Najlepsze rozwiązania encji i wypełniania miejsc w Copilot Studio

Czym jest wypełnianie miejsca?

Wypełnianie miejsc na wartość jest powiązane z używaniem encji, które pozwalają pomocnikowi łatwiej zdobywać i używać informacje przez ich identyfikowanie i wyodrębnianie z zapytania użytkownika.

Zazwyczaj pomocnik potrzebuje wielu fragmentów informacji od użytkownika, aby wykonać swoją pracę. Aby uzyskać te informacje, przeważnie zadasz oddzielne pytania, jedno dla każdego faktu, którego potrzebuje pomocnik. Podczas używania encji w pytaniach Copilot Studio wykrywa wymagane informacje i pominie pytania, w których będzie można zidentyfikować informacje w wyzwalaniu zapytania użytkownika.

Na przykład, gdy użytkownik pyta:

Chcę zamówić 3 duże niebieskie podkoszulki

Naturalne rozumienie języka (NLU) Copilot Studio może natychmiast zrozumieć:

• Tematem jest Zamówienie.
• Ilość to 3.
• Kolor to niebieski.
• Typ elementu to Podkoszulka.

Pomocnik może następnie pominąć niepotrzebne pytania. Jeśli brakuje pewnych informacji, na przykład Rozmiar, przed kontynuowaniem zada pytania bez odpowiedzi. Wypełnianie miejsca na wartość pozwala pomocnikowi na pozyskiwanie i używanie informacji w sposób łatwy i zmniejsza liczbę pytań, które trzeba zadawać.

Najpierw należy zdefiniować encje, których chcesz użyć, i ich typy.

Określanie encji

Copilot Studio udostępnia kilka wbudowanych encji dla najczęściej spotykanych spraw,takich jak Poczta e-mail, Data i godzina, Nazwa osoby, Numer telefonu, Kolor, Kraj, Miejscowość, Numer Pieniądze i inne.

Encje wbudowane są zaawansowane, ponieważ mogą obsługiwać wiele różnych form, w takich informacje są pobierane. Na przykład podczas rozmowy przy użyciu wartości Pieniądze użytkownik może wprowadzić wartość o wartości „100 zł”, „setki złotych” lub „100 złotych”. W modelu NLU w Copilot Studio dedukuje, że wartość pieniężna wynosi 100 dolarów.

Napiwek

Jednak wartości są wprowadzane, jeśli są wymagane w przypadku pytań w przepływie konwersacji, są one przechowywane w zmiennych, których można ponownie używać.

Na przykład w poprzednim przykładzie można zdefiniować własne encje niestandardowe, takie jak Typ elementu. Encje niestandardowe mogą mieć dwa typy:

• Zamknięta lista: dla wstępnie zdefiniowanej listy wartości.
• Regularne wyrażenia (RegEx): aby uzyskać informacje pasujące do określonego wzorca. RegEx jest idealne, gdy trzeba przechwytywać dane, które zawsze mają ten sam format (na przykład INC00001 dla numeru biletu)

Ulepszanie środowiska użytkownika

Korzystanie z obiektów ułatwia pracę, umożliwiając Copilot Studio bardziej inteligentne zbieranie informacji na temat zapytań użytkowników. Co więcej, ułatwia to użytkownikom dostęp do informacji, ponieważ encje mogą znajdować i przechowywać informacji na temat zapytań użytkowników, a następnie udostępniać w dalszej części rozmowy. Encje poprawiają interfejs użytkownika — interfejs użytkownika jest inteligentniejszy — i użycie ich w miarę możliwości stanowi najlepsze rozwiązanie.

Najlepsze rozwiązania encji

Użyj synonimów

Do wartości zamkniętych encji listy można dodać synonimy, aby ręcznie rozwinąć logikę dopasowania dla poszczególnych elementów na liście encji. Na przykład w elemencie trekking można dodać jako synonimy trekking i wędrówki.

Napiwek

• Używanie synonimów może także ułatwić wyzwolenie tematu, ponieważ zwiększa się wagę wyrażenia wyzwalania, dodając pokrewne wyrazy jako synonimy zawierającej je encji. Na przykład dla opcji „Skarga” dodaj podobne ujemne wyrazy lub frazy jako synonimy.
• Model NLU generalizuje także wszystkie odmiany encji (czyli wszystkie ich wartości i ich synonimy), na przykład temat wyzwolić frazę zawiera co najmniej jedną odmianę tego obiektu. Innymi słowy, pomocnicy powinni zawierać przykład wyrażenia wyzwalanego z użyciem tego obiektu dla encji w celu generalizować inne odmiany encji.

Włącz inteligentne dopasowywanie

Dla każdej zamkniętej encji listy można również włączyć funkcję inteligentnego dopasowywania.

Inteligentne dopasowywanie jest częścią analizy obsługiwanej przez model NLU pomocnika. Po włączeniu tej opcji pomocnik interpretuje dane wejściowe użytkownika, używając logiki rozmytej opartej na elementach wyświetlonych w encji.

W szczególności pomocnik będzie automatycznie poprawiać literówki i rozszerzać logikę dopasowania. Na przykład pomocnik może automatycznie dopasować wyraz „softball” do „baseball”.

Użyj wyobraźni dla wyrażeń regularnych

Czasami wyodrębnienie encji z zapytania użytkownika może powodować nieporozumienia dotyczące modelu NLU, zwłaszcza gdy w zapytaniu użytkownika występuje kilka encji tego samego typu.

Na przykład, jeśli użytkownik mówi:

czy do pokoju 101 możecie przynieść 2 ręczniki i 1 poduszkę

Użycie wbudowanej encji Liczba oznaczałoby błąd między 2, 1 i 101. Aby uniknąć tego nieporozumień, można zdefiniować następujące encje wyrażenia zwykłego:

• Ilość ręczników: [1–9] ręcznik
• Ilość poduszek: [1–9] poduszka
• Numer pokoju: [0–9]{3}

Alternatywa dla encji do przechowywania danych o odwołującej się jednostce

W przypadku dużych lub zmieniających się zestawów danych (na przykład listy produktów lub klientów) zamiast encji zamkniętych list Copilot Studio można używać źródeł zewnętrznych. Należy przekazać dane użytkownika do usługi zewnętrznej przy użyciu Power Automate przepływu w chmurze.

Logika temat może następnie sprawdzić poprawność wyniku (lub poprosić użytkownika o zweryfikowanie go) przed przejściem do przodu w rozmowie.

Dataverse jest dobrym rozwiązaniem do przechowywania takich danych, ponieważ ma wbudowane funkcje wyszukiwania Dataverse, które obsługuje dopasowanie do najlepszych wyników oraz wynik zaufania. Nawet jeśli użytkownik szuka z pełnym zdaniem, może pobrać potencjalne dopasowania.

Porada

Aby przejrzeć przykładową implementację, zobacz Zwrot listy wyników.