Delen via


Wat is het begrip van gesprekstaal?

Conversationele taalkennis is een van de aangepaste functies van Azure AI Language. Het is een cloud-API-service die machine learning-intelligentie toepast om u in staat te stellen een onderdeel voor het begrijpen van natuurlijke taal te bouwen dat kan worden gebruikt in een end-to-end gesprekstoepassing.

Met conversationele taalbegrip (CLU) kunnen gebruikers aangepaste modellen voor natuurlijke taalbegrip bouwen om de algemene intentie van een binnenkomende uiting te voorspellen en belangrijke informatie ervan te extraheren. CLU biedt alleen de intelligentie om de invoertekst voor de clienttoepassing te begrijpen en voert geen acties uit. Door een CLU-project te maken, kunnen ontwikkelaars iteratief uitingen labelen, modelprestaties trainen en evalueren voordat ze deze beschikbaar maken voor verbruik. De kwaliteit van de gelabelde gegevens heeft een grote invloed op de modelprestaties. Om het bouwen en aanpassen van uw model te vereenvoudigen, biedt de service een aangepaste webportal die toegankelijk is via Azure AI Foundry. U kunt eenvoudig aan de slag met de service door de stappen in deze quickstart te volgen.

Deze documentatie bevat de volgende artikeltypen:

  • Quickstarts zijn instructies om aan de slag te gaan en begeleiden u bij het indienen van aanvragen bij de dienst.
  • Concepten bieden uitleg over de servicefunctionaliteit en -functies.
  • Instructiegidsen bevatten instructies voor het gebruik van de service op specifiekere of aangepaste manieren.

Voorbeeld van gebruiksscenario's

CLU kan worden gebruikt in meerdere scenario's in verschillende branches. Enkele voorbeelden:

Volledig geïntegreerde gespreksbot

Gebruik CLU om een aangepast model voor natuurlijke taalkennis te bouwen en te trainen op basis van een specifiek domein en de verwachte uitingen van gebruikers. Integreer deze met elke end-to-end gespreksbot, zodat deze binnenkomende tekst in realtime kan verwerken en analyseren om de intentie van de tekst te identificeren en belangrijke informatie uit de bot te extraheren. Laat de bot de gewenste actie uitvoeren op basis van de intentie en geëxtraheerde informatie. Een voorbeeld hiervan is een aangepaste retailbot voor online winkelen of eten bestellen.

Menselijke assistentbots

Een voorbeeld van een menselijke assistent-bot is om medewerkers te helpen klantinteracties te verbeteren door klantvragen te triëren en toe te wijzen aan de juiste ondersteuningsingenieur. Een ander voorbeeld is een human resources-bot in een onderneming waarmee werknemers in natuurlijke taal kunnen communiceren en richtlijnen kunnen ontvangen op basis van de query.

Opdracht- en beheertoepassing

Wanneer u een clienttoepassing integreert met een spraak-naar-tekstonderdeel, kunnen gebruikers een opdracht in natuurlijke taal uitspreken om CLU te verwerken, intentie te identificeren en informatie te extraheren uit de tekst voor de clienttoepassing om een actie uit te voeren. Deze use case heeft veel toepassingen, zoals stoppen, afspelen, doorsturen en terugspoelen van een nummer of het in- of uitschakelen van lichten.

Enterprise-chatbot

In een grote onderneming kan een zakelijke chatbot verschillende werknemerszaken afhandelen. Het kan veelgestelde vragen verwerken via een aangepaste kennisbank voor vraagbeantwoording, een agendaspecifieke vaardigheid ondersteund door het begrijpen van gesprekstaal en een feedbackvaardigheid voor interviews die door LUIS wordt ondersteund. Gebruik de orchestration-werkstroom om al deze vaardigheden met elkaar te verbinden en de binnenkomende aanvragen op de juiste manier naar de juiste service te routeren.

Agenten

CLU wordt gebruikt door de sjabloon voor intentierouteringsagent, waarmee de intentie van de gebruiker wordt gedetecteerd en wordt exact beantwoord. Perfect voor deterministische routering van intenties en exacte beantwoording van vragen onder menselijke controle.

Levenscyclus van projectontwikkeling

Het maken van een CLU-project omvat doorgaans verschillende stappen.

Grafiek van het pad voor snelle implementatie op basis van LLM.

Opmerking

Bij Azure AI Foundry maakt u een fijnregeltaak die dient als uw werkruimte voor het aanpassen van uw CLU-model. Voorheen werd een taak voor het fijn afstemmen van een CLU een CLU-project genoemd. Deze termen worden mogelijk door elkaar gebruikt in verouderde CLU-documentatie.

CLU biedt twee paden voor u om optimaal gebruik te maken van uw implementatie.

Optie 1 (snelle implementatie met LLM):

  1. Definieer uw schema: ken uw gegevens en definieer de acties en relevante informatie die moet worden herkend uit invoeruitingen van de gebruiker. In deze stap maakt u de intenties en geeft u een gedetailleerde beschrijving van de betekenis van uw intenties die u wilt toewijzen aan de uitingen van de gebruiker.

  2. Implementeer het model: als u een model implementeert met de op LLM gebaseerde trainingsconfiguratie, is het model beschikbaar voor gebruik via de Runtime-API.

  3. Intenties en entiteiten voorspellen: gebruik uw aangepaste modelimplementatie om aangepaste intenties en vooraf gedefinieerde entiteiten te voorspellen vanuit de uitingen van de gebruiker.

Optie 2 (aangepast model voor machine learning)

Volg deze stappen om optimaal gebruik te maken van uw getrainde model:

  1. Definieer uw schema: ken uw gegevens en definieer de acties en relevante informatie die moet worden herkend uit invoeruitingen van de gebruiker. In deze stap maakt u de intenties die u wilt toewijzen aan de uitingen van de gebruiker en de relevante entiteiten die u wilt laten extraheren.

  2. Uw gegevens labelen: de kwaliteit van gegevenslabels is een belangrijke factor bij het bepalen van modelprestaties.

  3. Het model trainen: uw model begint met leren op basis van uw gelabelde gegevens.

  4. Bekijk de prestaties van het model: bekijk de evaluatiedetails voor uw model om te bepalen hoe goed het presteert wanneer er nieuwe gegevens worden geïntroduceerd.

  5. Het model verbeteren: nadat u de prestaties van het model hebt bekeken, kunt u leren hoe u het model kunt verbeteren.

  6. Het model implementeren: als u een model implementeert, is het beschikbaar voor gebruik via de Runtime-API.

  7. Intenties en entiteiten voorspellen: gebruik uw aangepaste model om intenties en entiteiten van uitingen van gebruikers te voorspellen.

Referentiedocumentatie en codevoorbeelden

Als u CLU gebruikt, raadpleegt u de volgende referentiedocumentatie en voorbeelden voor Azure AI Language:

Ontwikkelingsoptie/taal Referentiedocumentatie Voorbeelden
REST API's (maken) REST API-documentatie
REST-API's (op tijdstip van uitvoering) REST API-documentatie
C# (runtime-omgeving) C#-documentatie C#-voorbeelden
Python (uitvoeringstijd) Python-documentatie Python-voorbeelden

Verantwoorde AI

Een AI-systeem omvat niet alleen de technologie, maar ook de mensen die het gebruiken, de mensen die worden beïnvloed door het systeem en de omgeving waarin het wordt geïmplementeerd. Lees de transparantienotitie voor CLU voor meer informatie over verantwoord AI-gebruik en -implementatie in uw systemen. U kunt ook de volgende artikelen voor meer informatie bekijken:

Volgende stappen

  • Gebruik het snelstartartikel om te beginnen met het begrijpen van gesprekstalen.

  • Bekijk tijdens het doorlopen van de levenscyclus van projectontwikkeling de woordenlijst voor meer informatie over de termen die in de documentatie voor deze functie worden gebruikt.

  • Vergeet niet om de servicelimieten weer te geven voor informatie zoals regionale beschikbaarheid.