Remarque
L’accès à cette page requiert une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page requiert une autorisation. Vous pouvez essayer de modifier des répertoires.
La compréhension du langage naturel (NLU) est au cœur de la manière dont les agents de Copilot Studio comprennent les requêtes des utilisateurs et fournissent des réponses contextuelles pertinentes. Une approche bien définie de la reconnaissance de l’intention, de l’extraction d’entités et de la gestion de la solution de secours garantit que les agents tiennent des conversations efficaces et naturelles, en accord avec les besoins de l’entreprise.
Lorsqu’un utilisateur entre quelque chose à un agent, on parle alors d’énoncé. L’agent doit diviser cette parole en intention et entités, afin que sa réponse paraisse à la fois naturelle et efficace.
Qu’est-ce que la compréhension des langues ?
La compréhension du langage (LU) est un sous-domaine du traitement du langage naturel (NLP) axé sur la capacité des machines à comprendre le sens, l’intention et le contexte du langage humain.
Diagramme montrant comment le message d’un utilisateur est décomposé en intention et en entités. Une personne tape : « Je veux réserver un vol pour Paris la semaine prochaine. » Le message est qualifié d’énoncé. L’expression « Je veux réserver un vol » est identifiée comme l’intention, et « Paris » et « la semaine prochaine » sont identifiées comme des entités. Le système demande ensuite plus de détails comme la ville de départ et la classe de voyage. Le diagramme illustre comment l’agent utilise l’intention, les entités et le contexte pour déterminer la meilleure réponse.
La compréhension des langues implique :
- Reconnaissance d’intention : Identifier ce que l’utilisateur souhaite accomplir (par exemple, « Réserver un vol pour Paris la semaine prochaine » correspond à l’intention de réserver un vol).
- Extraction d’entités : Extraction de détails clés tels que les dates, les lieux ou les noms (par exemple, « Paris » comme destination, « semaine prochaine » comme date de voyage).
- Connaissance du contexte : Maintenir la continuité et résoudre les ambiguïtés dans la conversation (par exemple, comprendre les pronoms ou les références).
- Gestion des ambiguïtés : Utiliser le contexte pour résoudre des mots à multiples significations (par exemple, « banque » en tant qu’institution financière ou berge de rivière).
Compréhension des langues dans Copilot Studio
Copilot Studio propose un modèle flexible pour la compréhension du langage, avec plusieurs options de configuration.
Orchestration générative
L’orchestration générative utilise des modèles de langage pour enchaîner intelligemment des sujets, des actions et des connaissances. Cette capacité permet la reconnaissance multi-intention, l’extraction avancée d’entités et la génération dynamique de plans pour des requêtes complexes.
Cette méthode est la norme pour Copilot Studio. Cette approche reconnaît plusieurs intentions ou sujets dans un seul énoncé, enchaîne automatiquement les actions et sources de connaissances, et génère des réponses unifiées. C’est particulièrement utile pour gérer des conversations complexes couvrant plusieurs domaines métier. L’orchestration générative a des limites, comme cinq messages par sujet ou chaîne d’actions, et 128 sujets ou actions par orchestration, mais elle offre un moyen puissant d’étendre l’étendue de la conversation.
En savoir plus dans Appliquer les capacités de l’orchestration générative.
Orchestration classique
L’orchestration classique utilise des phrases déclencheuses et un routage déterministe des sujets. Si l’énoncé d’un utilisateur correspond à une phrase déclencheur, le sujet correspondant s’exécute. S’il n’y a pas de correspondance, les mécanismes de secours recherchent les sources de connaissances ou demandez à l’utilisateur des clarifications.
NLU intégré
Cette approche était la norme mais est désormais la solution de secours. Copilot Studio propose un modèle NLU prêt à l’emploi qui prend en charge les phrases déclencheuses, les entités prédéfinies et les entités personnalisées. Ce modèle permet aux agents d’identifier l’intention de l’utilisateur et d’extraire des détails clés tels que les dates, les destinations ou les quantités directement à partir d’une requête.
NLU+
Pour une grande précision, utilisez l’option NLU+. L’option NLU+ est idéale pour les applications de grande envergure. Ces types d’applications se composent généralement d’un grand nombre de rubriques et d’entités, et utilisent un grand nombre d’exemples d’apprentissage. En outre, si vous disposez d’un agent compatible avec la voix, vos données d’apprentissage NLU+ sont également utilisées pour optimiser vos fonctionnalités de reconnaissance vocale.
Azure CLU integration
Pour des scénarios plus avancés où vous ne pouvez pas utiliser l’orchestration générative par défaut, vous pouvez intégrer Azure Conversational Language Understanding (CLU). CLU offre une plus grande personnalisation, un support multilingue et une extraction complexe d’entités (par exemple, plusieurs entités « à partir »). Vous devez associer les intentions CLU aux sujets de Copilot Studio pour les synchroniser. Cette option est particulièrement précieuse pour les vocabulaires spécifiques à l’industrie, les langues non anglophones ou les scénarios nécessitant une plus grande précision.
Caractéristiques clés et limitations
Ce tableau compare les trois approches de compréhension linguistique dans Copilot Studio. Il met en avant leurs principales caractéristiques et limites afin de vous aider à choisir le modèle adapté aux besoins de complexité, d’échelle et de précision de votre agent.
| Fonctionnalités et limitations | Orchestration générative | Modèle NLU intégré | Modèle Azure CLU personnalisé |
|---|---|---|---|
| Fonctionnalités clés |
|
|
|
| Limits |
|
|
|
En savoir plus sur la compréhension du langage naturel (NLU).
Structure thématique et solution de secours
Les sujets ont évolué d’un chemin rigide basé sur l’intention vers une approche plus flexible, axée sur l’orchestration. Plutôt que de se reposer uniquement sur des déclencheurs et chemins prédéfinis, les sujets agissent désormais comme des instructions modulaires que l’agent peut utiliser lors de l’orchestration d’une conversation. L’orchestration générative gère la plupart des routages en interprétant dynamiquement les entrées de l’utilisateur, et les sujets fournissent un plan de secours structuré lorsque la précision est requise.
La conception plus traditionnelle et structurée des sujets rend les conversations naturelles et efficaces. Les sujets peuvent être des points d’entrée déclenchés par des énoncés de l’utilisateur ou des sous-thèmes réutilisables appelés par des redirections ou des événements système. Les sujets de désambiguïsation aident à éviter la confusion lorsque plusieurs sujets peuvent être déclenchés, tandis que les sujets de secours et de renforcement de la conversation offrent des filets de sécurité lorsque l’agent ne peut pas correspondre avec confiance à son intention. Vous pouvez aussi ajouter des réponses génératives à puiser dans des sources de connaissances externes, afin que les utilisateurs ne restent presque jamais sans réponse.
En savoir plus dans Appliquer les meilleures pratiques aux sujets d’écriture.
Localisation et langues
Le langage utilisé par un agent Copilot Studio est déterminé par la valeur de la variable système : System.User.Language.
Cette variable agit comme point de contrôle central pour tout comportement lié au langage dans l’agent. Vous pouvez définir sa valeur manuellement, de façon programmative, ou la détecter automatiquement.
Comment fonctionne-t-il ?
Recherche de connaissances dans la langue de l’utilisateur : Copilot Studio utilise la valeur de
System.User.Languagepour rechercher des sources de connaissances dans la langue spécifiée. Cette approche signifie que même si un utilisateur pose une question dans une langue, l’agent traduit la requête de recherche dans l’ensemble de langues (System.User.Languagetraduction automatique pour la requête de recherche).Répondre dans la langue de l’utilisateur : L’agent génère des réponses dans la langue spécifiée par
System.User.Language, quel que soit le langage utilisé dans la question ou les documents originaux (traduction automatique pour la génération de réponses).Remplacement manuel : Vous pouvez définir manuellement la valeur de
System.User.Languagepour forcer l’agent à fonctionner dans un langage spécifique. Cette fonctionnalité est utile pour les tests ou pour les scénarios où il faut contrôler explicitement la langue. Pour en savoir plus, consultez Configurer et créer des agents multilingues.
Détection automatique de la langue parlée
Vous pouvez configurer Copilot Studio pour détecter automatiquement la langue parlée ou écrite de l’utilisateur et définir la System.User.Language variable en conséquence. Cette fonctionnalité permet des expériences multilingues fluides sans nécessiter de spécifier leur préférence linguistique.
Fonctionnement de l’auto-détection
- Détection basée sur un déclencheur : Lorsque le bot reçoit un message, un déclencheur lance un flux de détection de langue.
-
Définir la variable système : Le bot attribue le langage détecté à
System.User.Language. - Réponse dynamique : L’agent poursuit la conversation dans la langue détectée, en recherchant les connaissances et en générant des réponses en conséquence.
Avantages
- Expérience personnalisée : Les utilisateurs interagissent dans leur langue préférée sans configuration manuelle.
- Expérience cohérente : Toutes les réponses et récupérations de connaissances correspondent au langage détecté ou établi.
- Solution évolutive : Prend en charge les déploiements mondiaux avec une configuration minimale.
Conseil / Astuce
Examinez la solution d’exemple qui démontre comment permettre aux agents Copilot Studio de détecter automatiquement le langage parlé d’un utilisateur et basculez vers l’un des langages approuvés par le fabricant pour l’agent : Détection automatique du langage pour les réponses génératives
Meilleures pratiques pour la localisation
- Configurez les langages pris en charge : Définissez les langages principaux et secondaires pour votre agent. Utilisez des fichiers de localisation (JSON ou ResX) pour fournir des traductions pour les invites, messages et sujets.
- Testez des scénarios multilingues : Simulez les interactions des utilisateurs dans différentes langues pour garantir des transitions fluides et des réponses précises.
- Utilisez la traduction automatique : Comptez sur la traduction intégrée de Copilot Studio pour la recherche et la génération de réponses, mais proposez des traductions personnalisées pour les contenus critiques ou nuancés.
- Surveiller et affiner : utiliser l’analyse pour suivre l’usage des langues et améliorer la couverture de la localisation au fil du temps.
Approches linguistiques des agents de Copilot Studio :
- Agents séparés par langue.
- Agents multilingues uniques avec traductions pré-rédigées.
- Agents multilingues en temps réel, utilisant des services de traduction entre l’utilisateur et l’agent.
La bonne approche dépend de l’utilisation, des préoccupations de séparation, de l’échelle, du rythme de mise à jour et des ressources disponibles.
Défis techniques identifiés
Les défis typiques incluent la synchronisation des sujets Azure CLU et Copilot Studio, la gestion des énoncés ambigus et la mise à l’échelle des déploiements multilingues. L’identification précoce de ces obstacles vous permet de planifier des stratégies d’atténuation, telles que des configurations de secours, des tests massifs de phrases déclencheuses ou des services de traduction basés sur relais.
L’objectif de la compréhension des langues est de s’assurer que chaque agent puisse interpréter les requêtes des utilisateurs avec précision, s’adapter à des langages et scénarios variés, et gérer avec aisance l’imprévu. Cet objectif crée une base solide pour construire des conversations fiables, engageantes et efficaces au sein du Copilot Studio.