トリガー フレーズと自然言語理解の最適化

  • [アーティクル]

重要

Power Virtual Agents 機能は、生成 AI への多大な投資と Microsoft Copilot 全体の統合の強化により、現在 Microsoft Copilot Studio の一部となっています。

ドキュメントやトレーニング コンテンツが更新される間、一部の記事やスクリーンショットで Power Virtual Agents が参照される場合があります。

Microsoft Copilot Studio のトリガー フレーズとは何ですか

  • トリガー フレーズは、コパイロットの自然言語理解 (NLU) モデルをトレーニングします。

  • トリガー フレーズは トピック レベルで構成され、どの典型的なユーザー発話に対して特定の トピック をトリガーする必要があるかをコパイロットに示します。

  • 通常、トリガー フレーズは、エンドユーザーが問題や課題について尋ねる方法を捉えています。 例: 芝生の雑草の問題

チップ

新しい トピック を作成する場合、作成者はいくつかのサンプル フレーズ (理想的には 5 ～ 10) を提供するだけで済みます。 コパイロットが使用されると、AI はユーザーの発言を解析し、ユーザーの発言に最も意味が近いトピックをトリガーします。

トリガーとなるコンテキストの重要性

Microsoft Copilot Studio NLU は会話の状態に基づいて異なる動作をするため、同じユーザーの発話でも異なる動作が発生する場合があります。

さまざまな会話状態を次に示します:

  • 会話の始まり: コパイロットにはコンテキストがないため、ユーザーの発話は次のいずれかとなります: トピックを直接トリガーする (IntentRecognition)、一致するトピックが複数ある場合、「どういう意味ですか?」(複数のトピックが一致) 曖昧さ回避の質問をトリガーする(IntentCandidates) または意図が認識されない場合、フォールバック (UnknownIntent)。
  • 「もしかして」(複数のトピックが一致) がトリガーされた後: NLU は、提示されたオプションから除外するためのより高いしきい値を使用して、提案されたトピックのいずれかと一致するように最適化します。
  • 現在の トピックからの切り替え : NLU があるトピックのスロットを埋めようとしているときに、ユーザーが別のトピックを引き起こす可能性のあるユーザー クエリを与えた場合 (トピック切り替え)。

句読点

NLU モデルは、疑問符を含む句読点に依存しません。

新規トリガー フレーズの作成

可能であれば、独自のトリガー フレーズを作成するよりも、実際の運用データから始めてください。 最良のトリガー フレーズは、エンド ユーザーからの実際のデータに類似したものです。 これらのフレーズは、ユーザーが展開されたコパイロットに尋ねるフレーズです。

特定の単語を除外する必要はありません。モデルは、ストップ ワード (重要ではないため自然言語データの処理前に除外される単語) などの不必要な単語の重みを下げるように設計されています。

トリガー フレーズの最適化

# チップ 使用例
1 トピック ごとに少なくとも 5 ～ 10 個のトリガー フレーズを用意する
ユーザーから学びながら繰り返し、追加していきます。		 最寄りの店舗を探す
店舗の場所の確認
店舗を探す
最寄りの場所を探す
近くの店舗
2 文章の構造と重要な用語を変える
モデルはそれらのフレーズのバリエーションを自動的に考慮します。		 定休日はいつですか
毎日の営業時間
3 短いトリガー フレーズを使用する
10 語より少なくします。		 営業日はいつですか
4 単一単語のトリガーフレーズを避ける
これにより、トピック トリガーにおける特定の単語の重みが増加します。
同様のトピック間で混乱が生じる可能性があります。		 ストア
5 完全なフレーズを使用する 人間のアシスタントと話せますか
6 固有の動詞と名詞、またはそれらの組み合わせがある 顧客サービスが必要です
コンサルタントと話したい
7 同じエンティティ バリエーションの使用を避ける
エンティティ値の例をすべて使用する必要はありません。
NLU はすべてのバリエーションを自動的に考慮します。		 ハンバーガーを注文したいです
ピザをお願いします
チキンナゲットが欲しいです

トピック ごとのトリガー フレーズの数のバランスをとる

トピック間でトリガー フレーズの数のバランスをとるようにする。

チップ

こうすることで、NLU 機能は、構成されたトリガー フレーズに基づいて、トピック と別の トピック を過度に重み付けすることがなくなります。

変更の影響を評価する

トリガー フレーズを更新する際、またはトピックを結合または分割する際など、変更を評価する方法は複数あります。

  • コパイロットの動作の即時の変化。これは、「テスト コパイロット」キャンバスを通じて観察できます (たとえば、トリガー フレーズの更新に基づいてトリガーされているかどうかのトピック)。
  • コパイロットが展開され、トラフィックに直面した後の変化。これは、逸脱 (非エスカレーション) 率の増減につながります。 これは、Microsoft Copilot Studio の分析タブで確認できます。

チップ

Copilot Test Framework を利用すると、トピックのトリガーとテスト データに対する NLU モデルのパフォーマンスを一括でテストできます。

この Copilot Test Framework (Direct Line API との対話など) を構築するために使用された基本的な機能やコンポーネントは完全にサポートされていますが、この Copilot Test Framework 自体はこれらの機能のサンプル実装を表しています。

当社の顧客とコミュニティは、Copilot Test Framework を使用および調整して、一括テストを実装できます。 Copilot Test Framework で問題が発生した場合は、ここで問題を報告してください: https://aka.ms/PVASamples。 (マイクロソフトのサポートでは、こレらのサンプルに関連する問題についてはサポートしませんが、関連する基本的なプラットフォームや機能の問題についてはサポートします。)

エンティティとスロット フィリングのベスト プラクティス