עיצוב הבנת שפה באופן יעיל

הבנת שפה טבעית (NLU) נמצאת בלב האופן שבו סוכני Copilot Studio מבינים שאילתות של משתמשים ומספקים תגובות רלוונטיות והקשריות. גישה מוגדרת היטב לזיהוי כוונות, חילוץ ישויות וטיפול בחסרונות מבטיחה שסוכנים מספקים שיחות יעילות וטבעיות שתואמות לצרכים העסקיים.

כאשר משתמש מזין משהו לסוכן, זה נקרא "אמירה". הסוכן צריך לפיצול את ההטרדה לתוך כוונה וישויות, כך שתשובת הסוכן תרגיש טבעית ויעילה.

מהי הבנת שפה?

הבנת שפה (LU) היא שדה משנה של עיבוד שפה טבעית (NLP) המתמקד בהפיכת מחשבים לזמינים להבין את המשמעות, המטרה וההקשר מאחורי השפה האנושית.

דיאגרמה המציגה את האופן שבו הודעה של משתמש מתפרקת לכוונה וישויות. אדם מקליד: "אני רוצה להזמין טיסה לפריס בשבוע הבא". ההודעה מסומנת כהיגד. צירוף המילים "ברצוני להזמין טיסה" מזוהה ככוונת, ו"פריס" ו"שבוע הבא" מזוהים כישויות. לאחר מכן, המערכת תבקש פרטים נוספים, כגון עיר עזיבה ו שיעור נסיעות. הדיאגרמה ממחישה כיצד הסוכן משתמש בכוונת, בישויות ובהקשר כדי לקבוע את התגובה הטובה ביותר.

הבנת השפה כרוכה ב:

• זיהוי כוונות: זיהוי מה המשתמש רוצה להשיג (לדוגמה, "הזמן טיסה לפריז בשבוע הבא" ממופה לכוונה להזמין טיסה).
• חילוץ ישויות: חילוץ פרטי מפתח כגון תאריכים, מיקומים או שמות (לדוגמה, "Paris" כיעד, "בשבוע הבא" כתאריך הנסיעה).
• מודעות להקשר: שמירה על המשכיות ופתרון רב-משמעיות בשיחה (לדוגמה, הבנת כינויי גוף או הפניות).
• טיפול דו-משמעי: שימוש בהקשר כדי לפתור מילים עם משמעויות מרובות (לדוגמה, "בנק" כמוסד פיננסי או בנק בנהר).

הבנת השפה ב־Copilot Studio

Copilot Studio מודל גמיש להבנת שפה, עם אפשרויות תצורה מרובות.

תזמור גנרטיבי

תזמור Generative משתמש במודלים של שפות כדי ליצור שרשרת חכמה של נושאים, פעולות וידע. יכולת זו מאפשרת זיהוי רב-כוונות, חילוץ ישויות מתקדם והפקת תוכנית דינאמית עבור שאילתות מורכבות.

שיטה זו היא ברירת המחדל עבור Copilot Studio. גישה זו מזהה יעדים או נושאים מרובים בהתנהלות אחת, שרשרת אוטומטית פעולות ומקורות ידע, ומפיקה תגובות מאוחדות. הוא שימושי במיוחד לטיפול בשיחות מורכבות המשתרעות על פני תחומי עסקים מרובים. לתזמור Generative יש מגבלות, כגון חמש הודעות לכל נושא או שרשרת פעולות, ו- 128 נושאים או פעולות לכל תזמור, אך היא מספקת דרך רבת-עוצמה לשנות את קנה המידה של לחם השיחה.

קבל מידע נוסף בהחלת יכולות תזמור גנרטיבי.

תזמור קלאסי

התזמור הקלאסי משתמש בביטויים מפעילים וניתוב דטרמיניסטי של נושאים. אם האמירה של משתמש תואמת לצירוף מילים מפעיל, הנושא המתאים פועל. אם אין התאמה, מנגנוני חזרה יחפשו במקורות ידע או יבקשו מהמשתמש הבהרה.

NLU מוכלל

גישה זו היתה ברירת המחדל, אך היא כעת הגישה לחזרה. Copilot Studio מספק מודל NLU מוכן ומוכן התומך בצירופי מילים של גורמים מפעילים, ישויות מוגדרות מראש וישויות מותאמות אישית. מודל זה מאפשר לסוכנים לזהות כוונה של המשתמש ולחלץ פרטי מפתח כגון תאריכים, יעדים או כמויות ישירות מתוך שאילתה.

NLU+

לקבלת דיוק גבוה, השתמש באפשרות NLU+. האפשרות NLU+ אידיאלית לאפליקציות גדולות ברמה ארגונית. סוגים אלה של יישומים מורכבים בדרך כלל ממספר רב של נושאים וישויות, ולהשתמש במספר רב של דוגמאות הדרכה. כמו כן, אם יש לך סוכן המותאם לקול, נתוני ההדרכה של NLU+ משמשים גם למיטוב יכולות הזיהוי הקולי שלך.

אינטגרציה של Azure CLU

עבור תרחישים מתקדמים יותר שבהם לא ניתן להשתמש בתיוכם הגניטיבי המהווה ברירת מחדל, באפשרותך לשלב את Azure שיחה Language Understanding (CLU). CLU מספק התאמה אישית רחבה יותר, תמיכה בריבוי שפות וחילוץ מורכב של ישויות (לדוגמה, כמה ישויות "מ"). עליך למפות את כוונות CLU לנושאי Copilot Studio כדי לסנכרן אותן. אפשרות זו שימושית במיוחד עבור אוצר מילים ספציפי לתעשייה, שפות שאינן אנגלית או תרחישים הדורשים דיוק גבוה יותר.

תכונות ומגבלות עיקריות

טבלה זו משווה בין שלוש גישות הבנת השפה Copilot Studio. הוא מדגיש את התכונות והמגבלות העיקריות שלו כדי לעזור לך לבחור את המודל הנכון עבור צרכי המורכבות, קנה המידה והדיוק של הסוכן שלך.

תכונות ומגבלות	תזמור גנרטיבי	מודל NLU מובנה	מודל Azure CLU מותאם אישית
פיצ'רים עיקריים	שימוש במודל שפה גדול מערכת שמטפלת בהיגדים מורכבים בעלי כוונות מרובות, נושאים/פעולות וידע יוצר באופן אוטומטי שאלות עבור קלט חסר מתן אפשרות לתיקונים בעת ההפעלה הפקת תשובה מאוחדת המבוססת על פלט של נושאים, פעולות וידע	מודל מוגדר מראש המוגדר כברירת מחדל עם סוגי ישות מוגדרים מראש הוגדרה תצורה באמצעות ביטויי הפעלה וישויות מותאמות אישית (רשימות סגורות או regex)	תמיכה בשפות נוספות עם מודלים מקוריים מודל מותאם אישית להפעלת כוונות לצרכי דיוק או לצרכים ספציפיים לתעשייה חילוץ ישויות מתקדם (לדוגמה, אותו סוג, חילוץ שקט) חילוץ ישויות יכול להשתמש ב-NLU סטנדרטי של Copilot Studio
מגבלות	חמש הודעות לכל נושא/שרשרת פעולות מגבלה של 128 נושאים ופעולות להפעלת	זיהוי כוונה בודדת לכל שאילתה לא ניתן להאריך מילוי משבצות של כמה ישויות מאותו סוג מחייב הבהרה	זיהוי כוונה בודדת לכל שאילתה Azure תצורה מבוססת-ענן ועלויות נוספות לשירות Azure יש מגבלות יש לסנכרן בקפידה את הכוונות של Azure CLU והנושאים של Copilot Studio.

קבל מידע נוסף במבט כולל על הבנת שפה טבעית (NLU).

מבנה נושא ותוכנית גיבוי

הנושאים התרחקו מנתיב קשיח מבוסס-כוונה ועברו לגישה גמישה יותר ששמה את התיאום במרכז. במקום להשתמש אך ורק במפעילים ובנתיבים מוגדרים מראש, הנושאים משמשים כעת כהוראות מודולריות שהסוכן יכול לקרוא עליהן בעת תזמון שיחה. תזמור Generative מטפל ברוב הניתובים על-ידי פירוש קלט המשתמש באופן דינאמי, ונושאים מספקים השלכות מובנות בעת הצורך ברמת הדיוק.

עיצוב הנושאים המובנים המסורתי יותר גורם לשיחות להרגיש טבעיות ויעילות. נושאים יכולים להיות נקודות כניסה שהופעלו על ידי אמירות משתמשים או תת-נושאים הניתנים לשימוש חוזר שנקראים על ידי ניתובים מחדש או אירועי מערכת. נושאי הבהרה מסייעים במניעת בלבול כאשר נושאים מרובים עשויים להיות מופעלים, בעוד שנושאי חזרה למצב קודם והגברת שיחות מספקים רשתות בטיחות כאשר הסוכן אינו יכול להתאים בבטחה את הכוונה. ניתן גם להוסיף שכבה לתשובות גנרטיביות כדי לשלב ממקורות ידע חיצוניים ולהבטיח שלעיתים רחוקות המשתמשים יישארו ללא תשובה.

קבל מידע נוסף בנושא עקוב אחר שיטות עבודה מומלצות לעריכה בנושאים.

לוקליזציה ושפות

השפה המשמשת סוכן Copilot Studio נקבעת על-ידי הערך של משתנה המערכת: System.User.Language.

משתנה זה משמש כנקודת הבקרה המרכזית עבור כל אופן הפעולה הקשור לשפה בסוכן. באפשרותך להגדיר את הערך שלו באופן ידני, באופן תיכנותי או לזהות אותו באופן אוטומטי.

איך היא עובדת?

• חיפוש ידע בשפת המשתמש: Copilot Studio משתמש בערך של System.User.Language כדי לחפש מקורות ידע בשפה שצוינה. גישה זו פירושה שאפילו אם משתמש שואל שאלה בשפה אחת, System.User.Language הסוכן מתרגם את שאילתת החיפוש לשפה המוגדרת ב- (תרגום אוטומטי עבור שאילתת חיפוש).

• השב בשפת המשתמש: System.User.Languageהסוכן יוצר תשובות בשפה שצוינה על-ידי , ללא קשר לשפה שבה נעשה שימוש לשאלה או למסמכים המקוריים (תרגום אוטומטי ליצירת תשובות).

• עקיפה ידנית: באפשרותך להגדיר באופן ידני את System.User.Language הערך של כדי לכפות על הסוכן לפעול בשפה ספציפית. תכונה זו שימושית לבדיקה או לתרחישים שבהם עליך לשלוט בשפה באופן מפורש. קבל מידע נוסף תחת קביעת תצורה ויצירה של נציגים רב-לשוניים.

זיהוי אוטומטי של שפה מדוברת

באפשרותך להגדיר Copilot Studio כדי לזהות באופן אוטומטי את השפה המדוברת או הכתובה של המשתמש ולהגדיר את System.User.Language של המשתמש בהתאם. תכונה זו מאפשרת חוויות רב-לשוניות חלקות מבלי לדרוש מהמשתמשים לציין את העדפת השפה שלהם.

כיצד פועל זיהוי אוטומטי

• זיהוי מבוסס גורם מפעיל: כאשר הבוט מקבל הודעה, גורם מפעיל מפעיל את זרימת זיהוי השפה.
• הגדרת משתנה מערכת: תוכנית ה- Bot מקצה את השפה שזוהתה ל- System.User.Language.
• תגובה דינאמית: הסוכן ממשיך את השיחה בשפה שזוהתה, הן בחיפוש בידע והן ביצירת תגובות בהתאם.

יתרונות

• חוויה מותאמת אישית: משתמשים מקיימים אינטראקציה בשפה המועדפת שלהם ללא קביעת תצורה ידנית.
• חוויה עקבית: כל התגובות ואחזורי הידע מתאימים לשפה שזוהתה או הוגדרה.
• פתרון מדרגי: תומך בפריסות כלליות עם תצורה מינימלית.

עצה

סקור את הפתרון לדוגמה שמדגים כיצד לאפשר לנציגי Copilot Studio לזהות באופן אוטומטי שפה מדוברת של משתמש ולעבור לאחת מהשפות שאושרו על-ידי יוצר עבור הסוכן ב- Auto זיהוי שפה עבור תגובות Generative.

שיטות עבודה מומלצות ללוקליזציה

• קביעת תצורה של שפות נתמכות: הגדר שפות ראשיות ומשני עבור הסוכן שלך. השתמש בקובצי התאמה לשפות אחרות (JSON או ResX) כדי לספק תרגומים לבקשות, הודעות ונושאים.
• בדוק תרחישים רב-לשוניים: בצע הדמיה של אינטראקציות משתמשים בשפות שונות כדי להבטיח מעברים חלקים ותגובות מדויקות.
• שימוש בתרגום אוטומטי: השתמש בתרגום המוכלל של Copilot Studio עבור יצירת חיפוש ידע ותשובות, אך ספק תרגומים מותאמים אישית לתוכן קריטי או מנואנס.
• נטר ומקד: השתמש ב'ניתוח' כדי לעקוב אחר שימוש בשפות ולשפר את כיסוי ההתאמה לשפות אחרות לאורך זמן.

גישות לשפת סוכן ב-Copilot Studio

• הפרד סוכנים לפי שפה.
• נציג רב-לשוני יחיד עם תרגומים כתובים מראש.
• סוכנים רב-לשוניים בזמן אמת, המשתמשים שירותי תרגום בין משתמש לסוכן.

הגישה הנכונה תלויה בשימוש, בחששות של הפרדה, קנה מידה, עדכון קדימות ומשאבים זמינים.

זיהוי אתגרים טכניים

אתגרים אופייניים כוללים הבטחה שהנושאים של Azure CLU ו-Copilot Studio יישארו מסונכרנות, טיפול באמירות רב-משמעיות והגדלה של פריסות רב-לשוניות. זיהוי מוקדם של מחסומי דרכים אלה מאפשר לך לתכנן אסטרטגיות צמצום סיכונים, כגון תצורות גיבוי, בדיקות בצובר של צירופי מילים של גורמים מפעילים או שירותי תרגום מבוססי ממסר.

מטרת הבנת השפה היא להבטיח שכל סוכן יוכל לפרש שאילתות משתמש באופן מדויק, להתאים את עצמו לשפות ולתרחישים שונים ולטפל באופן מבוקר הבלתי צפוי. מטרה זו יוצרת בסיס חזק לבניית שיחות מהימנות, מרתקות ויעילות ב-Copilot Studio.

מידע קשור

• עיצוב ביטויים מפעילים יעילים
• יישום שיטות עבודה מומלצות למילוי מקומות
• Copilot Studio שפות נתמכות
• שפות נתמכות ב- Azure CLU
• מגבלות Azure CLU
• תמחור Azure CLU
• לתזמר את התנהגות הסוכנים עם בינה מלאכותית יוצרת