Rövid útmutató: Vezénylési munkafolyamat

Ebből a cikkből megtudhatja, hogyan kezdheti meg az Orchestration munkafolyamat-projektek használatát a Language Studióval és a REST API-val. Kövesse az alábbi lépéseket egy példa kipróbálásához.

Előfeltételek

Bejelentkezés a Language Studióba

  1. Nyissa meg a Language Studiót , és jelentkezzen be az Azure-fiókjával.

  2. A megjelenő Nyelvi erőforrás kiválasztása ablakban keresse meg az Azure-előfizetését, és válassza ki a Nyelvi erőforrást. Ha nincs erőforrása, létrehozhat egy újat.

    Példány részletei Kötelező érték
    Azure-előfizetés Az Azure-előfizetése.
    Azure-erőforráscsoport Az Azure-erőforráscsoport.
    Azure-erőforrás neve Az Azure-erőforrás neve.
    Hely Az Azure-erőforrás érvényes helye . Például: "USA 2. nyugati régiója".
    Tarifacsomag Az Azure-erőforrás támogatott tarifacsomagja . Az ingyenes (F0) szinttel kipróbálhatja a szolgáltatást.

    Képernyőkép az erőforrás-kiválasztási képernyőről a Language Studióban.

Vezénylési munkafolyamat-projekt létrehozása

Miután létrehozott egy nyelvi erőforrást, hozzon létre egy vezénylési munkafolyamat-projektet. A projektek olyan munkaterületek, ahol az adatok alapján egyéni ML-modelleket lehet létrehozni. A projekthez csak Ön és mások férhetnek hozzá, akik hozzáférnek a használt nyelvi erőforráshoz.

Ebben a rövid útmutatóban fejezze be a beszélgetési nyelvfelismerési rövid útmutatót, hogy létrehozhasson egy beszélgetési nyelvfelismerési projektet, amelyet később használni fog.

  1. A Language Studióban keresse meg a Kérdések és beszélgetési nyelv megértése című szakaszt, és válassza az Orchestration Workflow (Vezénylési munkafolyamat) lehetőséget.

    Képernyőkép a Vezénylési munkafolyamat szakasz helyéről a Language Studio kezdőlapján.

  2. Ekkor megjelenik az Orchestration munkafolyamat projektoldala . Válassza az Új projekt létrehozása lehetőséget. Projekt létrehozásához a következő adatokat kell megadnia:

Érték Leírás
Név A projekt neve.
Description Választható projektleírás.
Kimondott szövegek elsődleges nyelve A projekt elsődleges nyelve. A betanítási adatoknak elsősorban ezen a nyelven kell lenniük.

Ha végzett, válassza a Tovább gombot, és tekintse át a részleteket. Válassza a Projekt létrehozása lehetőséget a folyamat befejezéséhez. Ekkor megjelenik a Séma létrehozása képernyő a projektben.

Séma létrehozása

Miután elvégezte a beszélgetési nyelv megértését, és létrehozott egy vezénylési projektet, a következő lépés a szándékok hozzáadása.

A korábban létrehozott beszélgetési nyelvfelismerési projekthez való csatlakozáshoz:

  • A vezénylési projekt séma összeállítási lapján válassza a Hozzáadás lehetőséget a szándék hozzáadásához.
  • A megjelenő ablakban adjon nevet a szándékának.
  • Válassza az Igen lehetőséget, egy meglévő projekthez szeretném csatlakoztatni.
  • A csatlakoztatott szolgáltatások legördülő menüben válassza a Beszélgetési Language Understanding lehetőséget.
  • A projektnév legördülő listában válassza ki a beszélgetési nyelvértelmezési projektet.
  • Válassza a Szándék hozzáadása lehetőséget a szándék létrehozásához.

A modell betanítása

A modell betanításához el kell indítania egy betanítási feladatot. A sikeres betanítási feladat kimenete a betanított modell.

A modell betanításának megkezdése a Language Studióban:

  1. A bal oldali menüben válassza a Betanítási feladatok lehetőséget.

  2. A felső menüben válassza a Betanítási feladat indítása lehetőséget.

  3. Válassza az Új modell betanítása lehetőséget, és írja be a modell nevét a szövegmezőbe. A meglévő modell felülírásához válassza ezt a lehetőséget, és válassza ki azt a modellt, amelyet felül szeretne írni a legördülő menüből. A betanított modellek felülírása visszafordíthatatlan, de az üzembe helyezett modellekre az új modell üzembe helyezéséig nem lesz hatással.

    Ha engedélyezte , hogy a projekt manuálisan felosztsa az adatokat a beszédelemek címkézésekor, két adat felosztási lehetőség jelenik meg:

    • A tesztelési csoport automatikus felosztása betanítási adatokból: A címkézett beszédelemek véletlenszerűen lesznek felosztva a betanítási és a tesztelési csoportok között a választott százalékos arányoknak megfelelően. Az alapértelmezett százalékos felosztás 80% a betanításhoz és 20% teszteléshez. Az értékek módosításához válassza ki a módosítani kívánt készletet, és írja be az új értéket.

    Megjegyzés

    Ha a tesztelési csoport automatikus felosztása a betanítási adatokból lehetőséget választja, a betanítási készletben csak a kimondott szövegek lesznek felosztva a megadott százalékok szerint.

    • A betanítási és tesztelési adatok manuális felosztása: Rendelje hozzá az egyes kimondott szövegeket a betanítási vagy tesztelési csoporthoz a projekt címkézési lépése során.

    Megjegyzés

    A betanítási és tesztelési adatok manuális felosztása csak akkor lesz engedélyezve, ha kimondott szövegeket ad hozzá a tesztelési csoporthoz a címkeadatok lapon. Ellenkező esetben le lesz tiltva.

    Képernyőkép a beszélgetési nyelvfelismerési projektek betanítása modelloldalról.

  4. Válassza a Betanítása gombot.

Megjegyzés

  • Csak a sikeres betanítási feladatok hoznak létre modelleket.
  • A betanítás eltarthat néhány percig és néhány óráig a címkézett adatok méretétől függően.
  • Egyszerre csak egy betanítási feladat futtatható. Nem indíthat el más betanítási feladatot, amíg a futó feladat be nem fejeződik.

A modell üzembe helyezése

Általában a modell betanítása után érdemes áttekinteni annak kiértékelési részleteit. Ebben a rövid útmutatóban csak üzembe helyezi a modellt, és elérhetővé teszi a Language Studióban való kipróbáláshoz, vagy meghívhatja az előrejelzési API-t.

A modell üzembe helyezése a Language Studióban:

  1. A bal oldali menüben válassza a Modell üzembe helyezése lehetőséget.

  2. Válassza az Üzembe helyezés hozzáadása lehetőséget egy új üzembehelyezési feladat elindításához.

    Képernyőkép a Modelltelepítés gombról a Language Studióban.

  3. Válassza az Új üzembe helyezés létrehozása lehetőséget egy új üzembe helyezés létrehozásához, és rendeljen hozzá egy betanított modellt az alábbi legördülő listából. A meglévő üzembe helyezés felülírásához válassza ezt a lehetőséget, és válassza ki a hozzárendelni kívánt betanított modellt az alábbi legördülő menüből.

    Megjegyzés

    Egy meglévő üzembe helyezés felülírásához nincs szükség az előrejelzési API-hívás módosítására, de a kapott eredmények az újonnan hozzárendelt modellen alapulnak.

    Képernyőkép az új üzembe helyezés Language Studióban való hozzáadásának képernyőjét ábrázoló képernyőről.

  4. Ha egy vagy több LUIS-alkalmazást vagy beszélgetési nyelvértelmezési projektet csatlakoztat, meg kell adnia az üzembe helyezés nevét.

    • Az egyéni kérdések megválaszolásához vagy a leválasztott szándékokhoz nincs szükség konfigurációkra.

    • A LUIS-projekteket közzé kell tenni a vezénylési üzembe helyezés során konfigurált ponton, és az egyéni kérdésekre válaszoló KB-ket is közzé kell tenni az éles tárolóhelyeken.

  5. Válassza az Üzembe helyezés lehetőséget az üzembehelyezési feladat elküldéséhez

  6. A sikeres üzembe helyezés után mellette megjelenik egy lejárati dátum. Az üzembe helyezés lejárata az, amikor az üzembe helyezett modell nem lesz használható előrejelzéshez, ami általában tizenkét hónappal a betanítási konfiguráció lejárta után történik.

Tesztmodell

A modell üzembe helyezése után elkezdhet előrejelzéseket készíteni a Prediction API-val. Ebben a rövid útmutatóban a Language Studióval küldhet el egy kimondott szöveget, előrejelzéseket kaphat, és megjelenítheti az eredményeket.

A modell tesztelése a Language Studióban

  1. A bal oldali menüben válassza az Üzemelő példányok tesztelése lehetőséget.

  2. Válassza ki a tesztelni kívánt modellt. Csak az üzemelő példányokhoz rendelt modelleket tesztelheti.

  3. Az üzembehelyezési név legördülő listából válassza ki az üzembe helyezés nevét.

  4. A szövegmezőbe írjon be egy tesztelendő kimondott szöveget.

  5. A felső menüben válassza a Teszt futtatása lehetőséget.

  6. A teszt futtatása után az eredményben meg kell jelennie a modell válaszának. Az eredményeket megtekintheti entitáskártyák nézetben, vagy JSON formátumban.

    Képernyőkép arról, hogyan tesztelhet egy modellt a Language Studióban.

Az erőforrások eltávolítása

Ha már nincs szüksége a projektre, törölheti a projektet a Language Studióval. Válassza a bal oldali navigációs menü Projektek elemét, jelölje ki a törölni kívánt projektet, majd a felső menüben válassza a Törlés lehetőséget.

Előfeltételek

Nyelvi erőforrás létrehozása Azure Portal

Új erőforrás létrehozása a Azure Portal

  1. Lépjen a Azure Portal egy új Azure AI Language-erőforrás létrehozásához.

  2. Válassza a Folytatás lehetőséget az erőforrás létrehozásához

  3. Hozzon létre egy nyelvi erőforrást az alábbi részletekkel.

    Példány részletei Kötelező érték
    Region Az egyik támogatott régió.
    Name A language erőforrás neve.
    Tarifacsomag Az egyik támogatott tarifacsomag.

Az erőforráskulcsok és a végpont lekérése

  1. Lépjen az erőforrás áttekintési lapjára a Azure Portal.

  2. A bal oldali menüben válassza a Kulcsok és végpont lehetőséget. A végpontot és a kulcsot fogja használni az API-kérésekhez

    Képernyőkép a kulcsról és a végpontról az Azure Portal

Vezénylési munkafolyamat-projekt létrehozása

Miután létrehozott egy nyelvi erőforrást, hozzon létre egy vezénylési munkafolyamat-projektet. A projektek olyan munkaterületek, ahol az adatok alapján egyéni ML-modelleket lehet létrehozni. A projekthez csak Ön és mások férhetnek hozzá, akik hozzáférnek a használt nyelvi erőforráshoz.

Ehhez a rövid útmutatóhoz végezze el a CLU rövid útmutatót egy CLU-projekt létrehozásához, amelyet a vezénylési munkafolyamatban kell használni.

Küldjön el egy PATCH-kérelmet az alábbi URL-cím, fejlécek és JSON-törzs használatával egy új projekt létrehozásához.

URL-cím kérése

Az API-kérés létrehozásakor használja az alábbi URL-címet. Cserélje le az alábbi helyőrző értékeket a saját értékeire.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{API-VERSION} A hívott API verziója . 2023-04-01

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítéséhez használatos.

Törzs

Használja a következő JSON-mintát testként.

{
  "projectName": "{PROJECT-NAME}",
  "language": "{LANGUAGE-CODE}",
  "projectKind": "Orchestration",
  "description": "Project description"
 }
Kulcs Helyőrző Érték Példa
projectName {PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. EmailApp
language {LANGUAGE-CODE} A projektben használt kimondott szövegek nyelvi kódját meghatározó sztring. Ha a projekt többnyelvű projekt, válassza ki a kimondott szövegek többségének nyelvkódját . en-us

Séma létrehozása

A CLU rövid útmutatójának elvégzése és egy vezénylési projekt létrehozása után a következő lépés a szándékok hozzáadása.

A projekt importálásához küldjön post kérést az alábbi URL-címmel, fejlécekkel és JSON-törzskel.

URL-cím kérése

Az API-kérés létrehozásakor használja az alábbi URL-címet. Cserélje le az alábbi helyőrző értékeket a saját értékeire.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:import?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{API-VERSION} A hívott API verziója . 2023-04-01

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítéséhez használatos.

Törzs

Megjegyzés

Minden szándéknak csak egy típusból kell lennie (CLU, LUIS és qna)

Használja a következő JSON-mintát testként.

{
  "projectFileVersion": "{API-VERSION}",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectKind": "Orchestration",
    "settings": {
      "confidenceThreshold": 0
    },
    "projectName": "{PROJECT-NAME}",
    "description": "Project description",
    "language": "{LANGUAGE-CODE}"
  },
  "assets": {
    "projectKind": "Orchestration",
    "intents": [
      {
        "category": "string",
        "orchestration": {
          "kind": "luis",
          "luisOrchestration": {
            "appId": "00000000-0000-0000-0000-000000000000",
            "appVersion": "string",
            "slotName": "string"
          },
          "cluOrchestration": {
            "projectName": "string",
            "deploymentName": "string"
          },
          "qnaOrchestration": {
            "projectName": "string"
          }
        }
      }
    ],
    "utterances": [
      {
        "text": "Trying orchestration",
        "language": "{LANGUAGE-CODE}",
        "intent": "string"
      }
    ]
  }
}

Kulcs Helyőrző Érték Példa
api-version {API-VERSION} A hívott API verziója. Az itt használt verziónak azonos API-verziónak kell lennie az URL-címben. 2022-03-01-preview
projectName {PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. EmailApp
language {LANGUAGE-CODE} A projektben használt kimondott szövegek nyelvi kódját meghatározó sztring. Ha a projekt többnyelvű projekt, válassza ki a kimondott szövegek többségének nyelvkódját . en-us

A modell betanítása

A modell betanításához el kell indítania egy betanítási feladatot. A sikeres betanítási feladat kimenete a betanított modell.

Hozzon létre egy POST-kérést a következő URL-cím, fejlécek és JSON-törzs használatával egy betanítási feladat elküldéséhez.

URL-cím kérése

Az API-kérés létrehozásakor használja az alábbi URL-címet. Cserélje le az alábbi helyőrző értékeket a saját értékeire.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. EmailApp
{API-VERSION} A hívott API verziója . 2023-04-01

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítéséhez használatos.

A kérés törzse

Használja a következő objektumot a kérésben. A modell neve a betanítás befejezése után lesz elnevezve MyModel .

{
  "modelLabel": "{MODEL-NAME}",
  "trainingMode": "standard",
  "trainingConfigVersion": "{CONFIG-VERSION}",
  "evaluationOptions": {
    "kind": "percentage",
    "testingSplitPercentage": 20,
    "trainingSplitPercentage": 80
  }
}
Kulcs Helyőrző Érték Példa
modelLabel {MODEL-NAME} A modell neve. Model1
trainingMode standard Betanítási mód. A vezénylésben csak egy betanítási mód érhető el, azaz .standard standard
trainingConfigVersion {CONFIG-VERSION} A betanítási konfigurációs modell verziója. Alapértelmezés szerint a legújabb modellverziót használja a rendszer. 2022-05-01
kind percentage Felosztási módszerek. A lehetséges értékek: percentage és manual. További információért tekintse meg a modell betanítása című témakört . percentage
trainingSplitPercentage 80 A betanítási készletbe felvenni kívánt címkézett adatok százalékos aránya. Ajánlott érték: 80. 80
testingSplitPercentage 20 A tesztelési készletbe felvenni kívánt címkézett adatok százalékos aránya. Ajánlott érték: 20. 20

Megjegyzés

A trainingSplitPercentage és testingSplitPercentage értékre csak akkor van szükség, ha Kind be van állítva percentage , és mindkét százalék összege 100-nak kell lennie.

Az API-kérés elküldése után egy 202 sikeres választ kap. A válaszfejlécekben bontsa ki az operation-location értéket. A formátuma a következő lesz:

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

Ezzel az URL-címmel lekérheti a betanítási feladat állapotát.

Betanítási állapot lekérdezése

A betanítás eltarthat valamikor 10 és 30 perc között. A következő kéréssel továbbra is lekérdezheti a betanítási feladat állapotát, amíg az sikeresen be nem fejeződik.

Az alábbi GET kéréssel lekérheti a modell betanítási folyamatának állapotát. Cserélje le az alábbi helyőrző értékeket a saját értékeire.

URL-cím kérése

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
Helyőrző Érték Példa
{YOUR-ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. EmailApp
{JOB-ID} A modell betanítási állapotának helyének azonosítója. Ez a betanítási location feladat elküldésekor kapott fejlécértékben található. xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx
{API-VERSION} A hívott API verziója . 2023-04-01

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítéséhez használatos.

Válasz törzse

A kérés elküldése után a következő választ kapja. Tartsa lekérdezni ezt a végpontot, amíg az állapotparaméter "sikeres" értékre nem változik.

{
  "result": {
    "modelLabel": "{MODEL-LABEL}",
    "trainingConfigVersion": "{TRAINING-CONFIG-VERSION}",
    "estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
    "trainingStatus": {
      "percentComplete": 3,
      "startDateTime": "2022-04-18T15:45:06.8190649Z",
      "status": "running"
    },
    "evaluationStatus": {
      "percentComplete": 0,
      "status": "notStarted"
    }
  },
  "jobId": "xxxxxx-xxxxx-xxxxxx-xxxxxx",
  "createdDateTime": "2022-04-18T15:44:44Z",
  "lastUpdatedDateTime": "2022-04-18T15:45:48Z",
  "expirationDateTime": "2022-04-25T15:44:44Z",
  "status": "running"
}
Kulcs Érték Példa
modelLabel A modell neve Model1
trainingConfigVersion A betanítási konfiguráció verziója. Alapértelmezés szerint a legújabb verziót használja a rendszer. 2022-05-01
startDateTime A betanítás kezdete 2022-04-14T10:23:04.2598544Z
status A betanítási feladat állapota running
estimatedEndDateTime A betanítási feladat befejezésének becsült ideje 2022-04-14T10:29:38.2598544Z
jobId A betanítási feladat azonosítója xxxxx-xxxx-xxxx-xxxx-xxxxxxxxx
createdDateTime Betanítási feladat létrehozásának dátuma és időpontja 2022-04-14T10:22:42Z
lastUpdatedDateTime A betanítási feladat utolsó frissítésének dátuma és időpontja 2022-04-14T10:23:45Z
expirationDateTime Betanítási feladat lejárati dátuma és időpontja 2022-04-14T10:22:42Z

A modell üzembe helyezése

Általában a modell betanítása után érdemes áttekinteni annak kiértékelési részleteit. Ebben a rövid útmutatóban csak üzembe helyezi a modellt, és meghívja az előrejelzési API-t az eredmények lekérdezéséhez.

Üzembehelyezési feladat elküldése

Hozzon létre egy PUT-kérést a következő URL-cím, fejlécek és JSON-törzs használatával a vezénylési munkafolyamat-modell üzembe helyezésének megkezdéséhez.

URL-cím kérése

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{DEPLOYMENT-NAME} Az üzembe helyezés neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. staging
{API-VERSION} A hívott API verziója . 2023-04-01

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítéséhez használatos.

Kérelem törzse

{
  "trainedModelLabel": "{MODEL-NAME}",
}
Kulcs Helyőrző Érték Példa
betanítottModelLabel {MODEL-NAME} Az üzembe helyezéshez hozzárendelendő modellnév. Csak sikeresen betanított modelleket rendelhet hozzá. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myModel

Az API-kérés elküldése után egy 202 sikeres választ kap. A válaszfejlécekben bontsa ki az operation-location értéket. A formátuma a következő lesz:

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

Ezzel az URL-címmel lekérheti az üzembehelyezési feladat állapotát.

Üzembehelyezési feladat állapotának lekérése

Az üzembehelyezési feladat állapotának lekéréséhez használja az alábbi GET kérést. Cserélje le az alábbi helyőrző értékeket a saját értékeire.

URL-cím kérése

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{DEPLOYMENT-NAME} Az üzembe helyezés neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. staging
{JOB-ID} A modell betanítási állapotának helyének azonosítója. Ez abban a location fejlécértékben található, amelyet az API-tól kapott a modell üzembehelyezési kérésére válaszul. xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx
{API-VERSION} A hívott API verziója . 2023-04-01

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítéséhez használatos.

Válasz törzse

A kérés elküldése után a következő választ kapja. Tartsa lekérdezni ezt a végpontot, amíg az állapotparaméter "sikeres" értékre nem változik.

{
    "jobId":"{JOB-ID}",
    "createdDateTime":"{CREATED-TIME}",
    "lastUpdatedDateTime":"{UPDATED-TIME}",
    "expirationDateTime":"{EXPIRATION-TIME}",
    "status":"running"
}

Lekérdezési modell

A modell üzembe helyezése után elkezdheti használni, hogy előrejelzéseket készítsen az előrejelzési API-val.

Az üzembe helyezés sikerességét követően megkezdheti az üzembe helyezett modell lekérdezését az előrejelzésekhez.

Hozzon létre egy POST-kérést a következő URL-cím, fejlécek és JSON-törzs használatával a vezénylési munkafolyamat-modell tesztelésének megkezdéséhez.

URL-cím kérése

{ENDPOINT}/language/:analyze-conversations?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{API-VERSION} A hívott API verziója . 2023-04-01

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítéséhez használatos.

Kérelem törzse

{
  "kind": "Conversation",
  "analysisInput": {
    "conversationItem": {
      "text": "Text1",
      "participantId": "1",
      "id": "1"
    }
  },
  "parameters": {
    "projectName": "{PROJECT-NAME}",
    "deploymentName": "{DEPLOYMENT-NAME}",
    "directTarget": "qnaProject",
    "targetProjectParameters": {
      "qnaProject": {
        "targetProjectKind": "QuestionAnswering",
        "callingOptions": {
          "context": {
            "previousUserQuery": "Meet Surface Pro 4",
            "previousQnaId": 4
          },
          "top": 1,
          "question": "App Service overview"
        }
      }
    }
  }
}

Válasz törzse

A kérés elküldése után a következő választ kapja az előrejelzéshez!

{
  "kind": "ConversationResult",
  "result": {
    "query": "App Service overview",
    "prediction": {
      "projectKind": "Orchestration",
      "topIntent": "qnaTargetApp",
      "intents": {
        "qnaTargetApp": {
          "targetProjectKind": "QuestionAnswering",
          "confidenceScore": 1,
          "result": {
            "answers": [
              {
                "questions": [
                  "App Service overview"
                ],
                "answer": "The compute resources you use are determined by the *App Service plan* that you run your apps on.",
                "confidenceScore": 0.7384000000000001,
                "id": 1,
                "source": "https://learn.microsoft.com/azure/app-service/overview",
                "metadata": {},
                "dialog": {
                  "isContextOnly": false,
                  "prompts": []
                }
              }
            ]
          }
        }
      }
    }
  }
}

Az erőforrások eltávolítása

Ha már nincs szüksége a projektre, az API-k használatával törölheti a projektet.

Hozzon létre egy DELETE kérést a következő URL-cím, fejlécek és JSON-törzs használatával egy beszélgetési nyelvfelismerési projekt törléséhez.

URL-cím kérése

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
Helyőrző Érték Példa
{ENDPOINT} Az API-kérés hitelesítésének végpontja. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} A projekt neve. Ez az érték megkülönbözteti a kis- és nagybetűk értékét. myProject
{API-VERSION} A hívott API verziója . 2023-04-01

Fejlécek

A kérés hitelesítéséhez használja az alábbi fejlécet.

Kulcs Érték
Ocp-Apim-Subscription-Key Az erőforrás kulcsa. Az API-kérések hitelesítéséhez használatos.

Az API-kérés elküldése után a rendszer a 202 sikert jelző választ kapja, ami azt jelenti, hogy a projekt törölve lett.

Következő lépések