Wat is begrip van gesprekstaal?

Artikel
12/19/2023

Begrip van gesprekstalen is een van de aangepaste functies van Azure AI Language. Het is een cloudgebaseerde API-service die machine learning-intelligentie toepast, zodat u een onderdeel voor het begrijpen van natuurlijke taal kunt bouwen dat kan worden gebruikt in een end-to-end-gesprekstoepassing.

Met CLU (Conversational Language Understanding) kunnen gebruikers aangepaste natuurlijke taalbegripmodellen maken om de algemene intentie van een binnenkomende uiting te voorspellen en er belangrijke informatie uit te halen. 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 uitingen iteratief labelen, modelprestaties trainen en evalueren voordat ze deze beschikbaar maken voor gebruik. De kwaliteit van de gelabelde gegevens heeft een grote invloed op de prestaties van het model. Om het bouwen en aanpassen van uw model te vereenvoudigen, biedt de service een aangepaste webportal die toegankelijk is via de Language Studio. 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 aan de slag-instructies om u te helpen bij het indienen van aanvragen bij de service.
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. Een aantal voorbeelden:

End-to-end gespreksbot

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

Bots voor menselijke assistent

Een voorbeeld van een menselijke assistent bot is om medewerkers te helpen klantbetrokkenheid te verbeteren door klantquery's te trireren en deze toe te wijzen aan de juiste ondersteuningstechnicus. 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 besturingstoepassing

Wanneer u een clienttoepassing integreert met een spraak-naar-tekstonderdeel, kunnen gebruikers een opdracht in natuurlijke taal uitspreken voor CLU om de intentie te verwerken, 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, vooruitspoelen en terugspoelen van een nummer of het in- of uitschakelen van lichten.

Zakelijke chatbot

In een groot bedrijf kan een chatbot voor ondernemingen verschillende werknemerszaken afhandelen. Het kan veelgestelde vragen verwerken die worden geleverd door een aangepaste vraag beantwoorden Knowledge Base, een agendaspecifieke vaardigheid die wordt geleverd door het begrijpen van gesprekstalen en een vaardigheid voor feedback op sollicitatiegesprekken die door LUIS wordt geleverd. Gebruik orchestration-werkstroom om al deze vaardigheden met elkaar te verbinden en de binnenkomende aanvragen op de juiste manier naar de juiste service te routeren.

Levenscyclus van projectontwikkeling

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

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

Definieer uw schema: ken uw gegevens en definieer de acties en relevante informatie die moeten worden herkend uit invoeruitingen van gebruikers. In deze stap maakt u de intenties die u wilt toewijzen aan de uitingen van de gebruiker en maakt u de relevante entiteiten die u wilt geëxtraheerd.
Uw gegevens labelen: de kwaliteit van gegevenslabels is een belangrijke factor bij het bepalen van de modelprestaties.
Het model trainen: uw model begint te leren van uw gelabelde gegevens.
De prestaties van het model weergeven: bekijk de evaluatiedetails voor uw model om te bepalen hoe goed het model presteert wanneer het nieuwe gegevens introduceert.
Het model verbeteren: nadat u de prestaties van het model hebt bekeken, kunt u leren hoe u het model kunt verbeteren.
Het model implementeren: als u een model implementeert, is het beschikbaar voor gebruik via de Runtime-API.
Intenties en entiteiten voorspellen: gebruik uw aangepaste model om intenties en entiteiten te voorspellen op basis van uitingen van gebruikers.

Referentiedocumentatie en codevoorbeelden

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

Ontwikkelingsoptie/taal	Referentiedocumentatie	Voorbeelden
REST API's (ontwerpen)	REST API-documentatie
REST API's (runtime)	REST API-documentatie
C# (runtime)	C#-documentatie	C#-voorbeelden
Python (runtime)	Python-documentatie	Python-voorbeelden

Verantwoordelijke AI

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

Volgende stappen

Gebruik het quickstart-artikel om aan de slag te gaan met conversatietaal begrijpen.
Terwijl u de levenscyclus van de projectontwikkeling doorloopt, bekijkt u 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.