Che cos'è la comprensione del linguaggio conversazionale?

La comprensione del linguaggio conversazionale è una delle funzionalità personalizzate offerte dal linguaggio di intelligenza artificiale di Azure. Si tratta di un servizio API basato sul cloud che applica l'intelligenza di Machine Learning per consentire di creare un componente di comprensione del linguaggio naturale da usare in un'applicazione di conversazione end-to-end.

CLU (Conversational Language Understanding) consente agli utenti di creare modelli personalizzati di comprensione del linguaggio naturale per stimare l'intenzione complessiva di un'espressione in ingresso ed estrarre informazioni importanti da essa. CLU fornisce solo l'intelligenza per comprendere il testo di input per l'applicazione client e non esegue alcuna azione. Creando un progetto CLU, gli sviluppatori possono etichettare in modo iterativo le espressioni, eseguire il training e valutare le prestazioni del modello prima di renderlo disponibile per l'utilizzo. La qualità dei dati etichettati influisce notevolmente sulle prestazioni del modello. Per semplificare la compilazione e la personalizzazione del modello, il servizio offre un portale Web personalizzato accessibile tramite Language Studio. È possibile iniziare facilmente a usare il servizio seguendo la procedura descritta in questa guida introduttiva.

Questa documentazione contiene i tipi di articolo seguenti:

Esempi di scenari d'uso

CLU può essere usato in più scenari in un'ampia gamma di settori. Ad esempio:

Bot di conversazione end-to-end

Usare CLU per creare ed eseguire il training di un modello personalizzato di comprensione del linguaggio naturale basato su un dominio specifico e sulle espressioni degli utenti previste. Integrarlo con qualsiasi bot di conversazione end-to-end in modo che possa elaborare e analizzare il testo in ingresso in tempo reale per identificare l'intenzione del testo ed estrarre informazioni importanti da esso. Fare in modo che il bot esegua l'azione desiderata in base all'intenzione e alle informazioni estratte. Un esempio è un bot personalizzato per la vendita al dettaglio per acquisti online o ordini alimentari.

Bot di assistente umani

Un esempio di bot di assistente umano consiste nell'aiutare il personale a migliorare gli impegni dei clienti esaminando le query dei clienti e assegnandole al tecnico di supporto appropriato. Un altro esempio è un bot delle risorse umane in un'azienda che consente ai dipendenti di comunicare in linguaggio naturale e ricevere indicazioni in base alla query.

Applicazione di comandi e controlli

Integrando un'applicazione client con un componente di riconoscimento vocale, gli utenti possono pronunciare un comando in linguaggio naturale per CLU per elaborare, identificare la finalità ed estrarre informazioni dal testo per l'applicazione client per eseguire un'azione. Questo caso d'uso ha molte applicazioni, ad esempio per arrestare, riprodurre, inoltrare e riavvolgere un brano o accendere o spegnere le luci.

Bot di chat aziendale

In un'azienda di grandi dimensioni, un chatbot aziendale può gestire una varietà di affari dei dipendenti. Può gestire le domande frequenti gestite da un knowledge base di risposta alle domande personalizzate, una competenza specifica del calendario servita dalla comprensione del linguaggio conversazionale e una competenza di feedback del colloquio servita da LUIS. Usare il flusso di lavoro orchestrazione per connettere tutte queste competenze e instradare in modo appropriato le richieste in ingresso al servizio corretto.

Ciclo di vita dello sviluppo del progetto

La creazione di un progetto CLU prevede in genere diversi passaggi.

Ciclo di vita dello sviluppo

Per sfruttare al meglio il modello, seguire questa procedura:

  1. Definire lo schema: conoscere i dati e definire le azioni e le informazioni pertinenti che devono essere riconosciute dalle espressioni di input dell'utente. In questo passaggio vengono create le finalità da assegnare alle espressioni dell'utente e le entità pertinenti da estrarre.

  2. Etichettare i dati: la qualità dell'etichettatura dei dati è un fattore chiave per determinare le prestazioni del modello.

  3. Eseguire il training del modello: il modello inizia a imparare dai dati etichettati.

  4. Visualizzare le prestazioni del modello: visualizzare i dettagli di valutazione per il modello per determinare il livello di prestazioni quando vengono introdotti nuovi dati.

  5. Migliorare il modello: dopo aver esaminato le prestazioni del modello, è possibile apprendere come migliorare il modello.

  6. Distribuire il modello: la distribuzione di un modello lo rende disponibile per l'uso tramite l'API di runtime.

  7. Stimare finalità ed entità: usare il modello personalizzato per stimare finalità ed entità dalle espressioni dell'utente.

Documentazione di riferimento ed esempi di codice

Quando si usa CLU, vedere la documentazione di riferimento e gli esempi seguenti per il linguaggio di intelligenza artificiale di Azure:

Opzione di sviluppo/linguaggio Documentazione di riferimento Esempi
API REST (creazione) Documentazione dell'API REST
API REST (runtime) Documentazione dell'API REST
C# (runtime) Documentazione di C# Esempi per C#
Python (runtime) Documentazione di Python Esempi per Python

IA responsabile

Un sistema di intelligenza artificiale include non solo la tecnologia, ma anche le persone che lo useranno, le persone che ne saranno interessate e l'ambiente in cui viene distribuito. Leggere la nota sulla trasparenza per CLU per informazioni sull'uso e la distribuzione di intelligenza artificiale responsabili nei sistemi. Per altre informazioni, vedere anche gli articoli seguenti:

Passaggi successivi