Qu’est-ce que la compréhension du langage courant ?
La compréhension du langage courant est l’une des fonctionnalités personnalisées offertes par Azure AI Language. Il s’agit d’un service d’API cloud qui s’appuie sur l’intelligence du machine learning pour vous permettre de créer un composant de compréhension du langage naturel à utiliser dans une application conversationnelle complète.
La compréhension du langage courant (CLU) permet aux utilisateurs de créer des modèles de compréhension du langage naturel personnalisés afin de prédire l’intention globale d’un énoncé entrant et d’en extraire les informations importantes. CLU apporte uniquement l’intelligence pour comprendre le texte d’entrée de l’application cliente et n’effectue aucune action. En créant un projet CLU, les développeurs peuvent étiqueter les énoncés, entraîner le modèle et en évaluer les performances de façon itérative avant de le rendre disponible pour qu’il soit consommé. La qualité des données étiquetées impacte considérablement les performances du modèle. Pour simplifier la création et la personnalisation de votre modèle, le service offre un portail web personnalisé accessible dans Langage Studio. Vous pouvez facilement commencer à utiliser le service en suivant les étapes de ce guide de démarrage rapide.
Cette documentation contient les types d’articles suivants :
- Les Démarrages rapides sont des instructions de prise en main qui vous guident dans la formulation de vos requêtes au service.
- Des concepts fournissent des explications sur les fonctionnalités du service.
- Les Guides pratiques contiennent des instructions sur l’utilisation du service de manière plus spécifique ou personnalisée.
Exemples de scénarios d’utilisation
CLU peut être utilisé dans plusieurs scénarios dans divers secteurs d’activité. Quelques exemples :
Chatbot complet
Utilisez CLU pour créer et entraîner un modèle de compréhension du langage naturel personnalisé reposant sur un domaine spécifique et les énoncés attendus des utilisateurs. Intégrez-le à n’importe quel chatbot complet pour qu’il puisse traiter et analyser le texte entrant en temps réel et ainsi identifier l’intention du texte et en extraire les informations importantes. Faites exécuter l’action souhaitée au bot en fonction de l’intention et des informations extraites. Il peut s’agir par exemple d’un bot de vente au détail personnalisé pour les achats en ligne ou les commandes alimentaires.
Bots d’assistance au personnel
Un bot d’assistance au personnel peut par exemple viser à aider le personnel à améliorer l’engagement client en triant les demandes des clients et en les transférant à l’ingénieur de support approprié. Autre exemple : un bot de ressources humaines peut permettre aux employés d’une entreprise de communiquer en langage naturel et de recevoir des conseils en fonction de la demande.
Application de commande et de contrôle
Quand vous intégrez une application cliente avec un composant de reconnaissance vocale, les utilisateurs peuvent prononcer une commande en langage naturel pour que CLU la traite, identifie l’intention et extraie les informations du texte pour que l’application cliente effectue une action. Il existe de nombreuses applications à ce cas d’usage, par exemple l’arrêt, la lecture, l’avance et le rembobinage d’une chanson ou l’allumage ou l’extinction de lumières.
Chatbot d’entreprise
Dans une grande entreprise, un chabot peut se charger de diverses affaires à la place des employés. Il peut prendre en charge les questions fréquentes via une base de connaissances de réponses aux questions personnalisée, une compétence de calendrier via la compréhension du langage courant et une compétence de suivi d’entretiens via LUIS. Utilisez le workflow Orchestration pour réunir toutes ces compétences et diriger correctement les demandes entrantes vers le service approprié.
Cycle de vie du développement de projet
La création d’un projet CLU consiste généralement en plusieurs étapes différentes.
Suivez ces étapes pour tirer le meilleur parti de votre modèle :
Définir votre schéma : sur la base de la connaissance de vos données, définissez les actions et les informations importantes qu’il convient de reconnaître parmi les énoncés d’entrée de l’utilisateur. Dans cette étape, vous allez créer les intentions que vous voulez associer aux énoncés de l’utilisateur et les entités significatives que vous souhaitez extraire.
Étiqueter vos données : la qualité de l’étiquetage des données est un facteur clé dans la détermination des performances du modèle.
Entraîner le modèle : votre modèle commence à apprendre à partir de vos données étiquetées.
Voir les performances du modèle : consultez les détails de l’évaluation de votre modèle pour déterminer ses performances quand de nouvelles données lui sont présentées.
Améliorer le modèle : après avoir consulté les performances du modèle, vous pouvez découvrir comment améliorer le modèle.
Déployer le modèle : le déploiement d’un modèle le rend exploitable via l’API Runtime.
Prédire les intentions et les entités : utilisez votre modèle personnalisé pour prédire les intentions et les entités des énoncés de l’utilisateur.
Documentation de référence et exemples de code
Quand vous utilisez la compréhension du langage courant (CLU), consultez la documentation de référence et les exemples suivants pour Azure AI Language :
| Option de développement/langage | Documentation de référence | Exemples |
|---|---|---|
| API REST (création) | Documentation des API REST | |
| API REST (runtime) | Documentation des API REST | |
| C# (Runtime) | Documentation C# | Exemples C# |
| Python (Runtime) | Documentation Python | Exemples Python |
Intelligence artificielle responsable
Un système d’IA englobe non seulement la technologie, mais aussi ses utilisateurs, les personnes concernées et l’environnement dans lequel il est déployé. Lisez la note de transparence pour CLU pour en savoir plus sur l’utilisation et le déploiement de l’IA responsable dans vos systèmes. Vous pouvez également consulter les articles suivants pour plus d’informations :
- Note de transparence pour Azure AI Language
- Intégration et utilisation responsable
- Données, confidentialité et sécurité
Étapes suivantes
Consultez l’article de démarrage rapide pour commencer à utiliser la compréhension du langage conversationnel.
Au fur et à mesure que vous parcourez le cycle de vie du développement de projet, consultez le glossaire afin d’en savoir plus sur les termes utilisés dans la documentation pour cette fonctionnalité.
N’oubliez pas de consulter les limites du service pour plus d’informations, comme la disponibilité régionale.