Mi az a beszélgetési nyelvfelismerés?

  • Cikk

A beszélgetési nyelvfelismerés az Azure AI Language által kínált egyéni funkciók egyike. Ez egy felhőalapú API-szolgáltatás, amely gépi tanulási intelligenciát alkalmaz annak érdekében, hogy természetes nyelvfelismerési összetevőt hozzon létre, amelyet egy végpontok közötti beszélgetési alkalmazásban használhat.

A társalgási nyelvfelismerés (CLU) lehetővé teszi a felhasználók számára, hogy egyéni természetes nyelvfelismerési modelleket készítsenek a bejövő beszédelemek általános szándékának előrejelzéséhez és fontos információk kinyeréséhez. A CLU csak az ügyfélalkalmazás bemeneti szövegének megértéséhez biztosít intelligenciát, és nem hajt végre semmilyen műveletet. Egy CLU-projekt létrehozásával a fejlesztők iteratív módon címkézhetik a kimondott szövegeket, betaníthetik és kiértékelhetik a modell teljesítményét, mielőtt használat céljából elérhetővé teszik. A címkézett adatok minősége nagyban befolyásolja a modell teljesítményét. A modell létrehozásának és testreszabásának egyszerűsítése érdekében a szolgáltatás egy egyéni webportált kínál, amely a Language Studióban érhető el. A szolgáltatás használatának megkezdéséhez kövesse az alábbi rövid útmutató lépéseit.

Ez a dokumentáció a következő cikktípusokat tartalmazza:

  • A rövid útmutatók útmutatást adnak a szolgáltatásnak küldött kérések teljesítéséhez.
  • A fogalmak magyarázatot nyújtanak a szolgáltatás funkcióira és funkcióira.
  • Az útmutatók a szolgáltatás konkrétabb vagy testre szabottabb módon történő használatára vonatkozó utasításokat tartalmaznak.

Példa használati forgatókönyvekre

A CLU több különböző iparágban is használható. Néhány példa:

Végpontok közötti beszélgetési robot

A CLU használatával egyéni természetes nyelvfelismerési modellt hozhat létre és taníthat be egy adott tartomány és a várt felhasználók beszédelemei alapján. Integrálhatja bármely végpontok közötti beszélgetési robottal, hogy valós időben feldolgozhassa és elemezhesse a bejövő szöveget, hogy azonosítsa a szöveg szándékát, és fontos információkat nyerjen ki belőle. A robot végezze el a kívánt műveletet a szándék és a kinyert információk alapján. Ilyen például egy testreszabott kereskedelmi robot az online vásárláshoz vagy az élelmiszer-rendeléshez.

Emberi segéd robotok

Egy emberi segéd robot egyik példája, hogy segít a személyzetnek az ügyfélkapcsolatok javításában az ügyfél-lekérdezések osztályozásával és a megfelelő támogatási mérnökhöz való hozzárendelésével. Egy másik példa egy vállalati emberierőforrás-robot, amely lehetővé teszi az alkalmazottak számára, hogy természetes nyelven kommunikáljanak, és útmutatást kapjanak a lekérdezés alapján.

Parancs- és vezérlőalkalmazás

Amikor integrál egy ügyfélalkalmazást egy beszédfelismerési szövegösszetevővel, a felhasználók természetes nyelven beszélnek egy parancsot a CLU számára a műveletek feldolgozásához, azonosításához és az ügyfélalkalmazás szövegéből származó információk kinyeréséhez. Ez a használati eset számos alkalmazással rendelkezik, például leállíthat, lejátszhat, továbbíthat és visszatekerhet egy dalt, vagy be- vagy kikapcsolhatja a fényeket.

Vállalati csevegőrobot

Egy nagyvállalatnál a vállalati csevegőrobot számos alkalmazotti ügyben kezelhet. Az egyéni kérdések megválaszolása tudásbázis, a beszélgetési nyelvfelismerés által kiszolgált naptárspecifikus képesség, valamint a LUIS által kiszolgált interjúvisszajelzési készség által kiszolgált gyakori kérdések kezelése. Az Orchestration munkafolyamattal összekapcsolhatja ezeket a készségeket, és megfelelően átirányíthatja a bejövő kéréseket a megfelelő szolgáltatásba.

Projektfejlesztési életciklus

A CLU-projektek létrehozása általában több különböző lépésből áll.

A fejlesztési életciklus

Kövesse az alábbi lépéseket, hogy a lehető legtöbbet hozhassa ki a modellből:

  1. A séma meghatározása: Ismerje meg az adatokat, és határozza meg azokat a műveleteket és releváns információkat, amelyeket fel kell ismerni a felhasználó bemeneti kimondott szövegéből. Ebben a lépésben létrehozza a felhasználó kimondott szövegéhez hozzárendelni kívánt szándékokat és a kinyerni kívánt releváns entitásokat .

  2. Adatok címkézése: Az adatok címkézésének minősége kulcsfontosságú tényező a modell teljesítményének meghatározásában.

  3. A modell betanítása: A modell elkezd tanulni a címkézett adatokból.

  4. A modell teljesítményének megtekintése: Tekintse meg a modell kiértékelési adatait annak megállapításához, hogy milyen jól teljesít az új adatok bevezetésekor.

  5. A modell továbbfejlesztése: A modell teljesítményének áttekintése után megtudhatja, hogyan javíthatja a modellt.

  6. A modell üzembe helyezése: A modell üzembe helyezése elérhetővé teszi a Runtime API-val.

  7. Szándékok és entitások előrejelzése: Az egyéni modellel előrejelezheti a felhasználói kimondott szövegekből származó szándékokat és entitásokat.

Referenciadokumentáció és kódminták

A CLU használata során tekintse meg a következő referenciadokumentációt és -mintákat az Azure AI-nyelvhez:

Fejlesztési lehetőség / nyelv Referenciadokumentáció Példák
REST API-k (létrehozás) REST API-dokumentáció
REST API-k (futtatókörnyezet) REST API-dokumentáció
C# (futtatókörnyezet) C#-dokumentáció C#-minták
Python (futtatókörnyezet) Python-dokumentáció Python-példák

Felelősségteljes MI

Az AI-rendszerek nem csak a technológiát, hanem a felhasználókat is magukban foglalják, akik használni fogják, azokat, akiket érint, és a környezet, amelyben üzembe helyezik. A CLU átláthatósági megjegyzésében megismerheti a felelősségteljes AI-használatot és üzembe helyezést a rendszerekben. További információért tekintse meg az alábbi cikkeket is:

Következő lépések