Optimización de las frases desencadenadoras y la comprensión del lenguaje natural

  • Artículo

Importante

Las capacidades y características de Power Virtual Agents son ahora parte de Microsoft Copilot Studio tras importantes inversiones en IA generativa e integraciones mejoradas en Microsoft Copilot.

Algunos artículos y capturas de pantalla pueden hacer referencia a Power Virtual Agents mientras actualizamos la documentación y el contenido de capacitación.

¿Qué son las frases desencadenadoras en Microsoft Copilot Studio

  • Las frases desencadenantes entrenan el modelo de comprensión del lenguaje natural (NLU) de su copiloto.

  • Las frases de activación se configuran en el nivel tema e indican al copiloto para qué expresiones típicas del usuario se debe activar un tema específico.

  • Las frases desencadenadoras generalmente capturan la forma en que un usuario final preguntaría sobre un problema o asunto. Por ejemplo, "problema con malas hierbas en el césped"

Propina

Al crear un nuevo tema, el creador solo tiene que proporcionar algunas frases de muestra (lo ideal sería entre cinco y diez). Cuando se utiliza el copiloto, la IA analizará lo que dice el usuario y activará el tema con el significado más cercano a la expresión del usuario.

La importancia del contexto desencadenador

La NLU de Microsoft Copilot Studio se comporta de manera diferente en función del estado de la conversación, lo que a veces puede dar lugar a comportamientos diferentes para la misma expresión del usuario.

A continuación se detallan los diferentes estados de la conversación:

  • Inicio de la conversación: el copiloto no tiene contexto, por lo que se espera que una expresión del usuario: active un tema directamente (IntentRecognition), activa una pregunta de desambiguación "¿Quiso decir" (varios temas coincidentes) (IntentCandidates) si hay varios temas coincidentes, o alternativa (UnknownIntent) si no se reconoce la intención.
  • Después de que se active un "¿Quizás quiso decir?" (Múltiples temas coincidentes): NLU se optimiza para coincidir con uno de los temas sugeridos, con umbrales más altos para salir de las opciones presentadas.
  • Cambiar desde un tema actual: si la NLU está tratando de llenar un espacio en un tema y el usuario está haciendo una consulta de usuario que podría desencadenar otro tema (cambio de tema).

Sobre la puntuación

El modelo NLU no tiene en cuenta la puntuación, incluidos los signos de interrogación.

Crear nuevas frases desencadenadoras

Si es posible, comience con datos de producción reales en lugar de inventar sus propias frases desencadenadoras. Las mejores frases desencadenadoras son aquellas similares a los datos reales que provienen de los usuarios finales. Estas frases son las que los usuarios le preguntan a un copiloto desplegado.

No es necesario dejar fuera determinadas palabras: el modelo está diseñado para dar menos peso a las palabras innecesarias, como las palabras irrelevantes (palabras que se filtran antes del procesamiento de los datos del lenguaje natural porque son insignificantes).

Optimizar frases desencadenadoras

# Propina Ejemplos
1 Tenga al menos 5-10 frases desencadenadoras por tema
Repita y agregue más a medida que aprende de los usuarios.		 Encontrar mi tienda más cercana
Compruebe la ubicación de la tienda
Buscar una tienda
Encuéntreme su ubicación más cercana
Tienda cerca de mí
2 Varíe la estructura de las oraciones y los términos clave
El modelo considera automáticamente variaciones de esas frases.		 Cuándo está cerrado
Horario de apertura diario
3 Use frases desencadenadoras cortas
Menos de 10 palabras.		 Cuándo está abierto
4 Evite las frases desencadenadoras de una sola palabra
Esto aumenta el peso de palabras específicas en la activación de temas.
Puede introducir confusión entre temas similares.		 Tienda
5 Use frases completas ¿Puedo hablar con un asistente humano?
6 Tenga verbos y sustantivos únicos o combinaciones de los mismos Necesito servicio de atención al cliente
Quiero hablar con un asesor
7 Evite usar la misma variación de entidad
No necesita usar todos los ejemplos del valor de la entidad.
NLU tiene en cuenta automáticamente todas las variaciones.		 Quiero pedir una hamburguesa
Me gustaría una pizza
Quiero nuggets de pollo

Equilibre la cantidad de frases desencadenadoras por tema

Intente equilibrar el número de frases desencadenadoras entre los temas.

Propina

De ese modo, las capacidades NLU no ponderan en exceso un tema frente a otro en función de las frases desencadenadoras configuradas.

Evaluar el impacto de los cambios

Al actualizar frases desencadenadoras, o al fusionar o dividir temas, hay varias formas de evaluar los cambios:

  • Un cambio inmediato en el comportamiento del copiloto, que se puede observar a través del lienzo "copilot de prueba" (por ejemplo, un tema que ahora se activa o no según las actualizaciones de las frases de activación).
  • Un cambio después del despliegue del copiloto y frente al tráfico, que se traduce en tasas de deflexión (no escalada) más altas o más bajas. Esto se puede observar desde la pestaña de análisis en Microsoft Copilot Studio.

Propina

Puede probar la activación de tema y el rendimiento de su modelo NLU frente a los datos de prueba de forma masiva, aprovechando el Copilot Test Framework.

Aunque las características y componentes subyacentes utilizados para crear Copilot Test Framework (como interactuar con la API de Direct Line) son totalmente compatibles, Copilot Test Framework en sí representa implementaciones de muestra de estas funciones.

Nuestros clientes y la comunidad pueden usar y ajustar Copilot Test Framework para implementar pruebas masivas. Si tiene problemas con Copilot Test Framework, informe el problema aquí: https://aka.ms/PVASamples. (El soporte técnico de Microsoft no le ayudará a solucionar problemas relacionados con estas muestras, pero sí aquellos problemas relacionados con la plataforma y las características subyacentes.)

Procedimientos recomendados para entidades y llenar espacios