Glossario per la comprensione del linguaggio con vocabolario e concetti comuni

  • Articolo

Importante

LUIS verrà ritirato il 1° ottobre 2025 e a partire dal 1° aprile 2023 non sarà possibile creare nuove risorse LUIS. È consigliabile eseguire la migrazione delle applicazioni LUIS alla comprensione del linguaggio conversazionale per trarre vantaggio dal supporto continuo del prodotto e dalle funzionalità multilingue.

Il glossario Language Understanding (LUIS) illustra i termini che possono verificarsi quando si lavora con il servizio LUIS.

Versione attiva

La versione attiva è la versione dell'app che viene aggiornata quando si apportano modifiche al modello usando il portale LUIS. Nel portale LUIS, se si desidera apportare modifiche a una versione che non è la versione attiva, è prima necessario impostare tale versione come attiva.

Apprendimento attivo

L'apprendimento attivo è una tecnica di Machine Learning in cui viene usato il modello machine learning per identificare nuovi esempi informativi da etichettare. In LUIS l'apprendimento attivo si riferisce all'aggiunta di espressioni dal traffico dell'endpoint le cui stime correnti non sono chiare per migliorare il modello. Selezionare "Rivedi espressioni endpoint" per visualizzare le espressioni da etichettare.

Vedere anche la pagina relativa alla

Applicazione (app)

In LUIS, l'applicazione o l'app è una raccolta di modelli basati su Machine Learning, basati sullo stesso set di dati, che interagiscono per stimare finalità ed entità per uno scenario specifico. Ogni applicazione ha un endpoint di stima separato.

Se si sta creando un bot HR, potrebbe essere disponibile un set di finalità, ad esempio "Pianifica orario di uscita", "richiedere vantaggi" e "aggiornare le informazioni personali" e le entità per ognuna di queste finalità raggruppate in una singola applicazione.

Creazione

La creazione è la possibilità di creare, gestire e distribuire un'app LUIS, usando il portale LUIS o le API di creazione.

Chiave di creazione

La chiave di creazione viene usata per creare l'app. Non utilizzata per le query di endpoint a livello di produzione. Per altre informazioni, vedere Limiti delle risorse.

Risorsa di creazione

La risorsa di creazione LUIS è un elemento gestibile disponibile tramite Azure. La risorsa è l'accesso alle capacità di creazione, training e pubblicazione associate del servizio di Azure. La risorsa include le informazioni di autenticazione, autorizzazione e sicurezza necessarie per accedere al servizio di Azure associato.

La risorsa di creazione ha un "tipo" di Azure.LUIS-Authoring

Test in batch

Il test in batch è la possibilità di convalidare i modelli di un'app LUIS corrente con un set di test coerente e noto di espressioni utente. Il test batch viene definito in un file in formato JSON.

Vedere anche la pagina relativa alla

Misura F

Nei test batch è una misura dell'accuratezza del test.

Falso negativo (FN)

Nei test in batch i punti dati rappresentano espressioni in cui l'app ha erroneamente stimato l'assenza della finalità/entità di destinazione.

Falso positivo (FP)

Nei test in batch i punti dati rappresentano espressioni in cui l'app ha erroneamente stimato la presenza della finalità/entità di destinazione.

Precisione

Nei test in batch, la precisione (denominata anche valore predittivo positivo) è la frazione delle espressioni rilevanti tra le espressioni recuperate.

Un esempio per un test batch animale è il numero di pecore stimate diviso per il numero totale di animali (pecore e non pecore).

Richiamo

Nei test in batch il richiamo (anche detto sensibilità) è la capacità di LUIS di generalizzare.

Un esempio di test in batch animale è il numero di pecore stimate diviso per il numero totale di pecore disponibili.

Falso negativo (TN)

Un vero negativo è quando l'app prevede correttamente nessuna corrispondenza. Nei test in batch si verifica un vero negativo quando l'app stima una finalità o un'entità per un esempio che non è stata etichettata con tale finalità o entità.

Falso positivo (TP)

Vero positivo (TP) Un vero positivo è quando l'app stima correttamente una corrispondenza. Nei test in batch si verifica un vero positivo quando l'app stima una finalità o un'entità per un esempio etichettato con tale finalità o entità.

Classificatore

Un classificatore è un modello machine learning che stima la categoria o la classe in cui rientra un input.

Una finalità è un esempio di classificatore.

Collaboratore

Un collaboratore è concettualmente la stessa cosa di un collaboratore. A un collaboratore viene concesso l'accesso quando un proprietario aggiunge l'indirizzo di posta elettronica del collaboratore a un'app non controllata con il controllo degli accessi in base al ruolo di Azure. Se si usano ancora collaboratori, è necessario eseguire la migrazione dell'account LUIS e usare le risorse di creazione LUIS per gestire i collaboratori con il controllo degli accessi in base al ruolo di Azure.

Autore di contributi

Un collaboratore non è il proprietario dell'app, ma ha le stesse autorizzazioni per aggiungere, modificare ed eliminare finalità, entità, espressioni. Un collaboratore fornisce il controllo degli accessi in base al ruolo di Azure a un'app LUIS.

Vedere anche la pagina relativa alla

Descrittore

Un descrittore è il termine usato in precedenza per una funzionalità di Machine Learning.

Dominio

Nel contesto di LUIS, un dominio è un'area di conoscenza. Il dominio è specifico dello scenario. I domini diversi usano linguaggio e terminologia specifici che hanno un significato nel contesto del dominio. Ad esempio, se si sta creando un'applicazione per riprodurre musica, l'applicazione avrà termini e lingua specifici per la musica, ovvero parole come "canzone, traccia, album, testi, b-side, artista". Per esempi di domini, vedere domini predefiniti.

Endpoint

Endpoint di creazione

L'URL dell'endpoint di creazione LUIS consente di creare, eseguire il training e pubblicare l'app. L'URL dell'endpoint contiene l'area o il sottodominio personalizzato dell'app pubblicata e l'ID app.

Altre informazioni sulla creazione dell'app a livello di codice dalle informazioni di riferimento per sviluppatori

Endpoint di stima

L'URL dell'endpoint di stima LUIS è il punto in cui si inviano query LUIS dopo la creazione e la pubblicazione dell'app LUIS . L'URL dell'endpoint contiene l'area o il sottodominio personalizzato dell'app pubblicata e l'ID app. È possibile trovare l'endpoint nella pagina Risorse di Azure dell'app oppure ottenere l'URL dell'endpoint dall'API Ottieni informazioni sull'app .

L'accesso all'endpoint di stima è autorizzato con la chiave di stima LUIS.

Entità

Le entità sono parole in espressioni che descrivono le informazioni usate per soddisfare o identificare una finalità. Se l'entità è complessa e si vuole che il modello identifichi parti specifiche, è possibile suddividere il modello in sottoentità. Ad esempio, è possibile modellare per stimare un indirizzo, ma anche le sottoentità della strada, della città, dello stato e del codice postale. Le entità possono essere usate anche come funzionalità per i modelli. La risposta dell'app LUIS includerà sia le finalità stimate che tutte le entità.

Estrattore di entità

Un estrattore di entità talvolta noto solo come estrattore è il tipo di modello machine learning usato da LUIS per stimare le entità.

Schema di entità

Lo schema di entità è la struttura definita per le entità basate su Machine Learning con sottoentità. L'endpoint di stima restituisce tutte le entità estratte e le sottoentità definite nello schema.

Sottoentità dell'entità

Una sottoentità è un'entità figlio di un'entità di Machine Learning.

Entità non machine learning

Entità che usa la corrispondenza del testo per estrarre i dati:

  • Entità elenco
  • Entità di espressione regolare

Entità elenco

Un'entità elenco rappresenta un set fisso e chiuso di parole correlate insieme ai relativi sinonimi. Le entità di elenco sono corrispondenze esatte, a differenza delle entità apprese dal computer.

L'entità verrà stimata se una parola nell'entità elenco è inclusa nell'elenco. Ad esempio, se si dispone di un'entità elenco denominata "size" e si dispone delle parole "small, medium, large" nell'elenco, l'entità size verrà stimata per tutte le espressioni in cui le parole "small", "medium" o "large" vengono usate indipendentemente dal contesto.

Espressione regolare‏

Un'entità di espressione regolare rappresenta un'espressione regolare. Le entità delle espressioni regolari sono corrispondenze esatte, a differenza delle entità apprese dal computer.

Entità predefinita

Vedere La voce del modello predefinito per l'entità predefinita

Funzionalità

In Machine Learning una funzionalità è una caratteristica che consente al modello di riconoscere un concetto specifico. È un suggerimento che LUIS può usare, ma non una regola dura.

Questo termine viene definito anche una funzionalità di Machine Learning.

Questi hint vengono usati insieme alle etichette per informazioni su come stimare nuovi dati. LUIS supporta entrambi gli elenchi di frasi e l'uso di altri modelli come funzionalità.

Funzionalità obbligatoria

Una funzionalità necessaria è un modo per limitare l'output di un modello LUIS. Quando una funzionalità per un'entità è contrassegnata come richiesto, la funzionalità deve essere presente nell'esempio per cui l'entità deve essere stimata, indipendentemente dal modello appreso dal computer.

Si consideri un esempio in cui si dispone di una funzionalità numerata predefinita contrassegnata come richiesto nell'entità quantità per un bot di ordinamento dei menu. Quando il bot vede I want a bajillion large pizzas?, bajillion non verrà stimato come quantità indipendentemente dal contesto in cui viene visualizzato. Bajillion non è un numero valido e non verrà stimato dall'entità predefinita del numero.

Finalità

Una finalità rappresenta un'attività o un'azione che l'utente vuole eseguire. È uno scopo o un obiettivo espresso nell'input di un utente, ad esempio la prenotazione di un volo o il pagamento di una fattura. In LUIS un'espressione nel suo complesso viene classificata come finalità, ma le parti dell'espressione vengono estratte come entità

Esempi di etichettatura

L'etichettatura o il contrassegno è il processo di associazione di un esempio positivo o negativo a un modello.

Etichettatura per finalità

In LUIS le finalità all'interno di un'app si escludono a vicenda. Ciò significa che quando si aggiunge un'espressione a una finalità, viene considerato un esempio positivo per tale finalità e un esempio negativo per tutte le altre finalità. Gli esempi negativi non devono essere confusi con la finalità "Nessuno", che rappresenta espressioni esterne all'ambito dell'app.

Etichettatura per le entità

In LUIS si etichetta una parola o una frase nell'espressione di esempio di una finalità con un'entità come esempio positivo . L'etichettatura mostra la finalità che deve prevedere per tale espressione. Le espressioni etichettate vengono usate per eseguire il training della finalità.

App LUIS

Vedere la definizione per l'applicazione (app).

Modellare

Un modello (machine learning) è una funzione che effettua una stima sui dati di input. In LUIS si fa riferimento a classificatori di finalità ed estrattori di entità genericamente come "modelli" e si fa riferimento a una raccolta di modelli sottoposti a training, pubblicati e sottoposti a query insieme come "app".

Valore normalizzato

Aggiungere valori alle entità elenco . Ognuno di questi valori può avere un elenco di uno o più sinonimi. Nella risposta viene restituito solo il valore normalizzato.

Overfitting

L'overfitting si verifica quando il modello viene corretto negli esempi specifici e non è in grado di generalizzare bene.

Proprietario

Ogni app ha un proprietario, ossia la persona che ha creato l'app. Il proprietario gestisce le autorizzazioni per l'applicazione nell'portale di Azure.

Elenco di frasi

Un elenco di frasi è un tipo specifico di funzionalità di Machine Learning che include un gruppo di valori (parole o frasi) appartenenti alla stessa classe e deve essere trattato in modo analogo (ad esempio nomi di città o prodotti).

Modello predefinito

Un modello predefinito è una finalità, un'entità o una raccolta di entrambi, insieme ad esempi etichettati. Questi modelli predefiniti comuni possono essere aggiunti all'app per ridurre il lavoro di sviluppo del modello necessario per l'app.

Dominio predefinito

Un dominio predefinito è un'app LUIS configurata per un dominio specifico, ad esempio di domotica (HomeAutomation) o di prenotazione di ristoranti (RestaurantReservation). Le finalità, le espressioni e le entità sono configurate per questo dominio.

Entità predefinita

Un'entità predefinita è un'entità fornita da LUIS per tipi di informazioni comuni quali numeri, URL e posta elettronica. Vengono creati in base ai dati pubblici. È possibile scegliere di aggiungere un'entità predefinita come entità autonoma o come funzionalità a un'entità

Finalità predefinita

Una finalità predefinita è una finalità LUIS che fornisce tipi comuni di informazioni e vengono fornite con espressioni di esempio etichettate.

Stima

Una stima è una richiesta REST al servizio di stima di Azure LUIS che accetta nuovi dati (espressione utente) e applica l'applicazione sottoposta a training e pubblicata ai dati per determinare le finalità e le entità trovate.

Chiave di previsione

La chiave di stima è la chiave associata al servizio LUIS creato in Azure che autorizza l'utilizzo dell'endpoint di stima.

Questa chiave non è la chiave di crezione. Se si dispone di una chiave endpoint di stima, deve essere usata per eventuali richieste di endpoint anziché per la chiave di creazione. È possibile visualizzare la chiave di stima corrente all'interno dell'URL dell'endpoint nella parte inferiore della pagina delle risorse di Azure nel sito Web LUIS. È il valore della coppia nome/valore della chiave di sottoscrizione.

Risorsa Previsione

La risorsa di stima LUIS è un elemento gestibile disponibile tramite Azure. La risorsa è l'accesso alla stima associata del servizio di Azure. La risorsa include stime.

La risorsa di stima ha un tipo "tipo" di Azure.LUIS

Punteggio di previsione

Il punteggio è un numero compreso tra 0 e 1 che è una misura del modo in cui il sistema è sicuro che un'espressione di input specifica corrisponda a una determinata finalità. Un punteggio più vicino a 1 significa che il sistema è molto sicuro del relativo output e un punteggio più vicino a 0 significa che il sistema è sicuro che l'input non corrisponda a un determinato output. I punteggi al centro indicano che il sistema non è sicuro di come prendere la decisione.

Ad esempio, prendere un modello usato per identificare se un testo del cliente include un ordine alimentare. Potrebbe dare un punteggio di 1 per "Vorrei ordinare un caffè" (il sistema è molto sicuro che questo è un ordine) e un punteggio di 0 per "la mia squadra ha vinto la partita l'ultima notte" (il sistema è molto sicuro che questo non è un ordine). E potrebbe avere un punteggio di 0,5 per "facciamo un tè" (non è sicuro se questo è un ordine o meno).

Chiave programmatica

Rinominata chiave di creazione.

Pubblica

La pubblicazione significa rendere disponibile una versione attiva LUIS nell'endpoint di gestione temporanea o di produzione.

Quota

La quota LUIS è la limitazione del livello di sottoscrizione di Azure. La quota LUIS può essere limitata sia dalle richieste al secondo (stato HTTP 429) che dalle richieste totali in un mese (stato HTTP 403).

SCHEMA

Lo schema include le finalità e le entità insieme alle sottoentities. Lo schema viene inizialmente pianificato per essere eseguito in modo iterazione nel tempo. Lo schema non include impostazioni, funzionalità o espressioni di esempio.

Analisi del sentiment

L'analisi del sentiment fornisce valori positivi o negativi delle espressioni fornite dal servizio Language.

Priming del riconoscimento vocale

La priming voce migliora il riconoscimento delle parole e delle frasi pronunciate comunemente usate nello scenario con i servizi vocali. Per le applicazioni abilitate per la priming voce, tutti gli esempi con etichetta LUIS vengono usati per migliorare l'accuratezza del riconoscimento vocale creando un modello di riconoscimento vocale personalizzato per questa applicazione specifica. Ad esempio, in un gioco di scacchi si vuole assicurarsi che quando l'utente dice "Sposta cavaliere", non viene interpretato come "Sposta notte". L'app LUIS deve includere esempi in cui "knight" è etichettato come entità.

Chiave di avvio

Chiave gratuita da usare quando si inizia a usare LUIS.

Sinonimi

Nelle entità dell'elenco LUIS è possibile creare un valore normalizzato, che può avere un elenco di sinonimi. Ad esempio, se si crea un'entità di dimensioni con valori normalizzati di piccole, medie, grandi e grandi dimensioni. È possibile creare sinonimi per ogni valore simile al seguente:

Valore nomalizzato Sinonimi
Small il piccolo, 8 rimbalzi
Medio regolare, 12 rimbalzi
Grande grande, 16 rimbalzi
Xtra grande il più grande, 24 rimbalzi

Il modello restituirà il valore normalizzato per l'entità quando uno dei sinonimi viene visualizzato nell'input.

Test

Il test di un'app LUIS significa visualizzare le stime del modello.

Differenza fuso orario

L'endpoint include timezoneOffset. È il numero di minuti da aggiungere o rimuovere dall'entità predefinita datetimeV2. Ad esempio, se l'espressione è "che ore sono?", il valore datetimeV2 restituito è l'ora corrente per la richiesta del client. Se la richiesta client proviene da un bot o un'altra applicazione che non corrisponde all'utente del bot, si deve passare la differenza tra il bot e l'utente.

Vedere Cambiare il fuso orario dell'entità datetimeV2 predefinita.

token

Un token è l'unità di testo più piccola che LUIS può riconoscere. Questa differenza è leggermente diversa tra le lingue.

Per l'inglese, un token è un intervallo continuo (senza spazi o punteggiatura) di lettere e numeri. Uno spazio non è un token.

Frase Conteggio dei token Spiegazione
Dog 1 Una singola parola senza punteggiatura o spazi.
RMT33W 1 Numero di localizzatore di record. Può avere numeri e lettere, ma non ha punteggiatura.
425-555-5555 5 Numero di telefono. Ogni contrassegno di punteggiatura è un singolo token in modo da 425-555-5555 essere 5 token:
425
-
555
-
5555
https://luis.ai 7 https
:
/
/
luis
.
ai

Treno

Il training è il processo di insegnamento di LUIS sulle modifiche apportate alla versione attiva dall'ultima formazione.

Dati di training

I dati di training sono il set di informazioni necessarie per eseguire il training di un modello. Include lo schema, le espressioni etichettate, le funzionalità e le impostazioni dell'applicazione.

Errori di training

Gli errori di training sono stime sui dati di training che non corrispondono alle etichette.

Espressione

Un'espressione è l'input utente che rappresenta il testo breve di una frase in una conversazione. È una frase del linguaggio naturale come "prenotare 2 biglietti a Seattle il martedì prossimo". Le espressioni di esempio vengono aggiunte per eseguire il training del modello e il modello prevede in fase di esecuzione nuove espressioni

Versione

Una versione LUIS è un'istanza specifica di un'applicazione LUIS associata a un ID app LUIS e all'endpoint pubblicato. Ogni app LUIS ha almeno una versione.