Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
Wat zijn triggerzinnen in Copilot Studio
Triggerzinnen trainen het model voor natuurlijk taalbegrip (NLU) van uw agent.
Triggerzinnen worden op onderwerpniveau geconfigureerd en geven aan de agent door voor welke typische gebruikersuitingen een specifiek onderwerp moet worden geactiveerd.
Triggerzinnen geven doorgaans weer hoe een gebruiker een vraag zou stellen over een probleem of kwestie, bijvoorbeeld: 'probleem met onkruid in het gazon'.
Wanneer u een nieuw onderwerp maakt, hoeft u slechts enkele voorbeeldzinnen op te geven (bij voorkeur tussen de 5 en 10). Tijdens runtime analyseert de AI wat de gebruiker zegt en selecteert vervolgens het onderwerp dat het dichtst bij de betekenis van de gebruikersuiting ligt. Zie Effectieve triggerzinnen kiezen voor meer informatie over effectieve triggerzinnen.
Het belang van context voor triggers
Copilot Studio NLU gedraagt zich anders op basis van de gespreksstatus, wat soms kan leiden tot verschillend gedrag voor dezelfde gebruikersuiting.
Dit zijn de verschillende gespreksstatussen:
Begin van het gesprek: de agent heeft geen context, dus van gebruikersuitingen wordt verwacht dat deze:
- Een onderwerp direct triggeren (herkenning van intentie).
- Een verduidelijkende vraag met "bedoelde u" (meerdere overeenkomende onderwerpen) stellen aan intentiekandidaten als er meerdere overeenkomende onderwerpen zijn.
- Naar een terugvalonderwerp gaan als de intentie niet wordt herkend.
Nadat een 'bedoelde u' (Meerdere overeenkomende onderwerpen) is geactiveerd: NLU wordt geoptimaliseerd om een van de voorgestelde onderwerpen te kiezen, met hogere drempels om de weergegeven opties te filteren.
Schakelen vanuit een huidig onderwerp: als de NLU een plaats in een onderwerp probeert te vullen en de gebruiker een vraag stelt die een ander onderwerp (schakelen naar een ander onderwerp) kan activeren.
Interpunctie
Het NLU-model is agnostisch voor interpunctie, inclusief vraagtekens.
Nieuwe triggerzinnen maken
Begin zo mogelijk met echte productiegegevens in plaats van uw eigen triggerzinnen te verzinnen. De beste triggerzinnen zijn zinnen die lijken op daadwerkelijke gegevens van gebruikers. Dit zijn de triggerzinnen die gebruikers aan een geïmplementeerde agent stellen.
Het is niet nodig om bepaalde woorden weg te laten: het model is ontworpen om minder waarde te hechten aan overbodige woorden, zoals stopwoorden (woorden die vóór de verwerking van natuurlijke taalgegevens worden uitgefilterd omdat ze onbelangrijk zijn).
Triggerzinnen optimaliseren
| Tip | Voorbeelden |
|---|---|
|
Gebruik minimaal 5-10 triggerzinnen per onderwerp Herhaal de zinnen en voeg er meer toe terwijl u van gebruikers leert. |
Vind mijn dichtstbijzijnde winkel Winkellocatie controleren Zoek een winkel Vind uw dichtstbijzijnde locatie Winkel bij mij in de buurt |
|
Varieer in zinsbouw en kernbegrippen Het model houdt automatisch rekening met variaties op die zinnen. |
Wanneer zijn jullie gesloten Dagelijkse openingstijden |
|
Gebruik korte triggerzinnen Minder dan 10 woorden. |
Wanneer zijn jullie geopend |
|
Vermijd triggerzinnen van één woord Dit verhoogt het gewicht voor bepaalde woorden bij het activeren van onderwerpen. Het kan verwarring tussen vergelijkbare onderwerpen veroorzaken. |
Opslaan |
| Gebruik volledige zinnen | Kan ik een menselijke assistent spreken? |
| Gebruik unieke werkwoorden en zelfstandige naamwoorden of combinaties daarvan |
Ik heb de klantenservice nodig Ik wil een adviseur spreken |
|
Vermijd het gebruik van variaties van dezelfde entiteit U hoeft niet alle voorbeelden uit de entiteitswaarde te gebruiken. De NLU houdt automatisch rekening met alle variaties. |
Ik wil een burger bestellen Ik wil graag een pizza Ik wil kipnuggets |
Het aantal triggerzinnen per onderwerp in evenwicht brengen
Probeer een evenwicht te vinden in het aantal triggerzinnen per onderwerp. Op die manier weegt het ene onderwerp niet zwaarder dan het andere op basis van de geconfigureerde triggerzinnen.
Uw wijzigingen beoordelen
Nadat u triggerzinnen hebt bijgewerkt of nadat u onderwerpen hebt samengevoegd of gesplitst, kunt u de wijzigingen op verschillende manieren beoordelen:
- Een directe verandering in het gedrag van de agent, die kan worden waargenomen in de testchat (bijvoorbeeld een onderwerp dat nu wel of niet wordt geactiveerd op basis van updates van de triggerzinnen).
- Een wijziging na de implementatie van de agent en het omgaan met verkeer, wat zich vertaalt in hogere of lagere doorverwijzingspercentages (niet-escalatie). Dit is te zien op het tabblad Analyse in Copilot Studio.
Fooi
U kunt onderwerpactivering en de prestaties van uw NLU-model testen ten opzichte van testgegevens in bulk, door gebruik te maken van het Copilot-testframework.
Hoewel de onderliggende functies en onderdelen die worden gebruikt om het Copilot Test Framework te bouwen (zoals interactie met het Direct Line Component Framework) volledig worden ondersteund, vertegenwoordigt het Copilot Test Framework zelf voorbeeldimplementaties van deze functies.
Onze klanten en community kunnen het Copilot Test Framework gebruiken en aanpassen om bulktesten te implementeren. Als u problemen ondervindt met het Copilot Test Framework, meld het probleem dan hier: https://aka.ms/PVASamples. (Microsoft Ondersteuning kan u niet helpen bij problemen die gerelateerd zijn aan deze voorbeelden, maar wel bij gerelateerde, onderliggende problemen met het platform en functies.)