Beste fremgangsmåter for enheter og sporfylling i Microsoft Copilot Studio

Viktig

Power Virtual Agents-funksjoner er nå en del av Microsoft Copilot Studio etter betydelige investeringer i generativ kunstig intelligens og forbedrede integreringer på tvers av Microsoft Copilot.

Enkelte artikler og skjermbilder kan henvise til Power Virtual Agents når vi oppdaterer dokumentasjons- og opplæringsinnhold.

Hva er sporfylling?

Utfylling av spor er relatert til bruken av enheter som gjør det enklere for en kopilot å hente inn og bruke informasjon ved å identifisere og trekke dem ut fra brukerspørringen.

En kopilot trenger vanligvis flere biter informasjon fra en bruker for å gjøre jobben sin. For å hente inn denne informasjonen stiller du vanligvis separate spørsmål, ett for hvert faktum kopiloten trenger. Når du bruker enheter i spørsmålene dine, registrerer Microsoft Copilot Studio den nødvendige informasjonen og hopper over spørsmålene om hvor informasjonen kan identifiseres i den utløsende brukerspørringen.

Eksempel: Når en bruker spør:

Jeg vil bestille tre store blå t-skjorter

Microsoft Copilot Studio Naturlig språkforståelse (NLU) kan umiddelbart forstå:

• Emnet er Bestille.
• Antall er 3.
• Fargen er blå.
• Elementtype er T-skjorte.

Deretter kan kopiloten hoppe over unødvendige spørsmål. Hvis det mangler noe informasjon, for eksempel Størrelse, blir de ubesvarte spørsmålene stilles før de flyttes fremover. Med utfylling av spor kan kopiloten hente inn og bruke informasjon på en enklere måte og redusere antall spørsmål du må stille.

Først definerer du hvilke enheter du vil bruke, og typer.

Definere enheter

Microsoft Copilot Studio inneholder flere innebygde enheter for de vanligste brukssakene, for eksempel E-post, Dato og klokkeslett, Personnavn, Telefonnummer, Farge, Land, Poststed, Tall, Penger og mer.

Innebygde enheter er kraftige fordi de kan håndtere mange variasjoner av skjemaet som en informasjon kan ta. Når det brukes Penger i en samtale, kan brukeren for eksempel angi en verdi som "kr 100" eller "hundre kroner" eller "100 kroner". NLU-modellen i Microsoft Copilot Studio finner ut at verdien er en pengeverdi på 100 kroner.

Tips

Så lenge det blir bedt om verdier med spørsmål i samtaleflyten, lagres de imidlertid i variabler som du kan bruke på nytt.

Du kan også definere dine egne egendefinerte enheter, for eksempel Elementtype fra forrige eksempel. Egendefinerte enheter kan være av to typer:

• Lukket liste: for en forhåndsdefinert liste med verdier.
• Vanlige uttrykk (RegEx): for informasjon som samsvarer med et bestemt mønster. RegEx er ideelt når du trenger å registrere data som alltid følger samme format (for eksempel INC000001 for et billettnummer)

Forbedre brukeropplevelsen

Bruk av enheter gjør livet enklere ved å la Microsoft Copilot Studio samle informasjon på en mer intelligent måte fra brukerspørringer. Det gjør også livet bedre for brukere siden enheter kan finne og lagre informasjon fra brukerspørringer, og deretter gjøre informasjonen tilgjengelig senere i samtalen. Enheter forbedrer brukeropplevelsen – de får kopiloten til å virke smartere, og å bruke dem når det er mulig, er definitivt en god fremgangsmåte.

Anbefalte fremgangsmåter for enhet

Bruke synonymer

Du kan legge til synonymer i lukkede listeenhetsverdier for manuelt å utvide den samsvarende logikken for hvert element i listen over enheter. I «tur»-elementet kan du for eksempel legge til «fottur» og «fjelltur» som synonymer.

Tips

• Bruk av synonymer kan også bidra til å utløse et emne, fordi de øker vekten av et utløseruttrykk ved å legge til relaterte ord som synonymer for en enhet den inneholder. Hvis du for eksempel vil bruke alternativet "Klager", legger du til lignende negative ord eller uttrykk som synonymer.
• NLU-modellen generaliserer også for alle enhetsvariasjoner (det vil si alle deres verdier og deres synonymer) i tilfelle et emne inkluderer minst én variasjon av enheten. Med andre ord bør forfattere av chatroboter inkludere ett eksempel på et utløseruttrykk med én bruk av denne enheten for NLU for å generalisere på andre enhetsvariasjoner.

Aktiver smart samsvar

For hver lukkede listeenhet kan du også aktivere Smart samsvar.

Smart samsvar er en del av intelligensen som støttes av kopilotens språkforståelsesmodell. Når dette alternativet er aktivert, tolker kopiloten brukerens inndata ved hjelp av tilnærmingslogikk, basert på de oppførte elementene i enheten.

Spesielt vil roboten automatisk rette feilstavinger og utvider den samsvarende logikken semantisk. Roboten kan for eksempel automatisk samsvare "ball" to "baseball".

Vær kreativ med vanlige uttrykk

Noen ganger kan utpakking av enheter fra en brukerspørring føre til forvirring for NLU-modellen, spesielt når flere enheter av samme type finnes i brukerspørringen.

Hvis for eksempel en bruker sier følgende:

Kan du ta med 2 håndklær og 1 pute til rom 101

Bruk av den innebygde Tall-enheten ville bli forvekslet mellom 2, 1 og 101. Du kan omgå denne forvirringen ved å definere følgende enheter for vanlige uttrykk:

• Antall håndklær: [1–9] håndklær
• Antall puter: [1–9] puter
• Romnummer: [0–9]{3}

Alternativer til enheter for å lagre referensielle data

For store eller endrede datasett (for eksempel en liste over produkter eller kunder) kan det være lurt å kontrollere eksterne kilder i stedet for å bruke lukkede Microsoft Copilot Studio-listeenheter. Du må sende brukerytring til den eksterne tjenesten ved hjelp av en Power Automate-skyflyt.

Emnet ditt kan deretter validere nøyaktigheten av resultatet (eller be brukeren om å validere det) før den flyttes fremover i samtalen.

Dataverse er et godt valg for å lagre slike data, siden den har en innebygd Dataverse-søk-funksjon som støtter tilnærmet samsvar for å returnere de beste resultatene sammen med et konfidensresultat. Selv om du søker med en fullstendig setning, kan den hente potensielle treff.

Tips

Se en eksempelimplementering her: returner en resultatliste