Co to jest interpretacja języka konwersacyjnego?
Znajomość języka konwersacyjnego to jedna z niestandardowych funkcji oferowanych przez język sztucznej inteligencji platformy Azure. Jest to oparta na chmurze usługa interfejsu API, która stosuje analizę uczenia maszynowego, aby umożliwić tworzenie składnika interpretacji języka naturalnego, który ma być używany w kompleksowej aplikacji konwersacyjnej.
Zrozumienie języka konwersacyjnego (CLU) umożliwia użytkownikom tworzenie niestandardowych modeli interpretacji języka naturalnego w celu przewidywania ogólnego zamiaru przychodzącej wypowiedzi i wyodrębniania z niego ważnych informacji. Clu udostępnia tylko analizę, aby zrozumieć tekst wejściowy dla aplikacji klienckiej i nie wykonuje żadnych akcji. Tworząc projekt CLU, deweloperzy mogą iteracyjnie oznaczać wypowiedzi, trenować i oceniać wydajność modelu przed udostępnieniem jej do użycia. Jakość oznaczonych danych znacznie wpływa na wydajność modelu. Aby uprościć tworzenie i dostosowywanie modelu, usługa oferuje niestandardowy portal internetowy, do którego można uzyskać dostęp za pośrednictwem programu Language Studio. Możesz łatwo rozpocząć pracę z usługą, wykonując kroki opisane w tym przewodniku Szybki start.
Ta dokumentacja zawiera następujące typy artykułów:
- Przewodniki Szybki start to instrukcje wprowadzające, które ułatwiają wysyłanie żądań do usługi.
- Pojęcia zawierają wyjaśnienia funkcji i funkcji usługi.
- Przewodniki z instrukcjami zawierają instrukcje dotyczące korzystania z usługi w bardziej szczegółowy lub dostosowany sposób.
Przykładowe scenariusze użycia
Clu można używać w wielu scenariuszach w różnych branżach. Niektóre przykłady:
End-to-end konwersacyjny bot
Użyj funkcji CLU, aby utworzyć i wytrenować niestandardowy model interpretacji języka naturalnego na podstawie określonej domeny i oczekiwanych wypowiedzi użytkowników. Zintegruj go z dowolnym końcowym botem konwersacyjnym, aby mógł przetwarzać i analizować przychodzący tekst w czasie rzeczywistym, aby zidentyfikować intencję tekstu i wyodrębnić z niego ważne informacje. Aby bot wykonał żądaną akcję na podstawie intencji i wyodrębnionych informacji. Przykładem może być dostosowany bot detaliczny do zakupów online lub zamawiania żywności.
Boty asystenta ludzkiego
Przykładem bota asystenta ludzkiego jest pomoc pracownikom w ulepszaniu zaangażowania klientów przez klasyfikowanie zapytań klientów i przypisywanie ich do odpowiedniego inżyniera pomocy technicznej. Innym przykładem może być bot zasobów ludzkich w przedsiębiorstwie, który umożliwia pracownikom komunikowanie się w języku naturalnym i otrzymywanie wskazówek na podstawie zapytania.
Aplikacja do sterowania i sterowania
Po zintegrowaniu aplikacji klienckiej ze składnikiem zamiany mowy na tekst użytkownicy mogą mówić za pomocą polecenia w języku naturalnym, aby clu przetwarzała, identyfikowała intencję i wyodrębniała informacje z tekstu aplikacji klienckiej w celu wykonania akcji. Ten przypadek użycia ma wiele aplikacji, takich jak zatrzymywanie, odtwarzanie, przekazywanie i przewijanie utworu lub włączanie lub wyłączanie świateł.
Czatbot przedsiębiorstwa
W dużej korporacji czatbot przedsiębiorstwa może obsługiwać różne sprawy pracowników. Może on obsługiwać często zadawane pytania obsługiwane przez niestandardowe odpowiadanie na pytania baza wiedzy, umiejętności specyficzne dla kalendarza obsługiwane przez zrozumienie języka konwersacji i umiejętności opinii wywiadów obsługiwanych przez usługę LUIS. Użyj przepływu pracy orkiestracji, aby połączyć wszystkie te umiejętności razem i odpowiednio kierować żądania przychodzące do właściwej usługi.
Cykl projektowania projektu
Tworzenie projektu CLU zwykle obejmuje kilka różnych kroków.
Wykonaj następujące kroki, aby jak najlepiej wykorzystać model:
Zdefiniuj schemat: Poznaj dane i zdefiniuj akcje i istotne informacje, które muszą zostać rozpoznane z wypowiedzi wejściowych użytkownika. W tym kroku utworzysz intencje , które chcesz przypisać do wypowiedzi użytkownika, oraz odpowiednie jednostki , które chcesz wyodrębnić.
Etykietowanie danych: Jakość etykietowania danych jest kluczowym czynnikiem w określaniu wydajności modelu.
Trenowanie modelu: Model zaczyna uczyć się na podstawie danych oznaczonych etykietami.
Wyświetlanie wydajności modelu: wyświetl szczegóły oceny modelu, aby określić, jak dobrze działa w przypadku wprowadzenia nowych danych.
Ulepszanie modelu: po zapoznaniu się z wydajnością modelu możesz dowiedzieć się, jak można ulepszyć model.
Wdrażanie modelu: wdrażanie modelu umożliwia jego użycie za pośrednictwem interfejsu API środowiska uruchomieniowego.
Przewidywanie intencji i jednostek: użyj modelu niestandardowego, aby przewidywać intencje i jednostki na podstawie wypowiedzi użytkownika.
Dokumentacja referencyjna i przykłady kodu
Podczas korzystania z funkcji CLU zapoznaj się z następującą dokumentacją referencyjną i przykładami dla języka AI platformy Azure:
| Opcja/język programowania | Dokumentacja referencyjna | Przykłady |
|---|---|---|
| Interfejsy API REST (tworzenie) | Dokumentacja interfejsu API REST | |
| Interfejsy API REST (środowisko uruchomieniowe) | Dokumentacja interfejsu API REST | |
| C# (środowisko uruchomieniowe) | Dokumentacja języka C# | Przykłady języka C# |
| Python (środowisko uruchomieniowe) | Dokumentacja języka Python | Przykłady w języku Python |
Odpowiedzialne AI
System sztucznej inteligencji obejmuje nie tylko technologię, ale także osoby, które będą jej używać, osoby, których to dotyczy, oraz środowisko, w którym jest wdrażane. Przeczytaj notatkę na temat przejrzystości funkcji CLU, aby dowiedzieć się więcej na temat odpowiedzialnego używania i wdrażania sztucznej inteligencji w systemach. Więcej informacji można również znaleźć w następujących artykułach:
- Uwaga dotycząca przezroczystości języka sztucznej inteligencji platformy Azure
- Integracja i odpowiedzialne użycie
- Dane, prywatność i bezpieczeństwo
Następne kroki
Skorzystaj z artykułu Szybki start, aby rozpocząć korzystanie z interpretacji języka konwersacyjnego.
Podczas cyklu projektowania projektu zapoznaj się ze słownikiem , aby dowiedzieć się więcej o terminach używanych w całej dokumentacji tej funkcji.
Pamiętaj, aby wyświetlić limity usług dla informacji, takich jak dostępność regionalna.