A QnA Maker-alkalmazás megtervezve
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, F0
és 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 Cognitive Search-erőforrás tarifacsomag-korlátai
- A QnA Maker korlátai
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
tudásbázistest
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.