대화형 언어 이해는 Azure Language에서 제공하는 사용자 지정 기능 중 하나입니다. 기계 학습 인텔리전스를 적용하여 엔드투엔드 대화형 애플리케이션에서 사용할 자연어 이해 구성 요소를 빌드할 수 있도록 하는 클라우드 기반 API 서비스입니다.
CLU(대화 언어 이해)를 통해 사용자는 사용자 지정 자연어 이해 모델을 빌드하여 들어오는 발화의 전반적인 의도를 예측하고 중요한 정보를 추출할 수 있습니다. CLU는 클라이언트 애플리케이션에 대한 입력 텍스트를 이해하기 위한 인텔리전스를 제공할 뿐 어떠한 작업도 수행하지 않습니다. 개발자는 CLU 프로젝트를 만들어 사용할 수 있도록 하기 전에 발화에 반복적으로 레이블을 지정하고, 모델 성능을 학습하고, 평가할 수 있습니다. 레이블이 지정된 데이터의 품질은 모델 성능에 큰 영향을 미칩니다. 모델 빌드 및 사용자 지정을 간소화하기 위해 서비스는 Microsoft Foundry를 통해 액세스할 수 있는 사용자 지정 웹 포털을 제공합니다. 이 빠른 시작의 단계를 수행하여 서비스를 쉽게 시작할 수 있습니다.
이 설명서에는 다음과 같은 문서 유형이 포함되어 있습니다.
- 빠른 시작은 서비스에 대한 요청을 수행하는 과정을 안내하는 시작 지침입니다.
- 개념은 서비스 기능에 대한 설명을 제공합니다.
- 방법 가이드에는 보다 구체적이거나 사용자 지정된 방식으로 서비스를 사용하기 위한 지침이 포함되어 있습니다.
사용 시나리오 예제
CLU는 다양한 산업의 여러 시나리오에서 사용할 수 있습니다. 예는 다음과 같습니다.
멀티 턴 대화 🆕
엔터티 슬롯 채우기와 함께 CLU를 사용하여 여러 대화 턴에서 자연스럽고 점진적인 정보를 수집할 수 있습니다. 복잡한 양식을 가진 사용자를 압도하는 대신, 애플리케이션은 대화에서 자연스럽게 나타날 때 필요한 세부 정보를 수집할 수 있습니다. 이 방법은 예약 시스템, 고객 서비스 워크플로 또는 대화형 교환을 통해 전체 정보를 수집해야 하는 애플리케이션과 같은 시나리오에 적합합니다.
엔드투엔드 대화형 봇
CLU를 사용하여 특정 도메인 및 예상 사용자의 발화에 맞게 조정된 사용자 지정 자연어 이해 모델을 빌드하고 학습시킵니다. 그런 다음 이 솔루션을 모든 엔드투엔드 대화형 봇과 연결할 수 있습니다. 이 프로세스를 통해 봇은 들어오는 메시지를 실시간으로 처리하고 해석할 수 있습니다. 이 통합을 통해 봇은 사용자의 의도를 확인하고 대화에서 키 정보를 추출할 수 있습니다. 봇은 의도 및 추출된 정보에 따라 원하는 작업을 수행합니다. 예를 들어 온라인 쇼핑이나 음식 주문을 위한 사용자 지정 소매 봇이 있습니다.
포괄적인 대화형 봇 프레임워크와 결합하여 시스템은 텍스트를 즉각적으로 분석하고, 사용자 의도를 정확하게 식별하고, 추가 처리를 위해 관련 세부 정보를 가져올 수 있습니다.
휴먼 어시스턴트 봇
휴먼 어시스턴트 봇은 고객 문의를 정렬하고 올바른 지원 엔지니어에게 전달하여 고객 서비스를 향상시킬 수 있습니다. 마찬가지로, 회사 환경에서 인사 봇을 사용하면 직원이 일상적인 언어로 질문을 하고 요청에 따라 관련 지침을 받을 수 있습니다.
명령 및 제어 애플리케이션
클라이언트 애플리케이션을 음성 텍스트 변환 구성 요소와 통합할 때 사용자는 CLU가 처리하고 의도를 식별하고 클라이언트 애플리케이션이 작업을 수행할 수 있도록 텍스트에서 정보를 추출할 수 있게끔 자연어로 명령을 말할 수 있습니다. 이 사용 사례에는 노래를 중지, 재생, 앞으로 감기, 되감기 또는 조명 켜기/끄기와 같은 많은 애플리케이션이 있습니다.
엔터프라이즈 챗봇
대기업 내에서 엔터프라이즈 챗봇은 다양한 직원 문제를 적극적으로 처리합니다. 직원들은 챗봇을 사용하여 자주 묻는 질문을 처리하고 사용자 지정 질문 답변 기술 자료를 작성합니다. 사용자가 일정과 상호 작용할 때 챗봇은 대화형 언어 이해로 구동되는 일정별 기술을 사용합니다. 직원들은 또한 CLU를 통해 운영되는 인터뷰 피드백 기술을 활용합니다. 오케스트레이션 워크플로는 이러한 기술을 원활하게 연결하여 각 요청이 적절한 서비스로 직접 라우팅되도록 합니다.
프로젝트 개발 수명 주기
CLU 프로젝트 만들기에는 일반적으로 여러 단계가 포함됩니다.
Note
Foundry에서는 CLU 모델을 사용자 지정하기 위한 작업 영역으로 미세 조정 작업을 만듭니다. 이전에는 CLU 미세 조정 작업을 CLU 프로젝트라고 했습니다. 이러한 용어는 레거시 CLU 설명서에서 서로 교환적으로 사용되는 것을 볼 수 있습니다.
CLU는 구현을 최대한 활용하기 위한 두 가지 경로를 제공합니다.
옵션 1(LLM 기반 빠른 배포):
스키마 정의: 데이터를 파악하고 사용자의 입력 발화에서 인식해야 하는 작업 및 관련 정보를 정의합니다. 이 단계에서는 의도를 만들고 사용자의 발화에 할당하려는 의도의 의미에 대한 자세한 설명을 제공합니다.
모델 배포: LLM 기반 학습 구성을 사용하여 모델을 배포하면 런타임 API를 통해 사용할 수 있습니다.
의도 및 엔터티 예측: 사용자 지정 모델 배포를 사용하여 사용자 발화에서 사용자 지정 의도와 미리 빌드된 엔터티를 예측합니다.
옵션 2(사용자 지정 기계 학습 모델)
학습된 모델을 최대한 활용하려면 다음 단계를 수행합니다.
스키마 정의: 데이터를 파악하고 사용자의 입력 발화에서 인식해야 하는 작업 및 관련 정보를 정의합니다. 이 단계에서는 사용자의 발화에 할당하려는 의도 와 추출하려는 관련 엔터티를 만듭니다.
데이터 레이블 지정: 데이터 레이블 지정의 품질은 모델 성능을 결정하는 데 중요한 요소입니다.
모델 학습: 모델은 레이블이 지정된 데이터에서 학습을 시작합니다.
모델의 성능 보기: 모델에 대한 평가 세부 정보를 확인하여 새 데이터에 도입 시 모델의 성능을 확인합니다.
모델 개선: 모델의 성능을 검토한 후 모델을 개선할 수 있는 방법을 알아볼 수 있습니다.
모델 배포: 모델을 배포하면 런타임 API를 통해 사용할 수 있습니다.
의도 및 항목 예측: 사용자 지정 모델을 사용하여 사용자의 발화에서 의도 및 항목을 예측합니다.
참조 설명서 및 코드 샘플
CLU를 사용하는 경우 Azure Language에 대한 다음 참조 설명서 및 샘플을 참조하세요.
| 개발 옵션/언어 | 참조 설명서 | Samples |
|---|---|---|
| REST API(작성) | REST API 설명서 | |
| REST API(런타임) | REST API 설명서 | |
| C#(런타임) | C# 설명서 | C# 샘플 |
| Python(런타임) | Python 설명서 | Python 샘플 |
책임 있는 인공지능
AI 시스템에는 기술, 시스템을 운영하는 개인, 그 효과를 경험하는 사람 및 시스템 기능이 모두 역할을 하는 광범위한 환경이 포함됩니다. 시스템에서 책임감 있는 AI 사용 및 배포에 대해 알아보려면 CLU에 대한 투명성 참고사항을 읽어보세요.