Mengoptimalkan frasa pemicu dan pemahaman bahasa alami
Penting
Power Virtual Agents kemampuan dan fitur sekarang menjadi bagian dari Microsoft Copilot Studio mengikuti investasi signifikan dalam AI generatif dan integrasi yang ditingkatkan Microsoft Copilot.
Beberapa artikel dan tangkapan layar mungkin merujuk saat Power Virtual Agents kami memperbarui dokumentasi dan konten pelatihan.
Apa itu frasa pemicu di Microsoft Copilot Studio
Frasa pemicu melatih model pemahaman bahasa alami (NLU) kopilot Anda.
Frasa pemicu dikonfigurasi pada tingkat topik dan menunjukkan kepada kopilot untuk ucapan pengguna biasa apa yang harus dipicu oleh topik tertentu.
Frasa pemicu biasanya menangkap cara pengguna akhir bertanya tentang masalah atau masalah. Misalnya, "masalah dengan gulma di halaman"
Tip
Saat membuat topik baru, pembuat hanya perlu memberikan beberapa frasa sampel (idealnya antara lima dan sepuluh). Ketika kopilot digunakan, AI akan mengurai apa yang dikatakan pengguna dan memicu topik yang paling dekat artinya dengan ucapan pengguna.
Pentingnya konteks pemicu
Microsoft 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:
- Mulai percakapan: kopilot tidak memiliki konteks, sehingga ucapan pengguna diharapkan untuk: memicu topik secara langsung (IntentRecognition), memicu pertanyaan disambiguasi "apakah maksud Anda" (Beberapa Topik Cocok) (IntentCandidates) jika ada beberapa topik yang cocok, atau fallback (UnknownIntent) jika maksud tidak dikenali.
- Setelah "maksud Anda" (Beberapa Topik Cocok) dipicu: NLU mengoptimalkan untuk mencocokkan 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 pengalihan topik (topik lain).
Pada 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 yang mirip dengan data aktual yang berasal dari pengguna akhir. Frasa ini adalah frasa yang diminta pengguna kepada kopilot yang disebarkan.
Tidak perlu meninggalkan kata-kata tertentu: model ini dirancang untuk memberi bobot lebih sedikit pada kata-kata yang tidak perlu, seperti kata-kata berhenti (kata-kata yang disaring sebelum pemrosesan data bahasa alami karena tidak signifikan).
Mengoptimalkan frasa pemicu
| # | Tip | Contoh |
|---|---|---|
| 1 | Memiliki setidaknya 5-10 frase pemicu per topik Iterasi dan tambahkan lebih banyak saat Anda belajar dari pengguna. |
Temukan toko terdekat saya Periksa lokasi toko Temukan toko Temukan lokasi terdekat Anda Toko di dekat saya |
| 2 | Variasikan struktur kalimat dan istilah kunci Model secara otomatis mempertimbangkan variasi frasa tersebut. |
Kapan Anda tutup Jam buka harian |
| 3 | Gunakan frasa pemicu pendek Kurang dari 10 kata. |
Kapan Anda buka |
| 4 | Hindari frasa pemicu satu kata Ini meningkatkan bobot untuk kata-kata tertentu dalam topik memicu. Ini dapat menimbulkan kebingungan antara topik serupa. |
Toko |
| 5 | Gunakan frasa lengkap | Bisakah saya berbicara dengan asisten manusia |
| 6 | Memiliki kata kerja dan kata benda unik atau kombinasi dari mereka | Saya butuh layanan pelanggan Saya ingin berbicara dengan konsultan |
| 7 | 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.
Tip
Dengan begitu, kemampuan NLU tidak kelebihan berat badan topik dibandingkan yang lain berdasarkan frasa pemicu yang dikonfigurasi.
Menilai dampak perubahan Anda
Saat memperbarui frasa pemicu, atau saat menggabungkan atau memisahkan topik, ada beberapa cara untuk menilai perubahan:
- Perubahan langsung dalam perilaku kopilot, yang dapat diamati melalui kanvas "uji kopilot" (misalnya, topik yang sekarang memicu atau tidak didasarkan pada pembaruan frasa pemicu).
- Perubahan setelah penyebaran kopilot dan menghadapi lalu lintas, yang berarti tingkat defleksi (non-eskalasi) yang lebih tinggi atau lebih rendah. Ini dapat diamati dari tab analitik di Microsoft Copilot Studio.
Tip
Anda dapat menguji pemicu topik dan bagaimana kinerja model NLU Anda terhadap data pengujian secara massal, dengan memanfaatkan Copilot Test Framework.
Meskipun fitur dan komponen dasar yang digunakan untuk membangun Copilot Test Framework (seperti berinteraksi dengan Direct Line API) didukung penuh, Copilot Test Framework itu sendiri mewakili contoh implementasi dari fitur-fitur ini.
Pelanggan dan komunitas kami dapat menggunakan dan menyesuaikan Kerangka Uji Copilot untuk menerapkan pengujian massal. Jika Anda menghadapi masalah dengan Copilot Test Framework, laporkan masalah tersebut di sini: https://aka.ms/PVASamples. (Dukungan Microsoft tidak akan membantu Anda dengan masalah yang terkait dengan sampel ini, tetapi mereka akan membantu dengan masalah platform dan fitur terkait yang mendasarinya.)
Saran dan Komentar
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat: https://aka.ms/ContentUserFeedback.
Kirim dan lihat umpan balik untuk