Migrasi dari Pemahaman Bahasa (LUIS) ke pemahaman bahasa percakapan (CLU)
Pemahaman bahasa percakapan (CLU) adalah penawaran AI berbasis cloud dalam Bahasa Azure AI. Ini adalah generasi terbaru Pemahaman Bahasa (LUIS) dan menawarkan kompatibilitas mundur dengan aplikasi LUIS yang dibuat sebelumnya. CLU menggunakan kecerdasan pembelajaran mesin canggih untuk memungkinkan pengguna membangun model pemahaman bahasa alami kustom untuk memprediksi niat dan entitas dalam ucapan percakapan.
CLU menawarkan keuntungan berikut daripada LUIS:
- Peningkatan akurasi dengan model pembelajaran mesin canggih untuk klasifikasi niat dan ekstraksi entitas yang lebih baik. LUIS memerlukan lebih banyak contoh untuk menggeneralisasi konsep tertentu dalam niat dan entitas, sementara pembelajaran mesin CLU yang lebih canggih mengurangi beban pelanggan dengan membutuhkan data yang jauh lebih sedikit.
- Dukungan multibahasa untuk pembelajaran dan pelatihan model. Latih proyek dalam satu bahasa dan segera prediksi niat dan entitas di 96 bahasa.
- Kemudahan integrasi dengan CLU yang berbeda dan proyek jawaban atas pertanyaan kustom menggunakan alur kerja orkestrasi.
- Kemampuan untuk menambahkan data pengujian dalam pengalaman menggunakan Language Studio dan API untuk evaluasi performa model sebelum penyebaran.
Untuk memulai, Anda dapat membuat proyek baru atau memigrasikan aplikasi LUIS Anda.
Perbandingan antara LUIS dan CLU
Tabel berikut menyajikan perbandingan berdampingan antara fitur LUIS dan CLU. Ini juga menyoroti perubahan pada aplikasi LUIS Anda setelah bermigrasi ke CLU. Pilih konsep tertaut untuk mempelajari selengkapnya tentang perubahan.
| Fitur LUIS | Fitur CLU | Pascamigrasi |
|---|---|---|
| Entitas ML yang dipelajari mesin dan Terstruktur | Komponen entitas yang dipelajari | Entitas yang dipelajari mesin tanpa subentitas akan ditransfer sebagai entitas CLU. Entitas ML terstruktur hanya akan mentransfer simpul daun (subentitas tingkat terendah yang tidak memiliki subentitasnya sendiri) sebagai entitas dalam CLU. Nama entitas dalam CLU akan menjadi nama subentitas yang digabungkan dengan induk. Misalnya, Order.Size |
| Mencantumkan, meregex, dan entitas bawaan | Komponen entitas daftar, regex, dan bawaan | Entitas daftar, regex, dan bawaan akan ditransfer sebagai entitas di CLU dengan komponen entitas yang diisi berdasarkan jenis entitas. |
Pattern.Any Entitas |
Tidak tersedia saat ini | Pattern.Any entitas akan dihapus. |
| Budaya tunggal untuk setiap aplikasi | Model multibahasa memungkinkan beberapa bahasa untuk setiap proyek. | Bahasa utama proyek Anda akan ditetapkan sebagai budaya aplikasi LUIS Anda. Proyek Anda dapat dilatih untuk memperluas ke berbagai bahasa. |
| Peran entitas | Peran tidak lagi diperlukan. | Peran entitas akan ditransfer sebagai entitas. |
| Pengaturan untuk: menormalkan tanda baca, menormalkan diakritik, menormalkan bentuk kata, menggunakan semua data pelatihan | Pengaturan tidak lagi diperlukan. | Pengaturan tidak akan ditransfer. |
| Fitur daftar pola dan frasa | Fitur daftar Pola dan Frasa tidak lagi diperlukan. | Fitur daftar pola dan frasa tidak akan ditransfer. |
| Fitur entitas | Komponen entitas | Mencantumkan atau entitas bawaan yang ditambahkan sebagai fitur ke entitas akan ditransfer sebagai komponen tambahan ke entitas tersebut. Fitur entitas tidak akan ditransfer untuk niat. |
| Niat dan ucapan | Niat dan ucapan | Semua niat dan ucapan akan ditransfer. Ucapan akan diberi label dengan entitas yang ditransfer. |
| GUID Aplikasi | Nama proyek | Proyek akan dibuat untuk setiap aplikasi migrasi dengan nama aplikasi. Setiap karakter khusus dalam nama aplikasi akan dihapus dalam CLU. |
| Penerapan versi | Setiap kali Anda berlatih, model dibuat dan bertindak sebagai versi proyek Anda. | Proyek akan dibuat untuk versi aplikasi yang dipilih. |
| Evaluasi menggunakan pengujian batch | Evaluasi menggunakan set pengujian | Menambahkan himpunan data pengujian Anda akan diperlukan. |
| Kontrol Akses Berbasis Peran (RBAC) untuk sumber daya LUIS | Kontrol Akses Berbasis Peran (RBAC) tersedia untuk sumber daya Bahasa | RBAC sumber daya bahasa harus ditambahkan secara manual setelah migrasi. |
| Mode pelatihan tunggal | Mode pelatihan standar dan tingkat lanjut | Pelatihan akan diperlukan setelah migrasi aplikasi. |
| Dua slot penerbitan dan penerbitan versi | Sepuluh slot penyebaran dengan penamaan kustom | Penyebaran akan diperlukan setelah migrasi dan pelatihan aplikasi. |
| API penulisan LUIS dan dukungan SDK di .NET, Python, Java, dan Node.js | REST API Penulisan CLU. | Untuk informasi selengkapnya, lihat artikel mulai cepat untuk informasi tentang API penulisan CLU. Pemfaktoran ulang akan diperlukan untuk menggunakan API penulisan CLU. |
| API Runtime LUIS dan dukungan SDK di .NET, Python, Java, dan Node.js | API Runtime CLU. Dukungan CLU Runtime SDK untuk .NET dan Python. | Lihat cara memanggil API untuk informasi lebih lanjut. Pemfaktoran ulang akan diperlukan untuk menggunakan respons API runtime CLU. |
Memigrasikan aplikasi LUIS Anda
Gunakan langkah-langkah berikut untuk memigrasikan aplikasi LUIS Anda menggunakan portal LUIS atau REST API.
Memigrasikan aplikasi LUIS Anda menggunakan portal LUIS
Ikuti langkah-langkah berikut untuk memulai migrasi menggunakan Portal LUIS:
Setelah masuk ke portal LUIS, klik tombol pada banner di bagian atas layar untuk meluncurkan wizard migrasi. Migrasi hanya akan menyalin aplikasi LUIS yang Anda pilih ke CLU.
Tab gambaran umum migrasi memberikan penjelasan singkat tentang pemahaman bahasa percakapan dan manfaatnya. Tekan Berikutnya untuk melanjutkan.
Tentukan sumber daya Bahasa yang ingin Anda migrasikan aplikasi LUIS Anda. Jika Anda telah membuat sumber daya Bahasa, pilih langganan Azure Anda diikuti oleh sumber daya Bahasa Anda, lalu pilih Berikutnya. Jika Anda tidak memiliki sumber daya Bahasa, klik tautan untuk membuat sumber daya Bahasa baru. Setelah itu, pilih sumber daya dan pilih Berikutnya.
Pilih semua aplikasi LUIS yang ingin Anda migrasikan, dan tentukan setiap versinya. Pilih Selanjutnya. Setelah memilih aplikasi dan versi, Anda akan diminta dengan pesan yang memberi tahu Anda tentang fitur apa pun yang tidak akan dibawa dari aplikasi LUIS Anda.
Catatan
Karakter khusus tidak didukung oleh pemahaman bahasa percakapan. Setiap karakter khusus dalam nama aplikasi LUIS yang Anda pilih akan dihapus di aplikasi baru Anda yang dimigrasikan.
Tinjau pilihan sumber daya Bahasa dan aplikasi LUIS Anda. Pilih Selesai untuk memigrasikan aplikasi Anda.
Jendela popup akan memungkinkan Anda melacak status migrasi aplikasi Anda. Aplikasi yang belum mulai bermigrasi akan memiliki status Tidak dimulai. Aplikasi yang telah mulai bermigrasi akan memiliki status Sedang berlangsung, dan setelah selesai memigrasikan statusnya akan Berhasil. Aplikasi yang Gagal berarti Anda harus mengulangi proses migrasi. Setelah migrasi selesai untuk semua aplikasi, pilih Selesai.
Setelah aplikasi dimigrasikan, Anda dapat melakukan langkah-langkah berikut:
Pertanyaan yang Sering Ditanyakan
Versi JSON LUIS mana yang didukung oleh CLU?
CLU mendukung model JSON versi 7.0.0. Jika format JSON lebih lama, format tersebut perlu diimpor ke LUIS terlebih dahulu, lalu diekspor dari LUIS dengan versi terbaru.
Bagaimana entitas berbeda dalam CLU?
Dalam CLU, satu entitas dapat memiliki beberapa komponen entitas, yang merupakan metode yang berbeda untuk ekstraksi. Komponen-komponen tersebut kemudian digabungkan bersama-sama menggunakan aturan yang dapat Anda tentukan. Komponen yang tersedia adalah:
- Dipelajari: Setara dengan entitas ML di LUIS, label digunakan untuk melatih model yang dipelajari mesin untuk memprediksi entitas berdasarkan konten dan konteks label yang disediakan.
- Daftar: Sama seperti entitas daftar di LUIS, komponen daftar sama persis dengan sekumpulan sinonim dan memetakannya kembali ke nilai yang dinormalisasi yang disebut kunci daftar.
- Bawaan: Komponen bawaan memungkinkan Anda menentukan entitas dengan ekstraktor bawaan untuk jenis umum yang tersedia di LUIS dan CLU.
- Regex: Komponen regex menggunakan ekspresi reguler untuk menangkap pola yang ditentukan kustom, persis seperti entitas regex di LUIS.
Entitas di LUIS akan ditransfer sebagai entitas dengan nama yang sama di CLU dengan komponen yang setara ditransfer.
Setelah bermigrasi, simpul daun yang dipelajari mesin terstruktur dan subentitas tingkat bawah akan ditransfer ke model CLU baru sementara semua entitas induk dan entitas tingkat yang lebih tinggi akan diabaikan. Nama entitas akan menjadi nama entitas tingkat bawah yang digabungkan dengan entitas induknya.
Contoh:
Entitas LUIS:
- Pesanan Pizza
- Topping
- Ukuran
Entitas LUIS yang dimigrasikan dalam CLU:
- Pesanan Pizza.Topping
- Pesanan Pizza.Ukuran
Anda juga tidak dapat melabeli 2 entitas berbeda dalam CLU untuk rentang karakter yang sama. Komponen yang dipelajari dalam CLU saling eksklusif dan tidak memberikan prediksi yang tumpang tindih hanya untuk komponen yang dipelajari. Saat memigrasikan aplikasi LUIS Anda, label entitas yang tumpang tindih mempertahankan label terpanjang dan mengabaikan yang lain.
Untuk informasi selengkapnya tentang komponen entitas, lihat Komponen entitas.
Bagaimana peran entitas ditransfer ke CLU?
Peran Anda akan ditransfer sebagai entitas yang berbeda bersama dengan ucapan berlabel mereka. Setiap jenis entitas peran akan menentukan komponen entitas mana yang akan diisi. Misalnya, peran entitas daftar akan ditransfer sebagai entitas dengan nama yang sama dengan peran, dengan komponen daftar yang diisi.
Bagaimana fitur entitas ditransfer dalam CLU?
Entitas yang digunakan sebagai fitur untuk niat tidak akan ditransfer. Entitas yang digunakan sebagai fitur untuk entitas lain akan mengisi komponen entitas yang relevan. Misalnya, jika entitas daftar bernama SizeList digunakan sebagai fitur untuk entitas yang dipelajari mesin bernama Ukuran, entitas Ukuran akan ditransfer ke CLU dengan nilai daftar dari SizeList ditambahkan ke komponen daftarnya. Hal yang sama diterapkan untuk entitas bawaan dan regex.
Bagaimana skor keyakinan entitas berbeda dalam CLU?
Setiap entitas yang diekstrak memiliki skor keyakinan 100% dan oleh karena itu skor keyakinan entitas tidak boleh digunakan untuk membuat keputusan antar entitas.
Bagaimana pemahaman bahasa percakapan multibahasa?
Proyek pemahaman bahasa percakapan menerima ucapan dalam bahasa yang berbeda. Selain itu, Anda dapat melatih model Anda dalam satu bahasa dan memperluasnya untuk memprediksi dalam bahasa lain.
Contoh:
Ungkapan pelatihan (Bahasa Inggris): Apa kabar?
Niat berlabel: Salam
Ucapan runtime (Bahasa Prancis): Komentar ça va?
Niat yang diprediksi: Salam
Bagaimana akurasi CLU lebih baik daripada LUIS?
CLU menggunakan model state-of-the-art untuk meningkatkan performa pembelajaran mesin dari berbagai model klasifikasi niat dan ekstraksi entitas.
Model-model ini tidak peka terhadap variasi kecil, menghapus kebutuhan akan pengaturan berikut: Menormalkan tanda baca, menormalkan diakritik, menormalkan bentuk kata, dan menggunakan semua data pelatihan.
Selain itu, model baru tidak mendukung fitur daftar frasa karena mereka tidak lagi memerlukan informasi tambahan dari pengguna untuk memberikan kata-kata serupa secara semantik untuk akurasi yang lebih baik. Pola juga digunakan untuk memberikan klasifikasi niat yang ditingkatkan menggunakan teknik pencocokan berbasis aturan yang tidak diperlukan dalam paradigma model baru. Pertanyaan di bawah ini menjelaskan hal ini secara lebih rinci.
Apa yang harus saya lakukan jika fitur yang saya gunakan di LUIS tidak lagi ada?
Ada beberapa fitur yang ada di LUIS yang tidak akan lagi tersedia di CLU. Ini termasuk kemampuan untuk melakukan rekayasa fitur, memiliki pola dan entitas pattern.any, dan entitas terstruktur. Jika Anda memiliki dependensi pada fitur-fitur ini di LUIS, gunakan panduan berikut:
Pola: Pola ditambahkan di LUIS untuk membantu klasifikasi niat melalui menentukan ucapan templat ekspresi reguler. Ini termasuk kemampuan untuk menentukan niat Pola saja (tanpa contoh ucapan). CLU mampu menggeneralisasi dengan memanfaatkan model state-of-the-art. Anda dapat memberikan beberapa ucapan yang cocok dengan pola tertentu dengan niat di CLU, dan kemungkinan akan mengklasifikasikan pola yang berbeda sebagai niat teratas tanpa perlu ucapan templat pola. Ini menyederhanakan persyaratan untuk merumuskan pola-pola ini, yang terbatas di LUIS, dan memberikan pengalaman klasifikasi niat yang lebih baik.
Fitur daftar frasa: Kemampuan untuk mengaitkan fitur terutama terjadi untuk membantu klasifikasi niat dengan menyoroti elemen/fitur utama yang akan digunakan. Ini tidak lagi diperlukan karena model mendalam yang digunakan dalam CLU sudah memiliki kemampuan untuk mengidentifikasi elemen yang melekat dalam bahasa. Pada gilirannya menghapus fitur-fitur ini tidak akan berpengaruh pada kemampuan klasifikasi model.
Entitas terstruktur: Kemampuan untuk menentukan entitas terstruktur terutama untuk memungkinkan penguraian ungkapan bertingkat. Dengan berbagai kemungkinan sub-entitas, LUIS membutuhkan semua kombinasi entitas yang berbeda untuk didefinisikan dan disajikan ke model sebagai contoh. Di CLU, entitas terstruktur ini tidak lagi didukung, karena komponen yang dipelajari yang tumpang tindih tidak didukung. Ada beberapa kemungkinan pendekatan untuk menangani ekstraksi terstruktur ini:
- Ekstraksi non-ambigu: Dalam banyak kasus, deteksi entitas daun cukup untuk memahami item yang diperlukan dalam rentang penuh. Misalnya, entitas terstruktur seperti Perjalanan yang sepenuhnya terbengkalai sumber dan tujuan (London ke New York atau Rumah untuk bekerja) dapat diidentifikasi dengan rentang individu yang diprediksi untuk sumber dan tujuan. Kehadiran mereka sebagai prediksi individu akan memberi tahu Anda tentang entitas Perjalanan .
- Ekstraksi ambigu: Ketika batas sub-entitas yang berbeda tidak terlalu jelas. Untuk menggambarkan, ambil contoh "Saya ingin memesan pizza pepperoni dan pizza vegetarian keju ekstra". Sementara berbagai jenis pizza serta modifikasi topping dapat diekstraksi, meminta mereka diekstraksi tanpa konteks akan memiliki tingkat ambiguitas di mana keju tambahan ditambahkan. Dalam hal ini, sejauh mana rentang didasarkan konteks dan akan mengharuskan ML untuk menentukan ini. Untuk ekstraksi ambigu, Anda dapat menggunakan salah satu pendekatan berikut:
- Gabungkan sub-entitas ke dalam komponen entitas yang berbeda dalam entitas yang sama.
Contoh:
Implementasi LUIS:
- Pesanan Pizza (entitas)
- Ukuran (subentitas)
- Kuantitas (subentitas)
Implementasi CLU:
- Pesanan Pizza (entitas)
- Ukuran (komponen entitas daftar: kecil, sedang, besar)
- Kuantitas (komponen entitas bawaan: angka)
Dalam CLU, Anda akan memberi label seluruh rentang untuk Pesanan Pizza termasuk ukuran dan kuantitas, yang akan mengembalikan pesanan pizza dengan kunci daftar untuk ukuran, dan nilai angka untuk kuantitas dalam objek entitas yang sama.
- Untuk masalah yang lebih kompleks di mana entitas berisi beberapa tingkat kedalaman, Anda dapat membuat proyek untuk setiap tingkat kedalaman dalam struktur entitas. Ini memberi Anda opsi untuk:
- Teruskan ucapan ke setiap proyek.
- Gabungkan analisis setiap proyek dalam tahap melanjutkan CLU.
Untuk contoh terperinci tentang konsep ini, lihat proyek sampel pizza yang tersedia di GitHub.
Bagaimana cara mengelola versi di CLU?
CLU menyimpan aset data yang digunakan untuk melatih model Anda. Anda dapat mengekspor aset model atau memuatnya kembali ke proyek kapan saja. Jadi model bertindak sebagai versi proyek Anda yang berbeda.
Anda dapat mengekspor proyek CLU menggunakan Language Studio atau secara terprogram dan menyimpan berbagai versi aset secara lokal.
Mengapa klasifikasi CLU berbeda dari LUIS? Bagaimana cara kerja klasifikasi Tidak Ada?
CLU menyajikan pendekatan yang berbeda untuk model pelatihan dengan menggunakan multi-klasifikasi dibandingkan dengan klasifikasi biner. Akibatnya, interpretasi skor berbeda dan juga berbeda di seluruh opsi pelatihan. Meskipun Anda cenderung mencapai hasil yang lebih baik, Anda harus mengamati perbedaan skor dan menentukan ambang batas baru untuk menerima prediksi niat. Anda dapat dengan mudah menambahkan ambang skor keyakinan untuk niat Tidak Ada di pengaturan proyek Anda. Ini akan mengembalikan None sebagai niat teratas jika niat teratas tidak melebihi ambang batas skor keyakinan yang disediakan.
Apakah saya memerlukan lebih banyak data untuk model CLU daripada LUIS?
Model CLU baru memiliki pemahaman semantik bahasa yang lebih baik daripada di LUIS, dan pada gilirannya membantu membuat model menggeneralisasi dengan pengurangan data yang signifikan. Meskipun Anda tidak boleh bertujuan untuk mengurangi jumlah data yang Anda miliki, Anda harus mengharapkan performa dan ketahanan yang lebih baik terhadap variasi dan sinonim dalam CLU dibandingkan dengan LUIS.
Jika saya tidak memigrasikan aplikasi LUIS saya, apakah aplikasi tersebut akan dihapus?
Aplikasi LUIS Anda yang ada akan tersedia hingga 1 Oktober 2025. Setelah itu, Anda tidak akan lagi dapat menggunakan aplikasi tersebut, titik akhir layanan tidak akan lagi berfungsi, dan aplikasi akan dihapus secara permanen.
Apakah . File LU didukung pada CLU?
Hanya format JSON yang didukung oleh CLU. Anda dapat mengimpor . File LU ke LUIS dan ekspor dalam format JSON, atau Anda dapat mengikuti langkah-langkah migrasi di atas untuk aplikasi Anda.
Apa batas layanan CLU?
Lihat artikel batas layanan untuk informasi selengkapnya.
Apakah saya harus merefaktor kode saya jika saya memigrasikan aplikasi saya dari LUIS ke CLU?
Objek API aplikasi CLU berbeda dari LUIS dan oleh karena itu pemfaktoran ulang kode akan diperlukan.
Jika Anda menggunakan API terprogram dan runtime LUIS, Anda dapat menggantinya dengan API yang setara.
API penulisan CLU: Alih-alih API CRUD khusus LUIS untuk tindakan individual seperti menambahkan ucapan, menghapus entitas, dan mengganti nama niat, CLU menawarkan API impor yang menggantikan konten lengkap proyek menggunakan nama yang sama. Jika layanan Anda menggunakan API terprogram LUIS untuk menyediakan platform bagi pelanggan lain, Anda harus mempertimbangkan paradigma desain baru ini. Semua API lain seperti: mencantumkan proyek, pelatihan, penyebaran, dan penghapusan tersedia. API untuk tindakan seperti mengimpor dan menyebarkan adalah operasi asinkron alih-alih sinkron seperti yang ada di LUIS.
API runtime CLU: Permintaan dan respons API baru mencakup banyak parameter yang sama seperti: kueri, prediksi, niat teratas, niat, entitas, dan nilainya. Objek respons CLU menawarkan pendekatan yang lebih mudah. Prediksi entitas disediakan karena berada dalam teks ucapan, dan informasi tambahan apa pun seperti resolusi atau kunci daftar disediakan dalam parameter tambahan yang disebut extraInformation dan resolution.
Anda dapat menggunakan SDK runtime .NET atau Python CLU untuk menggantikan SDK runtime LUIS. Saat ini tidak ada SDK penulisan yang tersedia untuk CLU.
Bagaimana perbedaan waktu pelatihan di CLU? Bagaimana pelatihan standar berbeda dari pelatihan lanjutan?
CLU menawarkan pelatihan standar, yang melatih dan belajar dalam bahasa Inggris dan sebanding dengan waktu pelatihan LUIS. Ini juga menawarkan pelatihan lanjutan, yang membutuhkan durasi yang jauh lebih lama karena memperluas pelatihan ke semua bahasa lain yang didukung. API pelatihan akan terus menjadi proses asinkron, dan Anda harus menilai perubahan dalam proses DevOps yang Anda gunakan untuk solusi Anda.
Bagaimana pengalaman telah berubah dalam CLU dibandingkan dengan LUIS? Bagaimana siklus hidup pengembangan berbeda?
Di LUIS Anda akan Build-Train-Test-Publish, sedangkan di CLU Anda Build-Train-Evaluate-Deploy-Test.
- Build: Di CLU, Anda dapat menentukan niat, entitas, dan ucapan anda sebelum berlatih. CLU juga menawarkan Anda kemampuan untuk menentukan data pengujian saat Anda membangun aplikasi yang akan digunakan untuk evaluasi model. Evaluasi menilai seberapa baik performa model Anda pada data pengujian Anda dan memberi Anda metrik presisi, pengenalan, dan F1.
- Melatih: Anda membuat model dengan nama setiap kali Anda berlatih. Anda dapat menimpa model yang sudah terlatih. Anda dapat menentukan pelatihan standar atau tingkat lanjut , dan menentukan apakah Anda ingin menggunakan data pengujian untuk evaluasi, atau persentase data pelatihan Anda yang akan ditinggalkan dari pelatihan dan digunakan sebagai data pengujian. Setelah pelatihan selesai, Anda dapat mengevaluasi seberapa baik performa model Anda di luar.
- Sebarkan: Setelah pelatihan selesai dan Anda memiliki model dengan nama, itu dapat disebarkan untuk prediksi. Penyebaran juga diberi nama dan memiliki model yang ditetapkan. Anda dapat memiliki beberapa penyebaran untuk model yang sama. Penyebaran dapat ditimpa dengan model yang berbeda, atau Anda dapat menukar model dengan penyebaran lain dalam proyek.
- Uji: Setelah penyebaran selesai, Anda dapat menggunakannya untuk prediksi melalui titik akhir penyebaran. Anda juga dapat mengujinya di studio di halaman Uji penyebaran.
Proses ini berbeda dengan LUIS, di mana ID aplikasi dilampirkan ke semuanya, dan Anda menyebarkan versi aplikasi baik di slot penahapan atau produksi.
Ini akan memengaruhi proses DevOps yang Anda gunakan.
Apakah CLU memiliki dukungan kontainer?
Tidak, Anda tidak dapat mengekspor CLU ke kontainer.
Bagaimana aplikasi LUIS saya akan diberi nama dalam CLU setelah migrasi?
Setiap karakter khusus dalam nama aplikasi LUIS akan dihapus. Jika panjang nama yang dihapus lebih besar dari 50 karakter, karakter tambahan akan dihapus. Jika nama setelah menghapus karakter khusus kosong (misalnya, jika nama aplikasi LUIS adalah @@), nama baru akan tidak berjudul. Jika sudah ada proyek pemahaman bahasa percakapan dengan nama yang sama, aplikasi LUIS yang dimigrasikan akan ditambahkan untuk _1 duplikat pertama dan meningkat 1 untuk setiap duplikat tambahan. Jika panjang nama baru adalah 50 karakter dan perlu diganti namanya, 1 atau 2 karakter terakhir akan dihapus untuk dapat menggabungkan angka dan masih berada dalam batas 50 karakter.
Migrasi dari Tanya Jawab LUIS
Jika Anda memiliki pertanyaan yang tidak terjawab dalam artikel ini, pertimbangkan untuk meninggalkan pertanyaan Anda di utas Microsoft Q&A kami.