Ottimizzazione delle frasi trigger e della comprensione del linguaggio naturale

  • Articolo

Importante

Le capacità e funzionalità di Power Virtual Agents ora fanno parte di Microsoft Copilot Studio a seguito di investimenti significativi nell'intelligenza artificiale generativa e integrazioni migliorate in Microsoft Copilot.

Alcuni articoli e schermate potrebbero fare riferimento a Power Virtual Agents durante l'aggiornamento della documentazione e dei contenuti per il training.

Cosa sono le frasi trigger in Microsoft Copilot Studio

  • Le frasi trigger addestrano il modello di comprensione del linguaggio naturale (NLU) del tuo copilota.

  • Le frasi trigger sono configurate al livello argomento e indicano al copilota per quali tipiche espressioni dell'utente deve essere attivato uno specifico argomento.

  • Le frasi trigger in genere acquisiscono il modo in cui un utente finale farebbe domande su un dubbio o un problema. Ad esempio, "problema con le erbacce nel prato"

Suggerimento

Quando si crea un nuovo argomento, un autore deve fornire solo alcune frasi di esempio (idealmente tra cinque e dieci). Quando viene utilizzato il copilota, l'intelligenza artificiale analizzerà ciò che dice l'utente e attiverà il argomento più vicino nel significato all'espressione dell'utente.

Importanza del contesto dell'attivazione di trigger

L'NLU di Microsoft Copilot Studio si comporta in modo diverso in base allo stato della conversazione, che a volte può portare a comportamenti diversi per la stessa espressione dell'utente.

Di seguito sono riportati stati di conversazione differenti:

  • Inizio della conversazione: il copilota non ha contesto, quindi l'espressione dell'utente può: attivare direttamente un argomento (riconoscimento dell'intento), attivare una domanda di disambiguazione "intendevi dire" (più argomenti corrispondenti) tra i candidati all'intento se ci sono più argomenti corrispondenti, oppure arrivare a un argomento di fallback se l'intento non viene riconosciuto.
  • Dopo l'attivazione di "volevi dire" (Multiple Topics Matched): NLU si ottimizza per corrispondere a uno degli argomenti suggeriti, con soglie più alte per uscire dalle opzioni presentate.
  • Passaggio da un argomento corrente: se l'NLU sta tentando di riempire uno slot in un argomento e l'utente sta fornendo una domanda dell'utente che potrebbe attivare un altro argomento (passaggio tra argomenti).

Sulla punteggiatura

Il modello NLU è indipendente dalla punteggiatura, compresi i punti interrogativi.

Creazione di nuove frasi trigger

Se possibile, inizia con dati di produzione reali piuttosto che inventare le tue frasi trigger. Le migliori frasi trigger sono quelle simili ai dati effettivi provenienti dagli utenti finali. Queste frasi sono quelle che gli utenti chiedono a un copilota schierato.

Non è necessario tralasciare parole specifiche: il modello è progettato per dare meno peso alle parole non necessarie, come le stop words (parole che vengono filtrate prima dell'elaborazione dei dati nel linguaggio naturale perché sono insignificanti).

Ottimizzazione delle frasi trigger

# Suggerimento Esempi
1 Avere almeno 5-10 frasi trigger per argomento
Eseguire l'iterazione e aggiungere altro man mano che impari dagli utenti.		 Trova il negozio più vicino
Controlla la posizione del punto vendita
Trova un punto vendita
Trovami la posizione più vicina
Punto vendita vicino a me
2 Varia la struttura della frase e i termini chiave
Il modello considera automaticamente le variazioni di tali frasi.		 Quando sei chiuso
Orari di apertura giornalieri
3 Usa frasi trigger brevi
Meno di 10 parole.		 Quando sei aperto
4 Evita frasi trigger composte da una sola parola
Ciò aumenta il peso di parole specifiche nell'attivazione degli argomenti.
Può introdurre confusione tra argomenti simili.		 Store
5 Usa frasi complete Posso parlare con un assistente umano
6 Avere verbi e nomi unici o una combinazione di questi Ho bisogno del servizio clienti
Voglio parlare con un consulente
7 Evitare di utilizzare la stessa variazione di entità
Non è necessario utilizzare tutti gli esempi del valore dell'entità.
L'NLU considera automaticamente tutte le variazioni.		 Voglio ordinare un hamburger
Vorrei una pizza
Voglio crocchette di pollo

Bilancia il numero di frasi trigger per argomento

Tenta di bilanciare il numero di frasi trigger tra gli argomenti.

Suggerimento

In questo modo, le funzionalità NLU non sovrappesano un argomento rispetto a un altro in base alle frasi trigger configurate.

Valutare l'impatto delle modifiche

Quando si aggiornano le frasi trigger o quando si uniscono o si dividono gli argomenti, esistono diversi modi per valutare le modifiche:

  • Un cambiamento immediato nel comportamento del copilota, che può essere osservato tramite la canvas "copilota di test" (ad esempio, un argomento che ora si attiva o meno in base agli aggiornamenti della frase trigger).
  • Una modifica dopo la distribuzione del copilota e il traffico, che si traduce in tassi di deviazione (non escalation) più alti o più bassi. Questo può essere osservato dalla scheda analisi in Microsoft Copilot Studio.

Suggerimento

Puoi testare l'attivazione dell'argomento e le prestazioni del tuo modello NLU rispetto ai dati di test in blocco, sfruttando il Framework di test del copilota.

Nonostante il fatto che le funzionalità e i componenti sottostanti utilizzati per costruire il Framework di test del copilota (come l'interazione con l'API Direct Line) sono completamente supportati, il Framework di test del copilota stesso rappresenta implementazioni di esempio di queste funzionalità.

I nostri clienti e la nostra community possono utilizzare e adattare il Framework di test del copilota per implementare test in blocco. Se riscontri problemi con il Framework di test del copilota, segnala il problema qui: https://aka.ms/PVASamples. Il supporto tecnico Microsoft non fornirà assistenza per i problemi relativi a questi esempi, ma per i problemi relativi alla piattaforma e alle funzionalità sottostanti correlate.

Procedure consigliate per le entità e il riempimento degli slot