Compartir a través de


Diseñe con intenciones y modelos de entidad

Importante

LUIS se retirará el 1 de octubre de 2025. Además, a partir del 1 de abril de 2023, ya no se podrán crear recursos de este servicio. Se recomienda migrar las aplicaciones de LUIS al reconocimiento del lenguaje conversacional para aprovechar el soporte continuo del producto y las capacidades multilingües.

Language Understanding proporciona dos tipos de modelos para definir el esquema de la aplicación. El esquema de la aplicación determina la información que se recibe de la predicción de la expresión de un nuevo usuario.

El esquema de la aplicación se construye a partir de modelos creados mediante la enseñanza automática:

La creación usa la enseñanza automática

La metodología de enseñanza automática de LUIS le permite enseñar conceptos a una máquina con facilidad. No es necesario comprender el aprendizaje automático para usar LUIS. En su lugar, usted, como profesor, comunica un concepto a LUIS proporcionándole ejemplos del concepto y explicándole cómo se debe modelar mediante otros conceptos relacionados. Como profesor también puede mejorar el modelo de LUIS de forma interactiva. Para ello, se deben identificar y corregir los errores de predicción.

Las intenciones clasifican expresiones

Una intención clasifica expresiones de ejemplo para enseñar a LUIS sobre dicha intención. Los expresiones de ejemplo de una intención se usan como ejemplos positivos de la expresión. Estas mismas expresiones se usan como ejemplos negativos en todas las demás intenciones.

Considere una aplicación que necesita determinar la intención de un usuario de ordenar un libro. Además, una aplicación necesita la dirección de envío del cliente. Esta aplicación tiene dos intenciones: OrderBook y ShippingLocation.

La siguiente expresión es un ejemplo positivo para la intención OrderBook y un ejemplo negativo para la intención ShippingLocation y None:

Buy the top-rated book on bot architecture.

Las entidades extraen datos

Una entidad representa una unidad de datos que quiere extraer de la expresión. Una entidad de aprendizaje automático es una entidad de nivel superior que contiene subentidades, las cuales también son entidades de aprendizaje automático.

Un ejemplo de una entidad de aprendizaje automático es un pedido de billete de avión. En teoría, se trata de una única transacción con muchas unidades de datos más pequeñas, como la fecha, la hora, la cantidad de puestos, el tipo de asiento (como primera clase o clase económica), la ubicación de origen, la ubicación de destino y la elección de comida.

Intenciones frente a entidades

Una intención es el resultado deseado de una expresión completa, mientras que las entidades son fragmentos de datos extraídos de la expresión. Normalmente, las intenciones están relacionadas con acciones que la aplicación cliente debe realizar. Las entidades son la información necesaria para realizar esta acción. Desde la perspectiva de la programación, una intención desencadenaría una llamada al método y las entidades se utilizarían como parámetros para esa llamada al método.

Esta expresión debe tener una intención y puede incluir entidades:

Buy an airline ticket from Seattle to Cairo

Esta expresión tiene una única intención:

  • Comprar un boleto de avión

Esta expresión puede tener varias entidades:

  • Ubicaciones de Seattle (origen) y Cairo (destino);
  • La cantidad de un boleto.

Descomposición del modelo de entidad

LUIS admite la descomposición del modelo con las API de creación, mediante la división del modelo en partes más pequeñas. Esto le permite compilar los modelos con confianza en la construcción y predicción de las distintas partes.

La descomposición del modelo tiene las siguientes partes:

Características

Una característica es un rasgo distintivo o un atributo de datos que el sistema observa. Las características del aprendizaje automático proporcionan a LUIS indicaciones importantes sobre dónde buscar los elementos que distinguirán un concepto. Son sugerencias que LUIS puede usar, pero no reglas rígidas. Estas sugerencias se usan en combinación con las etiquetas para buscar los datos.

Patrones

Los patrones están diseñados para mejorar la precisión cuando varias expresiones son muy parecidas. Un patrón permite lograr más precisión en una intención sin proporcionar muchas más expresiones.

Extensión de la aplicación en runtime

El esquema de la aplicación (modelos y características) se entrena y publica en el punto de conexión de predicción. Puede pasar información nueva, junto con la expresión del usuario, al punto de conexión de predicción para aumentar la predicción.

Pasos siguientes