Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Apa itu frasa pemicu di Copilot Studio
Frasa pemicu melatih model pemahaman bahasa alami (NLU) agen Anda.
Frasa pemicu dikonfigurasi pada tingkat topik dan menunjukkan kepada agen untuk ucapan pengguna tipikal apa topik tertentu yang harus dipicu.
Frasa pemicu biasanya menangkap cara pengguna bertanya tentang masalah atau masalah—misalnya, "masalah dengan gulma di halaman".
Saat Anda membuat topik baru, Anda hanya perlu memberikan beberapa frasa sampel (idealnya antara 5 dan 10). Pada runtime, AI mengurai apa yang dikatakan pengguna dan memicu topik yang paling dekat dalam arti dengan ucapan pengguna. Untuk informasi selengkapnya tentang frasa pemicu yang efektif, lihat Memilih frasa pemicu yang efektif.
Pentingnya konteks pemicu
Copilot Studio NLU berperilaku berbeda berdasarkan status percakapan, yang terkadang dapat menyebabkan perilaku yang berbeda untuk ucapan pengguna yang sama.
Berikut ini adalah status percakapan yang berbeda:
Awal percakapan: agen tidak memiliki konteks, jadi ucapan pengguna diharapkan untuk:
- Memicu topik secara langsung (pengenalan niat).
- Memicu pertanyaan disambiguasi "apakah maksud Anda" (Beberapa Topik Cocok) di antara kandidat maksud jika ada beberapa topik yang cocok?
- Buka topik penggantian jika niat tidak dikenali.
Setelah "maksud Anda" (Beberapa Topik Cocok) dipicu: NLU mengoptimalkan agar cocok dengan salah satu topik yang disarankan, dengan ambang batas yang lebih tinggi untuk keluar dari opsi yang disajikan.
Beralih dari topik saat ini: Jika NLU mencoba mengisi slot Dalam topik, dan pengguna memberikan kueri pengguna yang dapat memicu topik lain (peralihan topik).
Tanda baca
Model NLU agnostik terhadap tanda baca, termasuk tanda tanya.
Membuat frasa pemicu baru
Jika memungkinkan, mulailah dengan data produksi nyata daripada membuat frasa pemicu Anda sendiri. Frasa pemicu terbaik adalah frasa yang mirip dengan data aktual yang berasal dari pengguna. Frasa ini adalah frasa yang ditanyakan pengguna kepada agen yang disebarkan.
Tidak perlu meninggalkan kata-kata tertentu: model ini dirancang untuk mengurangi bobot kata-kata yang tidak perlu, seperti kata berhenti (kata-kata yang disaring sebelum pemrosesan data bahasa alami karena tidak signifikan).
Mengoptimalkan frasa pemicu
| Tip | Contoh |
|---|---|
|
Memiliki setidaknya 5-10 frasa pemicu per topik Iterasi dan tambahkan lebih banyak saat Anda belajar dari pengguna. |
Temukan toko terdekat saya Periksa lokasi toko Temukan toko Temukan saya lokasi terdekat Anda Toko di dekat saya |
|
Variasikan struktur kalimat dan istilah kunci Model secara otomatis mempertimbangkan variasi frasa tersebut. |
Kapan Anda tutup Jam buka harian |
|
Gunakan frasa pemicu pendek Kurang dari 10 kata. |
Kapan Anda buka |
|
Hindari frasa pemicu satu kata Ini meningkatkan bobot untuk kata-kata tertentu dalam pemicu topik. Ini dapat menimbulkan kebingungan antara topik serupa. |
Toko |
| Gunakan frasa lengkap | Bisakah saya berbicara dengan asisten manusia |
| Memiliki kata kerja dan kata benda yang unik atau kombinasi dari itu |
Saya membutuhkan layanan pelanggan Saya ingin berbicara dengan konsultan |
|
Hindari menggunakan variasi entitas yang sama Anda tidak perlu menggunakan semua contoh dari nilai entitas. NLU secara otomatis mempertimbangkan semua variasi. |
Saya ingin memesan burger Saya ingin pizza Saya ingin nugget ayam |
Seimbangkan jumlah frasa pemicu per topik
Cobalah untuk menyeimbangkan jumlah frasa pemicu antar topik. Dengan begitu, kemampuan NLU tidak membebani topik dibandingkan topik lain berdasarkan frasa pemicu yang dikonfigurasi.
Menilai perubahan Anda
Setelah Anda memperbarui frasa pemicu, atau setelah Anda menggabungkan atau membagi topik, ada beberapa cara untuk menilai perubahan:
- Perubahan langsung dalam perilaku agen, yang dapat diamati melalui obrolan pengujian (misalnya, topik yang sekarang memicu atau tidak berdasarkan pembaruan frasa pemicu).
- Perubahan setelah penyebaran agen dan menghadapi lalu lintas, yang diterjemahkan ke tingkat defleksi (non-eskalasi) yang lebih tinggi atau lebih rendah. Ini dapat diamati dari tab analitik di Copilot Studio.
Tip
Anda dapat menguji pemicu topik dan bagaimana kinerja model NLU Anda terhadap data pengujian secara massal, dengan menggunakan Kerangka Kerja Pengujian Copilot.
Meskipun fitur dan komponen dasar yang digunakan untuk membangun Kerangka Kerja Pengujian Copilot (seperti berinteraksi dengan Direct Line API) didukung sepenuhnya, Kerangka Kerja Pengujian Copilot itu sendiri mewakili implementasi sampel dari fitur ini.
Pelanggan dan komunitas kami dapat menggunakan dan menyesuaikan Kerangka Kerja Pengujian Copilot untuk menerapkan pengujian massal. Jika Anda menghadapi masalah dengan Copilot Test Framework, laporkan masalahnya di sini: https://aka.ms/PVASamples. (Dukungan Microsoft tidak dapat membantu Anda dengan masalah yang terkait dengan sampel ini, tetapi mereka dapat membantu dengan masalah platform dan fitur terkait, yang mendasarinya.)