Modelli di progettazione con finalità ed entità
Importante
LUIS verrà ritirato il 1 ottobre 2025 e a partire dal 1 aprile 2023 non è più possibile creare nuove risorse LUIS. Si consiglia di eseguire la migrazione delle applicazioni LUIS a comprensione del linguaggio di conversazione per sfruttare appieno un supporto costante per i prodotti e le funzionalità multilingue.
Language Understanding offre due tipi di modelli che consentono di definire lo schema dell'app. Lo schema dell'app determina le informazioni ricevute dalla stima di una nuova espressione utente.
Lo schema dell'app è basato su modelli creati usando machine teaching:
La creazione usa l'insegnamento automatico
La metodologia di apprendimento automatico di LUIS consente di insegnare facilmente i concetti a un computer. La comprensione di Machine Learning non è necessaria per l'uso di LUIS. In alternativa, l'insegnante comunica un concetto a LUIS fornendo esempi del concetto e spiegando come modellare un concetto usando altri concetti correlati. L'insegnante può anche migliorare il modello LUIS in modo interattivo identificando e correggendo gli errori di stima.
Classificazione di espressioni con finalità
Una finalità classifica le espressioni di esempio per insegnare a LUIS la finalità. Le espressioni di esempio all'interno di una finalità vengono usate come esempi positivi dell'espressione. Queste stesse espressioni vengono usate come esempi negativi in tutte le altre finalità.
Si consideri un'app che deve determinare l'intenzione di un utente di ordinare un libro e un'app che necessita dell'indirizzo di spedizione per il cliente. Questa app ha due finalità: OrderBook e ShippingLocation.
L'espressione seguente è un esempio positivo per la finalità OrderBook e un esempio negativo per le finalità ShippingLocation e None:
Buy the top-rated book on bot architecture.
Estrazione di dati con entità
Un'entità rappresenta un'unità di dati che si desidera estrarre dall'espressione. Un'entità di Machine Learning è un'entità di primo livello contenente le sottoentità, che sono anche entità di Machine Learning.
Un esempio di entità di Machine Learning è un ordine per un ticket del piano. Concettualmente si tratta di una singola transazione con molte unità di dati più piccole, ad esempio data, ora, quantità di postazioni, tipo di posto, ad esempio prima classe o allenatore, posizione di origine, posizione di destinazione e scelta del pasto.
Differenza tra finalità ed entità
La finalità è il risultato desiderato dell'intera espressione, mentre le entità sono porzioni di dati estratti dall'espressione. In genere, le finalità sono associate alle azioni che l'applicazione client deve eseguire. Le entità costituiscono le informazioni necessarie per eseguire queste azioni. A livello di programmazione, una finalità attiva una chiamata al metodo, mentre le entità vengono usate come parametri per effettuare la chiamata al metodo.
Questa espressione deve avere una finalità e può avere delle entità:
Buy an airline ticket from Seattle to Cairo
Questa espressione ha un'unica finalità:
- Acquisto di un biglietto aereo
Questa espressione può avere diverse entità:
- Località: Seattle (origine) e Cairo (destinazione)
- Quantità: un singolo biglietto
Scomposizione del modello di entità
LUIS supporta la scomposizione del modello con le API di creazione, suddividendo un concetto in parti più piccole. In questo modo è possibile creare i modelli con fiducia nel modo in cui vengono costruite e stimate le varie parti.
La scomposizione del modello presenta le parti seguenti:
- finalità
- entità di Machine Learning
- sottoentità (anche entità di Machine Learning)
Funzionalità
Una funzionalità è un tratto distintivo o un attributo di dati rilevato dal sistema. Le funzionalità di Machine Learning forniscono a LUIS segnali importanti per individuare le caratteristiche che distingueranno un concetto. Sono suggerimenti che LUIS può usare, ma non regole rigide. Questi hint vengono usati insieme alle etichette per trovare i dati.
Criteri
I criteri sono progettati per migliorare l'accuratezza quando vi sono più espressioni molto simili. Un modello consente di ottenere maggiore accuratezza in relazione a una finalità senza fornire molte altre espressioni.
Estensione dell'app in fase di esecuzione
Lo schema dell'app (modelli e funzionalità) viene sottoposto a training e pubblicato nell'endpoint di stima. È possibile passare nuove informazioni, insieme all'espressione dell'utente, all'endpoint di stima per aumentare la stima.
Passaggi successivi
- Informazioni sulle finalità e sulle entità.
- Altre informazioni sulle funzionalità