A QnA Maker-alkalmazás megtervezve

  • Cikk

A QnA Maker-alkalmazás megtervezéséhez meg kell értenie, hogyan működik a QnA Maker, és hogyan kommunikál más Azure-szolgáltatásokkal. Emellett szilárdan meg kell értenie tudásbázis fogalmakat.

Megjegyzés

A QnA Maker szolgáltatás 2025. március 31-én megszűnik. A kérdés- és válaszképesség újabb verziója már elérhető az Azure AI Language részeként. A Language Service-ben található kérdések megválaszolási képességeiről a kérdések megválaszolása című témakörben olvashat. 2022. október 1-től nem hozhat létre új QnA Maker-erőforrásokat. A meglévő QnA Maker-tudásbázisok kérdésre való migrálásával kapcsolatos információkért tekintse meg a migrálási útmutatót.

Azure-erőforrások

A QnA Makerrel létrehozott azure-erőforrásoknak meghatározott célja van. Minden erőforrásnak saját célja, korlátai és tarifacsomagja van. Fontos megérteni ezeknek az erőforrásoknak a működését, hogy ezt a tudást felhasználhassa a tervezési folyamatba.

Erőforrás Rendeltetés
QnA Maker-erőforrás Szerzői és lekérdezési előrejelzés
Cognitive Search-erőforrás Adattárolás és keresés
App Service erőforrás és App Plan Service-erőforrás Előrejelzési végpont lekérdezése
Application Insights-erőforrás Lekérdezés-előrejelzési telemetria

Erőforrás-tervezés

Az egyes erőforrások ingyenes szintje működik, F0és a létrehozási és a lekérdezés-előrejelzési élményt is biztosítja. Ezzel a szinttel elsajátíthatja a szerzői és lekérdezés-előrejelzési ismereteket. Amikor éles vagy élő forgatókönyvre vált, értékelje újra az erőforrás-kiválasztást.

Tudásbázis mérete és átviteli sebessége

Valós alkalmazás létrehozásakor tervezze meg a megfelelő erőforrásokat a tudásbázis méretéhez és a várt lekérdezés-előrejelzési kérelmekhez.

A tudásbázis méretet a következő szabályozza:

A tudásbázis lekérdezés-előrejelzési kérést a webalkalmazás-csomag és a webalkalmazás szabályozza. A tarifacsomag megtervezéséhez tekintse meg az ajánlott beállításokat .

Erőforrás-megosztás

Ha már használatban van néhány ilyen erőforrás, fontolja meg az erőforrások megosztását. Nézze meg, mely erőforrások oszthatók meg azzal a megértéssel, hogy az erőforrás-megosztás speciális forgatókönyv.

Az ugyanabban a QnA Maker-erőforrásban létrehozott összes tudásbázis ugyanazt a tesztlekérdezés-előrejelzési végpontot használja.

Az erőforrás-kiválasztás hatásának megismerése

A megfelelő erőforrás-kiválasztás azt jelenti, hogy a tudásbázis sikeresen megválaszolja a lekérdezési előrejelzéseket.

Ha a tudásbázis nem működik megfelelően, általában a nem megfelelő erőforrás-kezeléssel kapcsolatos probléma.

A nem megfelelő erőforrás-kijelölés vizsgálatra szorul annak meghatározásához, hogy melyik erőforrást kell módosítani.

Tudásbázisok

Egy tudásbázis közvetlenül kapcsolódik a QnA Maker-erőforráshoz. A lekérdezés-előrejelzési kérések megválaszolásához használt kérdések és válaszok (QnA- (QnA-) párokat tartalmazza.

Nyelvi szempontok

A QnA Maker-erőforráson létrehozott első tudásbázis beállítja az erőforrás nyelvét. A QnA Maker-erőforrásokhoz csak egy nyelv használható.

A QnA Maker-erőforrásokat nyelv szerint strukturálhatja, vagy a Translatorrel módosíthatja a lekérdezést egy másik nyelvről a tudásbázis nyelvére, mielőtt elküldené a lekérdezést a lekérdezés előrejelzési végpontjára.

Adatforrások betöltése

A következő betöltött adatforrások egyikével hozhat létre tudásbázis:

  • Nyilvános URL-cím
  • Privát SharePoint URL-cím
  • Fájl

A betöltési folyamat markdown-ra konvertálja a támogatott tartalomtípusokat . A válasz további szerkesztése a Markdown használatával történik. Miután létrehozott egy tudásbázis, szerkesztheti a QnA-párokat a QnA Maker portálon, rich text authoringgel.

Adatformátummal kapcsolatos szempontok

Mivel a QnA-párok végső formátuma a markdown, fontos megérteni a Markdown támogatását.

A csatolt képeknek elérhetőnek kell lenniük egy nyilvános URL-címről, amelyet a QnA Maker portál tesztpaneljén vagy egy ügyfélalkalmazásban kell megjeleníteni. A QnA Maker nem biztosít hitelesítést a tartalomhoz, beleértve a képeket is.

Robot személyisége

Adjon hozzá egy robotszemélyiséget a tudásbázis csevegéssel. Ez a személyiség egy bizonyos beszélgetési hangnemben, például profi és barátságos válaszokkal érkezik. Ez a csevegés beszélgetési csoportként érhető el, amelyet teljes mértékben szabályozhat a hozzáadáshoz, szerkesztéshez és eltávolításhoz.

A robot személyisége akkor ajánlott, ha a robot csatlakozik a tudásbázis. A csevegést akkor is használhatja a tudásbázis, ha más szolgáltatásokhoz is csatlakozik, de érdemes áttekinteni, hogyan működik a robotszolgáltatás, hogy megtudja, ez-e a megfelelő architektúraterv az Ön számára.

Beszélgetési folyamat egy tudásbázis

A beszélgetési folyamat általában egy felhasználó megszólításával kezdődik, például Hi vagy Hello. A tudásbázis általános válaszokkal (például Hi, how can I help you) válaszolhatnak, és a beszélgetés folytatásához további nyomon követési utasításokat is megadhat.

A beszélgetési folyamatot egy hurokkal kell megterveznie, hogy a felhasználó tudja, hogyan kell használni a robotot, és ne hagyja abba a robotot a beszélgetésben. A nyomon követési kérések kapcsolatot biztosítanak a QnA-párok között, amelyek lehetővé teszik a beszélgetési folyamatot.

Szerzői műveletek közreműködőkkel

A közreműködők lehetnek más fejlesztők, akik megosztják a tudásbázis alkalmazás teljes fejlesztési vermét, vagy csak a tudásbázis készítésére korlátozódnak.

A tudásbázis-létrehozás számos szerepköralapú hozzáférési engedélyt támogat, amelyeket a Azure Portal alkalmaz a közreműködői képességek hatókörének korlátozása érdekében.

Integráció ügyfélalkalmazásokkal

Az ügyfélalkalmazásokkal való integráció úgy valósul meg, hogy egy lekérdezést küld az előrejelzési futtatókörnyezeti végpontnak. A rendszer egy SDK- vagy REST-alapú kéréssel küld lekérdezést az adott tudásbázis a QnA Maker webalkalmazás-végpontjára.

Az ügyfélkérések megfelelő hitelesítéséhez az ügyfélalkalmazásnak el kell küldenie a megfelelő hitelesítő adatokat és tudásbázis azonosítót. Ha Azure AI-Bot Service használ, konfigurálja ezeket a beállításokat a robotkonfiguráció részeként a Azure Portal.

Beszélgetési folyamat egy ügyfélalkalmazásban

Előfordulhat, hogy egy ügyfélalkalmazásban, például egy Azure-robotban a beszélgetési folyamat működésére van szükség a tudásbázis való interakció előtt és után.

Támogatja az ügyfélalkalmazás a beszélgetési folyamatot azáltal, hogy alternatív eszközöket biztosít a nyomon követési kérések kezeléséhez, vagy a chit-chitet is beleértve? Ha igen, ezeket korán tervezheti meg, és győződjön meg arról, hogy az ügyfélalkalmazás-lekérdezést egy másik szolgáltatás megfelelően kezeli, vagy amikor elküldi a tudásbázis.

Kézbesítés a QnA Maker és a Language Understanding (LUIS) között

Az ügyfélalkalmazások több funkciót is biztosíthatnak, amelyek közül csak az egyikre válaszol egy tudásbázis. Más funkcióknak továbbra is meg kell érteniük a beszélgetési szöveget, és ki kell nyerniük belőle a jelentést.

Az ügyfélalkalmazások közös architektúrája a QnA Maker és a Language Understanding (LUIS) együttes használata. A LUIS minden lekérdezés szövegbesorolását és kinyerési funkciójának használatát biztosítja, beleértve a többi szolgáltatást is. A QnA Maker választ ad a tudásbázis.

Egy ilyen megosztott architektúra-forgatókönyvben a két szolgáltatás közötti küldést a Bot Framework Dispatch eszköz hajtja végre.

Aktív tanulás ügyfélalkalmazásból

A QnA Maker aktív tanulással fejleszti a tudásbázis, ha alternatív kérdéseket javasol egy válaszra. Az ügyfélalkalmazás felelős ennek az aktív tanulásnak egy részéért. A beszélgetési kérések segítségével az ügyfélalkalmazás megállapíthatja, hogy a tudásbázis olyan választ adott vissza, amely nem hasznos a felhasználó számára, és jobb választ adhat. Az ügyfélalkalmazásnak vissza kell küldenie ezeket az információkat az tudásbázis az előrejelzés minőségének javítása érdekében.

Alapértelmezett válasz megadása

Ha a tudásbázis nem talál választ, az alapértelmezett választ adja vissza. Ez a válasz a QnA Maker portálJának Beállítások lapján vagy az API-kban konfigurálható.

Ez az alapértelmezett válasz eltér az Azure-robot alapértelmezett válaszától. A konfigurációs beállítások részeként konfigurálhatja az Azure-robot alapértelmezett válaszát a Azure Portal. A függvény akkor adja vissza, ha a pontszám küszöbértéke nem teljesül.

Előrejelzés

Az előrejelzés a tudásbázis válasza, és több információt tartalmaz, mint a válasz. Lekérdezés-előrejelzési válasz lekéréséhez használja a GenerateAnswer API-t.

Előrejelzési pontszám ingadozásai

A pontszámok több tényező alapján változhatnak:

  • A GenerateAnswer tulajdonsággal top kapcsolatban kért válaszok száma
  • A rendelkezésre álló alternatív kérdések széles választéka
  • Metaadatok szűrése
  • A vagy production tudásbázis test küldött lekérdezés

Van egy kétfázisú válasz rangsorolása:

  • Cognitive Search – első helyezés. Állítsa be az engedélyezett válaszok számát elég magasra ahhoz, hogy a Cognitive Search a legjobb válaszokat adja vissza, majd adja át a QnA Maker rangsorolójának.
  • QnA Maker – második helyezés. A legjobb válasz meghatározásához alkalmazzon featurizációt és gépi tanulást.

Szolgáltatási hírek

Alkalmazza a legújabb futtatókörnyezeti frissítéseket a szolgáltatásfrissítések automatikus kezeléséhez.

Skálázás, átviteli sebesség és rugalmasság

A skálázást, az átviteli sebességet és a rugalmasságot az Azure-erőforrások, azok tarifacsomagjai és az olyan környező architektúrák határozzák meg, mint a Traffic Manager.

Elemzés az Application Insightsszal

A tudásbázis lekérdezéseit az Application Insights tárolja. A leggyakoribb lekérdezéseinkkel megismerheti a metrikákat.

Fejlesztési életciklus

A tudásbázis fejlesztési életciklusa folyamatban van: a tudásbázis szerkesztése, tesztelése és közzététele.

A QnA Maker-párok tudásbázisának fejlesztése

A QnA-párokat az ügyfélalkalmazás használata alapján kell megtervezni és fejleszteni.

Az egyes párok a következőket tartalmazhatják:

  • Metaadatok – a lekérdezések során szűrhető, hogy a QnA-párokat további információkkal lássa el az adatok forrásával, tartalmával, formátumával és rendeltetésével kapcsolatban.
  • Nyomon követési kérések – segít meghatározni a tudásbázis útvonalát, hogy a felhasználó a megfelelő választ kaphassa.
  • Alternatív kérdések – fontos, hogy a keresés megfeleljen a kérdés különböző formáiból származó válasznak. Az aktív tanulási javaslatok alternatív kérdésekké alakulnak.

DevOps-fejlesztés

Ahhoz, hogy tudásbázis szúrjon be egy DevOps-folyamatba, a tudásbázis el kell különíteni a kötegelt tesztelés során.

A tudásbázis megosztja a Cognitive Search-indexet a QnA Maker-erőforrás összes többi tudásbázisával. Bár a tudásbázis partíciónként van elkülönítve, az index megosztása a közzétett tudásbázis összehasonlítva különbséget okozhat a pontszámban.

Ha ugyanazt a pontszámot szeretné használni a és production a test tudásbázisokon, különítse el a QnA Maker-erőforrást egyetlen tudásbázis. Ebben az architektúrában az erőforrásnak csak addig kell élnie, amíg az izolált kötegelt teszt meg nem felel.

Következő lépések