Prise en main de la compréhension du langage courant dans Azure

  • 3 minutes

La fonctionnalité de compréhension du langage courant d’« Azure AI Language » vous permet de créer un modèle de langage et de l’utiliser pour les prédictions. La création d’un modèle implique la définition d’entités, d’intentions et d’énoncés. La génération de prédictions implique la publication d’un modèle afin que les applications clientes puissent recevoir des entrées utilisateur et retourner des réponses.

Ressources Azure pour la compréhension du langage courant

Pour utiliser des fonctionnalités de langage courant dans Azure, vous avez besoin d’une ressource dans votre abonnement Azure. Vous pouvez utiliser les types de ressources suivants :

  • « Azure AI Language » : ressource vous permettant de créer des applications avec des fonctionnalités de compréhension du langage naturel de pointe sans compétences en Machine Learning. Vous pouvez utiliser une ressource de langage pour la création et la prédiction.
  • Azure AI services : ressource générale qui inclut la compréhension du langage conversationnel ainsi que de nombreux autres Azure AI services. Vous pouvez utiliser ce type de ressource seulement pour la prédiction.

La séparation des ressources est utile lorsque vous souhaitez suivre l’utilisation de ressources du service Azure AI Language employé séparément des applications clientes qui utilisent toutes les applications Azure AI Services.

Création

Après avoir créé une ressource de création, vous pouvez l’utiliser pour effectuer l'apprentissage d’un modèle de compréhension du langage courant. Pour effectuer l’apprentissage d’un modèle, commencez par définir les entités et les intentions que votre application prédira, ainsi que des énoncés pour chaque intention qui peut être utilisée pour effectuer l'apprentissage du modèle prédictif.

La compréhension du langage courant fournit une collection complète de domaines déjà créés comportant des intentions et des entités prédéfinies pour des scénarios courants. Vous pouvez utiliser ces scénarios comme point de départ pour votre modèle. Vous pouvez également créer vos propres entités et intentions.

Créer des entités et des intentions peut se faire dans n’importe quel ordre. Vous pouvez créer une intention et sélectionner des mots dans les exemples d’énoncés que vous définissez pour créer des entités pour eux ; vous pouvez aussi créer les entités à l’avance, puis les mapper à des mots dans des énoncés quand vous créez les intentions.

Vous pouvez écrire du code pour définir les éléments de votre modèle, mais, dans la plupart des cas, il est plus facile de créer votre modèle à l’aide de « Language studio », une interface web de création et de gestion d’applications de compréhension du langage courant.

Entraînement du modèle

Après avoir défini les intentions et les entités dans votre modèle, et après avoir inclus un ensemble approprié d’exemples d’énoncés, l’étape suivante consiste à entraîner le modèle. L’entraînement est le processus d’utilisation de vos exemples d’énoncés pour apprendre à votre modèle à faire correspondre les expressions du langage naturel qu’un utilisateur pourrait utiliser à des intentions et des entités probables.

Après avoir entraîné le modèle, vous pouvez le tester en soumettant du texte et en examinant les intentions prédites. L’entraînement et les tests sont un processus itératif. Après avoir entraîné votre modèle, testez-le avec des exemples d’énoncés pour voir si les intentions et les entités sont reconnues correctement. Si ce n’est pas le cas, faites des modifications, réentraînez le modèle et retestez-le.

Prédiction

Dès que les résultats de l’entraînement et des tests vous conviennent, vous pouvez publier votre application Conversational Language Understanding sur une ressource de prédiction pour permettre son utilisation.

Les applications clientes vont utiliser le modèle en se connectant au point de terminaison de la ressource de prédiction, en spécifiant la clé d’authentification appropriée et en soumettant une entrée utilisateur pour obtenir des intentions et des entités prédites. Les prédictions sont retournées à l’application cliente, qui peut ensuite effectuer les actions appropriées en fonction de l’intention prédite.