiento del lenguaje conversacional (CLU) permite a los usuarios crear modelos personalizados de reconocimiento del lenguaje natural para predecir la intención general de una expresión entrante y extraer información importante a partir de esta. CLU solo proporciona la inteligencia para reconocer el texto de entrada de la aplicación cliente y no realiza ninguna acción. Mediante la creación de un proyecto de Reconocimiento del lenguaje conversacional (CLU), los desarrolladores pueden etiquetar expresiones de forma iterativa, entrenar y evaluar el rendimiento del modelo antes de que esté disponible para su consumo. La calidad de los datos etiquetados afecta considerablemente al rendimiento del modelo. Para simplificar la creación y personalización del modelo, el servicio ofrece un portal web personalizado al que se puede acceder a través de Azure AI Foundry. Si sigue los pasos que se indican en este inicio rápido, le resultará fácil empezar a usar el servicio.

Esta documentación contiene los siguientes tipos de artículos:

  • Los inicios rápidos son instrucciones de inicio que le guiarán a la hora de hacer solicitudes al servicio.
  • Los conceptos proporcionan explicaciones sobre la funcionalidad y las características del servicio.
  • Las guías de procedimientos contienen instrucciones para usar el servicio de una manera más específica o personalizada.

Escenarios de uso de ejemplo

CLU se puede usar en varios escenarios en varios sectores. Ejemplos:

Bot de conversación de un extremo a otro

Use CLU para compilar y entrenar un modelo de reconocimiento del lenguaje natural personalizado basado en un dominio específico y las expresiones esperadas de los usuarios. Intégrelo con cualquier bot de conversación de un extremo a otro para que pueda procesar y analizar el texto entrante en tiempo real para identificar la intención del texto y extraer información importante de este. Haga que el bot realice la acción deseada en función de la intención y la información extraída. Un ejemplo sería un bot de comercio minorista personalizado para compras o pedidos de comida en línea.

Bots de asistente de usuario

Un ejemplo de un bot de asistente de usuario es ayudar al personal a mejorar las interacciones con los clientes mediante la evaluación de consultas de clientes y su asignación al ingeniero de soporte técnico adecuado. Otro ejemplo sería un bot de recursos humanos en una empresa que permite a los empleados comunicarse en lenguaje natural y recibir instrucciones basadas en la consulta.

Aplicación de comandos y controles

Al integrar una aplicación cliente con un componente de conversión de voz en texto, los usuarios pueden pronunciar un comando en lenguaje natural para que CLU procese, identifique la intención y extraiga información del texto para que la aplicación cliente realice una acción. Este caso de uso tiene muchas aplicaciones, como detener, reproducir, desviar y rebobinar una canción, o encender o apagar las luces.

Bot de chat empresarial

En una gran corporación, un bot de chat empresarial puede controlar varios asuntos de empleados. Podría hacerse cargo de las preguntas más frecuentes servidas por knowledge base de respuesta a preguntas personalizada, una aptitud específica del calendario servida por reconocimiento del lenguaje conversacional y una aptitud de comentarios de entrevista servida por LUIS. Use el flujo de trabajo de orquestación para conectar todas estas aptitudes y enrutar correctamente las solicitudes entrantes al servicio correcto.

Agentes

La plantilla del agente de enrutamiento de intenciones usa CLU, que detecta la intención del usuario y proporciona respuesta exacta. Perfecto para el enrutamiento de intenciones de forma determinista y para ofrecer respuestas precisas a preguntas, todo con control humano.

Ciclo de vida del desarrollo de proyectos

La creación de un proyecto de CLU suele implicar varios pasos.

Gráfico de la ruta de implementación rápida con tecnología llM.

Nota:

En Azure AI Foundry, crea una tarea de ajuste fino como área de trabajo para personalizar tu modelo CLU. Anteriormente, una tarea de ajuste fino de CLU se denominaba proyecto CLU. Es posible que vea estos términos usados indistintamente en la documentación heredada de CLU.

CLU ofrece dos opciones para sacar el máximo partido de tu implementación.

Opción 1 (implementación rápida con tecnología LLM):

  1. Definir el esquema: conozca los datos y defina las acciones y la información pertinente que debe reconocerse en las expresiones de entrada del usuario. En este paso, creará las intenciones y proporcionará una descripción detallada sobre el significado de las intenciones que desea asignar a las expresiones del usuario.

  2. Implementación del modelo: la implementación de un modelo con la configuración de entrenamiento basada en LLM hace que esté disponible para su uso a través de la API en tiempo de ejecución.

  3. Predicción de intenciones y entidades: use la implementación del modelo personalizado para predecir intenciones personalizadas y entidades precompiladas a partir de expresiones del usuario.

Opción 2 (modelo de aprendizaje automático personalizado)

Siga estos pasos para sacar el máximo partido del modelo entrenado:

  1. Definir el esquema: conozca los datos y defina las acciones y la información pertinente que debe reconocerse en las expresiones de entrada del usuario. En este paso, creará las intenciones que desea asignar a las expresiones del usuario y las entidades pertinentes que desea extraer.

  2. Etiquetar los datos: la calidad del etiquetado de datos es un factor clave para determinar el rendimiento del modelo.

  3. Entrenar el modelo: el modelo empieza a aprender de los datos etiquetados.

  4. Ver el rendimiento del modelo: vea los detalles de evaluación del modelo para determinar su rendimiento cuando se introduce en datos nuevos.

  5. Mejorar el modelo: después de examinar el rendimiento del modelo, puede aprender a mejorarlo.

  6. Implementar el modelo: la implementación de un modelo hace que esté disponible para su uso mediante la API de runtime.

  7. Predicción de intenciones y entidades: use el modelo personalizado para predecir intenciones y entidades de las expresiones del usuario.

Documentación de referencia y ejemplos de código

Cuando utilice CLU, consulte la siguiente documentación de referencia y ejemplos para Azure AI Language:

Opción de desarrollo / lenguaje Documentación de referencia Ejemplos
API de REST (creación) Documentación de API REST
API de REST (Runtime) Documentación de API REST
C# (Runtime) Documentación de C# Ejemplos de C#
Python (Runtime) Documentación de Python Ejemplos de Python

Inteligencia artificial responsable

Los sistemas de inteligencia artificial no solo incluyen la tecnología, sino también las personas que la usan, las que se ven afectadas por ella y el entorno en el que se implementan. Lea la nota sobre transparencia de CLU para obtener información sobre el uso responsable de la inteligencia artificial y la implementación en los sistemas. También puede consultar los siguientes artículos para obtener más información:

Pasos siguientes