Co to jest interpretacja języka konwersacyjnego?
Interpretacja języka konwersacyjnego jest jedną z funkcji niestandardowych oferowanych przez język sztucznej inteligencji platformy Azure. Jest to oparta na chmurze usługa interfejsu API, która stosuje inteligencję 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 niej ważnych informacji. Funkcja CLU udostępnia tylko analizę, aby zrozumieć tekst wejściowy dla aplikacji klienckiej i nie wykonuje żadnych akcji. Tworząc projekt CLU, deweloperzy mogą iteracyjnie oznaczać wypowiedzi, szkolić 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 zawierają instrukcje wprowadzające, które ułatwiają wysyłanie żądań do usługi.
- Pojęcia zawierają wyjaśnienia dotyczące funkcjonalności i funkcji usługi.
- Przewodniki z instrukcjami zawierają instrukcje dotyczące korzystania z usługi w bardziej szczegółowy lub dostosowany sposób.
Przykładowe scenariusze użycia
Clu może być używana w wielu scenariuszach w różnych branżach. Przykłady to:
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 umożliwić przetwarzanie i analizowanie przychodzącego tekstu w czasie rzeczywistym w celu zidentyfikowania intencji tekstu i wyodrębnienia z niego ważnych informacji. Bot musi wykonać żądaną akcję na podstawie intencji i wyodrębnionych informacji. Przykładem może być dostosowany bot handlu detalicznego na potrzeby zakupów online lub zamawiania żywności.
Boty asystent ludzkie
Jednym z przykładów bota asystent człowieka 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 mogła przetwarzać, identyfikować intencje i wyodrębniać 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 światła.
Czatbot przedsiębiorstwa
W dużej firmie czatbot przedsiębiorstwa może obsługiwać różne sprawy pracowników. Może on obsługiwać często zadawane pytania obsługiwane przez niestandardowe odpowiedzi na pytania baza wiedzy, specyficzne umiejętności kalendarza obsługiwane przez zrozumienie języka konwersacji i umiejętności opinii wywiadów obsługiwane przez usługę LUIS. Użyj przepływu pracy orkiestracji, aby połączyć wszystkie te umiejętności ze sobą 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 na podstawie wypowiedzi wejściowych użytkownika. W tym kroku tworzysz 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 poprawić model.
Wdróż model: wdrożenie modelu udostępnia go do użycia za pośrednictwem interfejsu API środowiska uruchomieniowego.
Przewidywanie intencji i jednostek: użyj modelu niestandardowego do przewidywania intencji i jednostek z wypowiedzi użytkownika.
Dokumentacja referencyjna i przykłady kodu
Korzystając z funkcji CLU, zapoznaj się z następującą dokumentacją referencyjną i przykładami dla języka azure AI:
| 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 w języku C# |
| Python (środowisko uruchomieniowe) | Dokumentacja języka Python | Przykłady w języku Python |
Odpowiedzialne rozwiązania z zakresu sztucznej inteligencji
System sztucznej inteligencji obejmuje nie tylko technologię, ale także osoby, które będą z niej korzystać, osoby, których to dotyczy, oraz środowisko, w którym zostanie wdrożone. Przeczytaj notatkę dotyczącą przejrzystości dla dokumentacji CLU, aby dowiedzieć się więcej na temat odpowiedzialnego używania i wdrażania sztucznej inteligencji w systemach. Aby uzyskać więcej informacji, zobacz również następujące artykuły:
- Uwaga dotycząca przejrzystości dla języka AI platformy Azure
- Integracja i odpowiedzialne użycie
- Dane, prywatność i zabezpieczenia
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 usługi dla informacji, takich jak dostępność regionalna.