Apa itu alur kerja orkestrasi?
Alur kerja orkestrasi adalah salah satu fitur yang ditawarkan oleh Bahasa Azure AI. Ini adalah layanan API berbasis cloud yang menerapkan kecerdasan pembelajaran mesin untuk memungkinkan Anda membangun model orkestrasi untuk menghubungkan Pemahaman Bahasa Percakapan (CLU), proyek Jawaban Atas Pertanyaan, dan aplikasi LUIS. Dengan membuat alur kerja orkestrasi, pengembang dapat secara berulang menandai ucapan, melatih, dan mengevaluasi kinerja model sebelum membuatnya tersedia untuk dikonsumsi. Untuk menyederhanakan proses membangun dan menyesuaikan model Anda, layanan ini menawarkan portal web khusus yang dapat diakses melalui Language Studio. Anda dapat dengan mudah memulai layanan ini dengan mengikuti langkah-langkah dalam mulai cepat ini.
Dokumentasi ini berisi jenis artikel berikut ini:
- Mulai Cepat memulai instruksi untuk memandu Anda membuat permintaan ke layanan.
- Konsep memberikan penjelasan tentang fungsi dan fitur layanan.
- Panduan berisi instruksi untuk menggunakan layanan dengan cara yang lebih spesifik atau disesuaikan.
Contoh skenario penggunaan
Alur kerja orkestrasi dapat digunakan dalam berbagai skenario di berbagai industri. Beberapa contohnya adalah:
Bot obrolan perusahaan
Dalam perusahaan besar, bot obrolan perusahaan dapat menangani berbagai urusan karyawan. Ini mungkin dapat menangani pertanyaan yang sering diajukan yang dilayani oleh Pangkalan Pengetahuan jawaban atas pertanyaan kustom, keterampilan khusus kalender yang dilayani oleh pemahaman bahasa percakapan, dan keterampilan umpan balik wawancara yang dilayani oleh LUIS. Bot harus dapat merutekan permintaan masuk dengan tepat ke layanan yang benar. Alur kerja orkestrasi memungkinkan Anda menghubungkan keterampilan tersebut ke satu proyek yang menangani perutean permintaan masuk dengan tepat untuk memberi daya pada bot perusahaan.
siklus hidup pengembangan Project
Membuat proyek alur kerja orkestrasi biasanya melibatkan beberapa langkah berbeda.
Ikuti langkah-langkah ini untuk mendapatkan hasil maksimal dari model Anda:
Menentukan skema: Ketahui data Anda dan tentukan tindakan serta informasi relevan yang perlu dikenali dari ucapan input pengguna. Buat niat yang ingin Anda tetapkan ke ucapan pengguna dan proyek yang ingin Anda sambungkan ke proyek orkestrasi Anda.
Memberi label pada data: Kualitas pemberian tag pada data adalah faktor utama dalam menentukan performa model.
Melatih model: Model Anda mulai belajar dari data yang Anda beri tag.
Melihat performa model: Lihat detail evaluasi untuk model Anda guna menentukan seberapa baik performanya saat diperkenalkan ke data baru.
Meningkatkan kualitas model: Setelah meninjau performa model, Anda kemudian dapat mempelajari cara meningkatkan kualitas model.
Menyebarkan model: Menyebarkan model membuatnya tersedia untuk digunakan melalui prediction API.
Memprediksi niat: Gunakan model kustom Anda untuk memprediksi niat dari ucapan pengguna.
Dokumentasi referensi dan sampel kode
Saat Anda menggunakan alur kerja orkestrasi, lihat dokumentasi referensi dan sampel berikut untuk Bahasa Azure AI:
| Opsi pengembangan/bahasa | Dokumentasi rujukan | Sampel |
|---|---|---|
| REST API (Penulisan) | Dokumentasi REST API | |
| REST API (Runtime) | Dokumentasi REST API | |
| C# (Runtime) | Dokumentasi C# | Sampel C++ |
| Python (Runtime) | Dokumentasi Python | Sampel Python |
AI yang bertanggung jawab
Sistem AI tidak hanya mencakup teknologi, tetapi juga orang-orang yang akan menggunakannya, orang-orang yang akan terdampak olehnya, dan lingkungan tempat AI disebarkan. Baca catatan transparansi untuk CLU dan alur kerja orkestrasi untuk mempelajari tentang penggunaan dan penerapan AI yang bertanggung jawab di sistem Anda. Anda juga membaca artikel berikut untuk mengetahui informasi lebih lanjut:
- Catatan transparansi untuk Bahasa Azure AI
- Integrasi dan penggunaan yang bertanggung jawab
- Data, privasi, dan keamanan
Langkah berikutnya
Gunakan artikel memulai cepat untuk mulai menggunakan alur kerja orkestrasi.
Saat Anda melalui siklus hidup pengembangan proyek, tinjau glosarium untuk mempelajari lebih lanjut tentang istilah yang digunakan di seluruh dokumentasi untuk fitur ini.
Ingatlah untuk melihat batas layanan guna mengetahui informasi seperti ketersediaan wilayah.