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
- Azure-előfizetés – Hozzon létre egyet ingyen.
- Egy beszélgetési nyelvértelmező projekt.
Bejelentkezés a Language Studióba
Nyissa meg a Language Studiót , és jelentkezzen be az Azure-fiókjával.
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.
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.
A Language Studióban keresse meg a Kérdések és beszélgetési nyelv megértése című szakaszt, és válassza az Orchestration Workflow (Vezénylési munkafolyamat) lehetőséget.
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:
A bal oldali menüben válassza a Betanítási feladatok lehetőséget.
A felső menüben válassza a Betanítási feladat indítása lehetőséget.
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.
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:
A bal oldali menüben válassza a Modell üzembe helyezése lehetőséget.
Válassza az Üzembe helyezés hozzáadása lehetőséget egy új üzembehelyezési feladat elindításához.
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.
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.
Válassza az Üzembe helyezés lehetőséget az üzembehelyezési feladat elküldéséhez
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
A bal oldali menüben válassza az Üzemelő példányok tesztelése lehetőséget.
Válassza ki a tesztelni kívánt modellt. Csak az üzemelő példányokhoz rendelt modelleket tesztelheti.
Az üzembehelyezési név legördülő listából válassza ki az üzembe helyezés nevét.
A szövegmezőbe írjon be egy tesztelendő kimondott szöveget.
A felső menüben válassza a Teszt futtatása lehetőséget.
A teszt futtatása után az eredményben meg kell jelennie a modell válaszának. Az eredményeket megtekintheti entitáskártyák nézetben, vagy JSON formátumban.
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
- Azure-előfizetés – Hozzon létre egyet ingyen.
Nyelvi erőforrás létrehozása Azure Portal
Új erőforrás létrehozása a Azure Portal
Lépjen a Azure Portal egy új Azure AI Language-erőforrás létrehozásához.
Válassza a Folytatás lehetőséget az erőforrás létrehozásához
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
Lépjen az erőforrás áttekintési lapjára a Azure Portal.
A bal oldali menüben válassza a Kulcsok és végpont lehetőséget. A végpontot és a kulcsot fogja használni az API-kérésekhez
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.