Share via

Szybki start: przepływ pracy orkiestracji

  • Artykuł

Skorzystaj z tego artykułu, aby rozpocząć pracę z projektami przepływu pracy orkiestracji przy użyciu programu Language Studio i interfejsu API REST. Wykonaj następujące kroki, aby wypróbować przykład.

Wymagania wstępne

Zaloguj się do programu Language Studio

  1. Przejdź do programu Language Studio i zaloguj się przy użyciu konta platformy Azure.

  2. W wyświetlonym oknie Wybierz zasób językowy znajdź subskrypcję platformy Azure i wybierz zasób język. Jeśli nie masz zasobu, możesz utworzyć nowy.

    Szczegóły wystąpienia Wartość wymagana
    Subskrypcja platformy Azure Swoją subskrypcję platformy Azure.
    Grupa zasobów platformy Azure Grupa zasobów platformy Azure.
    Nazwa zasobu platformy Azure Nazwa zasobu platformy Azure.
    Lokalizacja Prawidłowa lokalizacja zasobu platformy Azure. Na przykład "Zachodnie stany USA 2".
    Warstwa cenowa Obsługiwana warstwa cenowa zasobu platformy Azure. Możesz użyć warstwy Bezpłatna (F0), aby wypróbować usługę.

    Zrzut ekranu przedstawiający ekran wyboru zasobu w programie Language Studio.

Tworzenie projektu przepływu pracy aranżacji

Po utworzeniu zasobu Language utwórz projekt przepływu pracy aranżacji. Projekt to obszar roboczy do tworzenia niestandardowych modeli uczenia maszynowego na podstawie danych. Dostęp do projektu można uzyskać tylko do Ciebie i innych osób, które mają dostęp do używanego zasobu Language.

W tym przewodniku Szybki start ukończ przewodnik Szybki start dotyczący języka konwersacyjnego, aby utworzyć projekt interpretacji języka konwersacyjnego, który będzie używany później.

  1. W programie Language Studio znajdź sekcję z etykietą Informacje o pytaniach i języku konwersacyjnym , a następnie wybierz pozycję Przepływ pracy orkiestracji.

    Zrzut ekranu przedstawiający lokalizację sekcji przepływu pracy aranżacji na stronie docelowej programu Language Studio.

  2. Spowoduje to wyświetlenie strony projektu przepływu pracy orkiestracji . Wybierz pozycję Utwórz nowy projekt. Aby utworzyć projekt, należy podać następujące szczegóły:

Wartość Opis
Nazwa Nazwa projektu.
Opis Opcjonalny opis projektu.
Wypowiedź języka podstawowego Język podstawowy projektu. Dane szkoleniowe powinny znajdować się głównie w tym języku.

Po zakończeniu wybierz pozycję Dalej i przejrzyj szczegóły. Wybierz pozycję Utwórz projekt , aby ukończyć proces. Powinien zostać wyświetlony ekran Build Schema (Schemat kompilacji ) w projekcie.

Schemat kompilacji

Po ukończeniu przewodnika Szybki start dotyczącego języka konwersacyjnego i utworzeniu projektu orkiestracji następnym krokiem jest dodanie intencji.

Aby nawiązać połączenie z wcześniej utworzonym projektem interpretacji języka konwersacyjnego:

  • Na stronie schematu kompilacji w projekcie aranżacji wybierz pozycję Dodaj, aby dodać intencję.
  • W wyświetlonym oknie nadaj swojej intencji nazwę.
  • Wybierz pozycję Tak, chcę połączyć go z istniejącym projektem.
  • Z listy rozwijanej połączone usługi wybierz pozycję Konwersacja Language Understanding.
  • Z listy rozwijanej nazwa projektu wybierz projekt interpretacji języka konwersacyjnego.
  • Wybierz pozycję Dodaj intencję , aby utworzyć intencję.

Szkolenie modelu

Aby wytrenować model, musisz rozpocząć zadanie szkoleniowe. Dane wyjściowe pomyślnego zadania szkoleniowego to wytrenowany model.

Aby rozpocząć trenowanie modelu z poziomu programu Language Studio:

  1. Wybierz pozycję Zadania trenowania z menu po lewej stronie.

  2. Wybierz pozycję Start a training job (Uruchom zadanie szkoleniowe ) z górnego menu.

  3. Wybierz pozycję Train a new model (Trenowanie nowego modelu) i wpisz nazwę modelu w polu tekstowym. Możesz również zastąpić istniejący model , wybierając tę opcję i wybierając model, który chcesz zastąpić z menu rozwijanego. Zastępowanie wytrenowanego modelu jest nieodwracalne, ale nie wpłynie to na wdrożone modele do momentu wdrożenia nowego modelu.

    Jeśli projekt został włączony do ręcznego dzielenia danych podczas tagowania wypowiedzi, zobaczysz dwie opcje dzielenia danych:

    • Automatyczne dzielenie zestawu testów z danych treningowych: oznaczone wypowiedzi zostaną losowo podzielone między zestawy treningowe i testowe, zgodnie z wybranymi wartościami procentowymi. Domyślny podział procentowy wynosi 80% na potrzeby trenowania i 20% na potrzeby testowania. Aby zmienić te wartości, wybierz zestaw, który chcesz zmienić i wpisz w nowej wartości.

    Uwaga

    Jeśli wybierzesz opcję Automatycznie rozdzielając zestaw testów z danych treningowych , tylko wypowiedzi w zestawie treningowym zostaną podzielone zgodnie z podanymi wartościami procentowymi.

    • Użyj ręcznego podziału danych treningowych i testowych: przypisz każdą wypowiedź do zestawu trenowania lub testowania podczas kroku tagowania projektu.

    Uwaga

    Ręczne dzielenie danych treningowych i testowych będzie włączone tylko wtedy, gdy dodasz wypowiedzi do zestawu testów na stronie danych tagu. W przeciwnym razie zostanie ona wyłączona.

    Zrzut ekranu przedstawiający stronę trenowania modelu dla projektów interpretacji języka konwersacyjnego.

  4. Wybierz przycisk Train (Trenowanie ).

Uwaga

  • Tylko pomyślnie ukończone zadania szkoleniowe będą generować modele.
  • Trenowanie może potrwać od kilku minut do kilku godzin na podstawie rozmiaru oznakowanych danych.
  • Jednocześnie może być uruchomione tylko jedno zadanie trenowania. Nie można uruchomić innego zadania szkoleniowego wihtin tego samego projektu, dopóki uruchomione zadanie nie zostanie ukończone.

Wdrażanie modelu

Ogólnie po trenowaniu modelu należy przejrzeć jego szczegóły oceny. W tym przewodniku Szybki start wdrożysz model i udostępnisz go do wypróbowania w programie Language Studio lub możesz wywołać interfejs API przewidywania.

Aby wdrożyć model z poziomu programu Language Studio:

  1. Wybierz pozycję Deploying a model (Wdrażanie modelu) z menu po lewej stronie.

  2. Wybierz pozycję Dodaj wdrożenie , aby rozpocząć nowe zadanie wdrażania.

    Zrzut ekranu przedstawiający przycisk wdrażania modelu w programie Language Studio.

  3. Wybierz pozycję Utwórz nowe wdrożenie , aby utworzyć nowe wdrożenie i przypisać wytrenowany model z poniższej listy rozwijanej. Możesz również zastąpić istniejące wdrożenie , wybierając tę opcję i wybierając wytrenowany model, który chcesz przypisać do niego z listy rozwijanej poniżej.

    Uwaga

    Zastępowanie istniejącego wdrożenia nie wymaga zmian wywołania interfejsu API przewidywania , ale uzyskane wyniki będą oparte na nowo przypisanym modelu.

    Zrzut ekranu przedstawiający ekran dodawania nowego wdrożenia w programie Language Studio.

  4. Jeśli łączysz co najmniej jedną aplikację usługi LUIS lub projekty interpretacji języka konwersacyjnego , musisz określić nazwę wdrożenia.

    • Nie są wymagane żadne konfiguracje w przypadku niestandardowych intencji odpowiedzi na pytania lub niezwiązanych intencji.

    • Projekty usługi LUIS muszą być publikowane w miejscu skonfigurowanym podczas wdrażania orkiestracji, a niestandardowe odpowiedzi na pytania muszą być również publikowane w miejscach produkcyjnych.

  5. Wybierz pozycję Wdróż, aby przesłać zadanie wdrożenia

  6. Po pomyślnym wdrożeniu obok niego pojawi się data wygaśnięcia. Wygaśnięcie wdrożenia jest wtedy, gdy wdrożony model będzie niedostępny do przewidywania, co zwykle ma miejsce dwanaście miesięcy po wygaśnięciu konfiguracji trenowania.

Model testowy

Po wdrożeniu modelu można rozpocząć korzystanie z niego w celu przewidywania za pomocą interfejsu API przewidywania. W tym przewodniku Szybki start użyjesz programu Language Studio do przesyłania wypowiedzi, uzyskiwania przewidywań i wizualizowania wyników.

Aby przetestować model z poziomu programu Language Studio

  1. Wybierz pozycję Testowanie wdrożeń z menu po lewej stronie.

  2. Wybierz model, który chcesz przetestować. Można testować tylko modele przypisane do wdrożeń.

  3. Z listy rozwijanej Nazwa wdrożenia wybierz nazwę wdrożenia.

  4. W polu tekstowym wprowadź wypowiedź do przetestowania.

  5. W górnym menu wybierz pozycję Uruchom test.

  6. Po uruchomieniu testu powinna zostać wyświetlona odpowiedź modelu w wyniku. Wyniki można wyświetlić w widoku kart jednostek lub wyświetlić je w formacie JSON.

    Zrzut ekranu przedstawiający sposób testowania modelu w programie Language Studio.

Czyszczenie zasobów

Jeśli projekt nie jest już potrzebny, możesz go usunąć przy użyciu programu Language Studio. Wybierz pozycję Projekty z menu nawigacji po lewej stronie, wybierz projekt, który chcesz usunąć, a następnie wybierz pozycję Usuń z górnego menu.

Wymagania wstępne

Tworzenie zasobu języka na podstawie Azure Portal

Tworzenie nowego zasobu na podstawie Azure Portal

  1. Przejdź do Azure Portal, aby utworzyć nowy zasób języka AI platformy Azure.

  2. Wybierz pozycję Kontynuuj, aby utworzyć zasób

  3. Utwórz zasób języka, postępując zgodnie z poniższymi szczegółami.

    Szczegóły wystąpienia Wartość wymagana
    Region (Region) Jeden z obsługiwanych regionów.
    Nazwa Nazwa zasobu language.
    Warstwa cenowa Jedna z obsługiwanych warstw cenowych.

Pobieranie kluczy zasobów i punktu końcowego

  1. Przejdź do strony przeglądu zasobu w Azure Portal.

  2. Z menu po lewej stronie wybierz pozycję Klucze i punkt końcowy. Użyjesz punktu końcowego i klucza dla żądań interfejsu API

    Zrzut ekranu przedstawiający stronę klucza i punktu końcowego w Azure Portal

Tworzenie projektu przepływu pracy orkiestracji

Po utworzeniu zasobu language utwórz projekt przepływu pracy orkiestracji. Projekt to obszar roboczy umożliwiający tworzenie niestandardowych modeli uczenia maszynowego na podstawie Twoich danych. Dostęp do projektu można uzyskać tylko do Ciebie i innych osób, które mają dostęp do używanego zasobu Language.

Na potrzeby tego przewodnika Szybki start ukończ przewodnik Szybki start CLU , aby utworzyć projekt CLU, który ma być używany w przepływie pracy orkiestracji.

Prześlij żądanie PATCH przy użyciu następującego adresu URL, nagłówków i treści JSON, aby utworzyć nowy projekt.

Adres URL żądania

Podczas tworzenia żądania interfejsu API użyj następującego adresu URL. Zastąp poniższe wartości zastępcze własnymi wartościami.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
Symbol zastępczy Wartość Przykład
{ENDPOINT} Punkt końcowy uwierzytelniania żądania interfejsu API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Nazwa projektu. W tej wartości jest uwzględniana wielkość liter. myProject
{API-VERSION} Wersja wywoływanego interfejsu API. 2023-04-01

Nagłówki

Użyj następującego nagłówka, aby uwierzytelnić żądanie.

Klucz Wartość
Ocp-Apim-Subscription-Key Klucz do zasobu. Służy do uwierzytelniania żądań interfejsu API.

Treść

Użyj następującego przykładowego kodu JSON jako treści.

{
  "projectName": "{PROJECT-NAME}",
  "language": "{LANGUAGE-CODE}",
  "projectKind": "Orchestration",
  "description": "Project description"
 }
Klucz Symbol zastępczy Wartość Przykład
projectName {PROJECT-NAME} Nazwa projektu. W tej wartości jest uwzględniana wielkość liter. EmailApp
language {LANGUAGE-CODE} Ciąg określający kod języka wypowiedzi używanych w projekcie. Jeśli projekt jest projektem wielojęzycznym, wybierz kod języka większości wypowiedzi. en-us

Schemat kompilacji

Po ukończeniu przewodnika Szybki start CLU i utworzeniu projektu orkiestracji następnym krokiem jest dodanie intencji.

Prześlij żądanie POST przy użyciu następującego adresu URL, nagłówków i treści JSON, aby zaimportować projekt.

Adres URL żądania

Podczas tworzenia żądania interfejsu API użyj następującego adresu URL. Zastąp poniższe wartości zastępcze własnymi wartościami.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:import?api-version={API-VERSION}
Symbol zastępczy Wartość Przykład
{ENDPOINT} Punkt końcowy uwierzytelniania żądania interfejsu API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Nazwa projektu. W tej wartości jest uwzględniana wielkość liter. myProject
{API-VERSION} Wersja wywoływanego interfejsu API. 2023-04-01

Nagłówki

Użyj następującego nagłówka, aby uwierzytelnić żądanie.

Klucz Wartość
Ocp-Apim-Subscription-Key Klucz do zasobu. Służy do uwierzytelniania żądań interfejsu API.

Treść

Uwaga

Każda intencja powinna być tylko z jednego typu (CLU, LUIS i qna)

Użyj następującego przykładowego kodu JSON jako treści.

{
  "projectFileVersion": "{API-VERSION}",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectKind": "Orchestration",
    "settings": {
      "confidenceThreshold": 0
    },
    "projectName": "{PROJECT-NAME}",
    "description": "Project description",
    "language": "{LANGUAGE-CODE}"
  },
  "assets": {
    "projectKind": "Orchestration",
    "intents": [
      {
        "category": "string",
        "orchestration": {
          "kind": "luis",
          "luisOrchestration": {
            "appId": "00000000-0000-0000-0000-000000000000",
            "appVersion": "string",
            "slotName": "string"
          },
          "cluOrchestration": {
            "projectName": "string",
            "deploymentName": "string"
          },
          "qnaOrchestration": {
            "projectName": "string"
          }
        }
      }
    ],
    "utterances": [
      {
        "text": "Trying orchestration",
        "language": "{LANGUAGE-CODE}",
        "intent": "string"
      }
    ]
  }
}
Klucz Symbol zastępczy Wartość Przykład
api-version {API-VERSION} Wersja wywoływanego interfejsu API. Używana tutaj wersja musi być tą samą wersją interfejsu API w adresie URL. 2022-03-01-preview
projectName {PROJECT-NAME} Nazwa projektu. Ta wartość jest uwzględniana w wielkości liter. EmailApp
language {LANGUAGE-CODE} Ciąg określający kod języka wypowiedzi używanych w projekcie. Jeśli projekt jest projektem wielojęzycznym, wybierz kod języka większości wypowiedzi. en-us

Szkolenie modelu

Aby wytrenować model, musisz rozpocząć zadanie szkoleniowe. Dane wyjściowe pomyślnego zadania szkoleniowego to wytrenowany model.

Utwórz żądanie POST przy użyciu następującego adresu URL, nagłówków i treści JSON w celu przesłania zadania szkoleniowego.

Adres URL żądania

Użyj następującego adresu URL podczas tworzenia żądania interfejsu API. Zastąp wartości zastępcze poniżej własnymi wartościami.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}
Symbol zastępczy Wartość Przykład
{ENDPOINT} Punkt końcowy do uwierzytelniania żądania interfejsu API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Nazwa projektu. Ta wartość jest uwzględniana w wielkości liter. EmailApp
{API-VERSION} Wersja wywoływanego interfejsu API. 2023-04-01

Nagłówki

Użyj następującego nagłówka, aby uwierzytelnić żądanie.

Klucz Wartość
Ocp-Apim-Subscription-Key Klucz do zasobu. Służy do uwierzytelniania żądań interfejsu API.

Treść żądania

Użyj następującego obiektu w żądaniu. Model zostanie nazwany MyModel po zakończeniu trenowania.

{
  "modelLabel": "{MODEL-NAME}",
  "trainingMode": "standard",
  "trainingConfigVersion": "{CONFIG-VERSION}",
  "evaluationOptions": {
    "kind": "percentage",
    "testingSplitPercentage": 20,
    "trainingSplitPercentage": 80
  }
}
Klucz Symbol zastępczy Wartość Przykład
modelLabel {MODEL-NAME} Nazwa modelu. Model1
trainingMode standard Tryb trenowania. W aranżacji jest dostępny tylko jeden tryb trenowania, czyli standard. standard
trainingConfigVersion {CONFIG-VERSION} Wersja modelu konfiguracji trenowania. Domyślnie jest używana najnowsza wersja modelu . 2022-05-01
kind percentage Metody podzielone. Możliwe wartości to percentage lub manual. Aby uzyskać więcej informacji, zobacz , jak wytrenować model . percentage
trainingSplitPercentage 80 Procent oznakowanych danych, które mają zostać uwzględnione w zestawie treningowym. Zalecana wartość to 80. 80
testingSplitPercentage 20 Procent oznakowanych danych do ujęć w zestawie testów. Zalecana wartość to 20. 20

Uwaga

Wartości trainingSplitPercentage i testingSplitPercentage są wymagane tylko wtedy, gdy Kind ustawiono percentage wartość , a suma obu wartości procentowych powinna być równa 100.

Po wysłaniu żądania interfejsu API otrzymasz odpowiedź wskazującą 202 powodzenie. W nagłówkach odpowiedzi wyodrębnij operation-location wartość. Zostanie on sformatowany w następujący sposób:

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

Możesz użyć tego adresu URL, aby uzyskać stan zadania szkoleniowego.

Pobieranie stanu szkolenia

Trenowanie może potrwać od 10 do 30 minut. Możesz użyć następującego żądania, aby zachować stan zadania szkoleniowego do momentu pomyślnego ukończenia zadania.

Użyj następującego żądania GET , aby uzyskać stan postępu trenowania modelu. Zastąp wartości zastępcze poniżej własnymi wartościami.

Adres URL żądania

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
Symbol zastępczy Wartość Przykład
{YOUR-ENDPOINT} Punkt końcowy do uwierzytelniania żądania interfejsu API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Nazwa projektu. Ta wartość jest uwzględniana w wielkości liter. EmailApp
{JOB-ID} Identyfikator lokalizowania stanu trenowania modelu. Jest to wartość nagłówka odebrana podczas przesyłania zadania szkoleniowego location . xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx
{API-VERSION} Wersja wywoływanego interfejsu API. 2023-04-01

Nagłówki

Użyj następującego nagłówka, aby uwierzytelnić żądanie.

Klucz Wartość
Ocp-Apim-Subscription-Key Klucz do zasobu. Służy do uwierzytelniania żądań interfejsu API.

Treść odpowiedzi

Po wysłaniu żądania otrzymasz następującą odpowiedź. Kontynuuj sondowanie tego punktu końcowego, dopóki parametr stanu nie zmieni się na "powodzenie".

{
  "result": {
    "modelLabel": "{MODEL-LABEL}",
    "trainingConfigVersion": "{TRAINING-CONFIG-VERSION}",
    "estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
    "trainingStatus": {
      "percentComplete": 3,
      "startDateTime": "2022-04-18T15:45:06.8190649Z",
      "status": "running"
    },
    "evaluationStatus": {
      "percentComplete": 0,
      "status": "notStarted"
    }
  },
  "jobId": "xxxxxx-xxxxx-xxxxxx-xxxxxx",
  "createdDateTime": "2022-04-18T15:44:44Z",
  "lastUpdatedDateTime": "2022-04-18T15:45:48Z",
  "expirationDateTime": "2022-04-25T15:44:44Z",
  "status": "running"
}
Klucz Wartość Przykład
modelLabel Nazwa modelu Model1
trainingConfigVersion Wersja konfiguracji trenowania. Domyślnie jest używana najnowsza wersja . 2022-05-01
startDateTime Rozpoczęto trenowanie czasu 2022-04-14T10:23:04.2598544Z
status Stan zadania szkoleniowego running
estimatedEndDateTime Szacowany czas zakończenia zadania szkoleniowego 2022-04-14T10:29:38.2598544Z
jobId Identyfikator zadania szkoleniowego xxxxx-xxxx-xxxx-xxxx-xxxxxxxxx
createdDateTime Data i godzina utworzenia zadania szkoleniowego 2022-04-14T10:22:42Z
lastUpdatedDateTime Data i godzina ostatniej aktualizacji zadania szkoleniowego 2022-04-14T10:23:45Z
expirationDateTime Data i godzina wygaśnięcia zadania trenowania 2022-04-14T10:22:42Z

Wdrażanie modelu

Ogólnie po trenowaniu modelu należy przejrzeć jego szczegóły oceny. W tym przewodniku Szybki start wdrożysz model i wywołasz interfejs API przewidywania , aby wykonać zapytanie o wyniki.

Przesyłanie zadania wdrożenia

Utwórz żądanie PUT przy użyciu następującego adresu URL, nagłówków i treści JSON, aby rozpocząć wdrażanie modelu przepływu pracy aranżacji.

Adres URL żądania

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version={API-VERSION}
Symbol zastępczy Wartość Przykład
{ENDPOINT} Punkt końcowy do uwierzytelniania żądania interfejsu API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Nazwa projektu. Ta wartość jest uwzględniana w wielkości liter. myProject
{DEPLOYMENT-NAME} Nazwa wdrożenia. Ta wartość jest uwzględniana w wielkości liter. staging
{API-VERSION} Wersja wywoływanego interfejsu API. 2023-04-01

Nagłówki

Użyj następującego nagłówka, aby uwierzytelnić żądanie.

Klucz Wartość
Ocp-Apim-Subscription-Key Klucz do zasobu. Służy do uwierzytelniania żądań interfejsu API.

Treść żądania

{
  "trainedModelLabel": "{MODEL-NAME}",
}
Klucz Symbol zastępczy Wartość Przykład
trainedModelLabel {MODEL-NAME} Nazwa modelu, która zostanie przypisana do wdrożenia. Można przypisywać tylko pomyślnie wytrenowane modele. W tej wartości jest uwzględniana wielkość liter. myModel

Po wysłaniu żądania interfejsu API otrzymasz odpowiedź wskazującą 202 powodzenie. W nagłówkach odpowiedzi wyodrębnij operation-location wartość. Zostanie on sformatowany w następujący sposób:

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

Możesz użyć tego adresu URL, aby uzyskać stan zadania wdrożenia.

Pobieranie stanu zadania wdrożenia

Użyj następującego żądania GET , aby uzyskać stan zadania wdrożenia. Zastąp poniższe wartości zastępcze własnymi wartościami.

Adres URL żądania

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
Symbol zastępczy Wartość Przykład
{ENDPOINT} Punkt końcowy uwierzytelniania żądania interfejsu API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Nazwa projektu. W tej wartości jest uwzględniana wielkość liter. myProject
{DEPLOYMENT-NAME} Nazwa wdrożenia. W tej wartości jest uwzględniana wielkość liter. staging
{JOB-ID} Identyfikator lokalizowania stanu trenowania modelu. Jest to wartość nagłówka location odebrana z interfejsu API w odpowiedzi na żądanie wdrożenia modelu. xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx
{API-VERSION} Wersja wywoływanego interfejsu API. 2023-04-01

Nagłówki

Użyj następującego nagłówka, aby uwierzytelnić żądanie.

Klucz Wartość
Ocp-Apim-Subscription-Key Klucz do zasobu. Służy do uwierzytelniania żądań interfejsu API.

Treść odpowiedzi

Po wysłaniu żądania otrzymasz następującą odpowiedź. Kontynuuj sondowanie tego punktu końcowego, dopóki parametr stanu nie zmieni się na "Powodzenie".

{
    "jobId":"{JOB-ID}",
    "createdDateTime":"{CREATED-TIME}",
    "lastUpdatedDateTime":"{UPDATED-TIME}",
    "expirationDateTime":"{EXPIRATION-TIME}",
    "status":"running"
}

Model zapytań

Po wdrożeniu modelu można rozpocząć korzystanie z niego w celu przewidywania za pomocą interfejsu API przewidywania.

Po pomyślnym wdrożeniu można rozpocząć wykonywanie zapytań dotyczących wdrożonego modelu pod kątem przewidywań.

Utwórz żądanie POST przy użyciu następującego adresu URL, nagłówków i treści JSON, aby rozpocząć testowanie modelu przepływu pracy orkiestracji.

Adres URL żądania

{ENDPOINT}/language/:analyze-conversations?api-version={API-VERSION}
Symbol zastępczy Wartość Przykład
{ENDPOINT} Punkt końcowy uwierzytelniania żądania interfejsu API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{API-VERSION} Wersja wywoływanego interfejsu API. 2023-04-01

Nagłówki

Użyj następującego nagłówka, aby uwierzytelnić żądanie.

Klucz Wartość
Ocp-Apim-Subscription-Key Klucz do zasobu. Służy do uwierzytelniania żądań interfejsu API.

Treść żądania

{
  "kind": "Conversation",
  "analysisInput": {
    "conversationItem": {
      "text": "Text1",
      "participantId": "1",
      "id": "1"
    }
  },
  "parameters": {
    "projectName": "{PROJECT-NAME}",
    "deploymentName": "{DEPLOYMENT-NAME}",
    "directTarget": "qnaProject",
    "targetProjectParameters": {
      "qnaProject": {
        "targetProjectKind": "QuestionAnswering",
        "callingOptions": {
          "context": {
            "previousUserQuery": "Meet Surface Pro 4",
            "previousQnaId": 4
          },
          "top": 1,
          "question": "App Service overview"
        }
      }
    }
  }
}

Treść odpowiedzi

Po wysłaniu żądania otrzymasz następującą odpowiedź na przewidywanie!

{
  "kind": "ConversationResult",
  "result": {
    "query": "App Service overview",
    "prediction": {
      "projectKind": "Orchestration",
      "topIntent": "qnaTargetApp",
      "intents": {
        "qnaTargetApp": {
          "targetProjectKind": "QuestionAnswering",
          "confidenceScore": 1,
          "result": {
            "answers": [
              {
                "questions": [
                  "App Service overview"
                ],
                "answer": "The compute resources you use are determined by the *App Service plan* that you run your apps on.",
                "confidenceScore": 0.7384000000000001,
                "id": 1,
                "source": "https://learn.microsoft.com/azure/app-service/overview",
                "metadata": {},
                "dialog": {
                  "isContextOnly": false,
                  "prompts": []
                }
              }
            ]
          }
        }
      }
    }
  }
}

Czyszczenie zasobów

Jeśli projekt nie jest już potrzebny, możesz go usunąć przy użyciu interfejsów API.

Utwórz żądanie DELETE przy użyciu następującego adresu URL, nagłówków i treści JSON, aby usunąć projekt interpretacji języka konwersacji.

Adres URL żądania

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
Symbol zastępczy Wartość Przykład
{ENDPOINT} Punkt końcowy uwierzytelniania żądania interfejsu API. https://<your-custom-subdomain>.cognitiveservices.azure.com
{PROJECT-NAME} Nazwa projektu. W tej wartości jest uwzględniana wielkość liter. myProject
{API-VERSION} Wersja wywoływanego interfejsu API. 2023-04-01

Nagłówki

Użyj następującego nagłówka, aby uwierzytelnić żądanie.

Klucz Wartość
Ocp-Apim-Subscription-Key Klucz do zasobu. Służy do uwierzytelniania żądań interfejsu API.

Po wysłaniu żądania interfejsu API otrzymasz odpowiedź wskazującą 202 powodzenie, co oznacza, że projekt został usunięty.

Następne kroki