Optymalizacja fraz wyzwalających i zrozumienie języka naturalnego

  • Artykuł

Ważne

Możliwości i funkcje Power Virtual Agents są teraz częścią Microsoft Copilot Studio w wyniku znacznych inwestycji w generatywną AI i poprawioną integracje z Microsoft Copilot.

Niektóre artykuły i zrzuty ekranów mogą odwoływać się do Power Virtual Agents podczas aktualizowania dokumentacji i zawartości szkoleniowej.

Czym są wyzwalane frazy w programie Microsoft Copilot Studio

  • Frazy wyzwalające szkolą proces poznania języka naturalnego (NLU) pomocnika.

  • Frazy wyzwalane są skonfigurowane na temat i wskazują pomocnikom, dla jakich typowych użytkowników powinny być wyzwalane określone tematy.

  • Wyzwolenie fraz zazwyczaj przechwytywanie przez użytkownika końcowego pytań dotyczących problemu. Na przykład „problem z chwastami na trawniku”

Napiwek

Podczas tworzenia nowego tematu twórca musi podać tylko kilka przykładowych fraz (najlepiej od pięciu do dziesięciu). Podczas korzystania z pomocnika AI przejmie analizę informacji, które podaje użytkownik, i wyzwoli temat znaczenie dla użytkownika.

Ważność kontekstu wyzwalania

Microsoft Copilot Studio NLU zachowuje się inaczej w zależności od stanu rozmowy, co może czasami powodować różne zachowania dla tego samego użytkownika.

Poniżej przedstawiono różne stany konwersacji:

  • Początek rozmowy: pomocnik nie ma kontekstu, więc może się także odpowiedzieć na pytanie dotyczące użytkownika: wyzwolić temat bezpośrednio (IntentRecognition), wyzwolić wartość „czy masz na myśli” (Dopasowano wiele tematów) (IntentCadidates), jeśli istnieje wiele pasujących tematów (UnknownIntent) lub jeśli cel nie zostanie rozpoznany.
  • Po wyzwoleniu wartości „czy masz na myśli” (wiele dopasowanych tematów): NLU optymalizuje dopasowanie do jednego z sugerowanych tematów i powoduje przejście z większych progów poza przedstawione opcje.
  • Przełączenie się z bieżącego tematu: Jeśli NLU próbuje wypełnić miejsce W temacie, a użytkownik udziela zapytania użytkownika, które może wyzwolić inny temat (temat przełączenia).

O znakach interpunkcyjnych

Model NLU nie rozpoznaje znaków interpunkcyjnych, w tym pytajników.

Tworzenie nowych fraz wyzwalających

Jeśli jest to możliwe, należy rozpocząć od rzeczywistych danych produkcyjnych nad tworzeniem własnych fraz wyzwalających. Najlepszymi frazami wyzwalania są takie, które są podobne do danych rzeczywistych pochodzących od użytkowników końcowych. Te frazy należy do tych, które użytkownicy pytają wdrożonego pomocnika.

Nie trzeba oddawać określonych wyrazów: model jest tak zaprojektowany, aby miał mniejszą wagę do niepotrzebnych słów, takich jak zatrzymanie słów (wyrazy filtrowane przed przetwarzaniem danych języka naturalnego z powodu nieważności).

Optymalizacja fraz wyzwalających

# Napiwek Przykłady
1 Wyzwól co najmniej 5–10 fraz na temat
Iteruj i dodawaj więcej informacji od użytkowników.		 Znajdowanie najbliższego sklepu
Sprawdź lokalizację sklepu
Znajdź sklep
Znajdź swoją najbliższą lokalizację
Sklepy w okolicy
2 Różne struktury zdań i kluczowe terminy
W modelu są automatycznie rozważane odmiany tych fraz.		 Kiedy jesteście zamknięci
Codzienne godziny otwarcia
3 Używaj krótkich fraz wyzwalających
Mniej niż 10 słów.		 Kiedy jesteście otwarci
4 Unikanie jedno-słownych fraz wyzwalających
Zwiększa wagę w przypadku określonych wyrazów w wyzwalaniu tematu.
Może to wprowadzić nieporozumienia między podobnymi tematami.		 Przechowuj
5 Użyj pełnych fraz Czy mogę porozmawiać z prawdziwym przedstawicielem
6 Używaj unikatowych czasowników i rzeczowników lub ich kombinacji Potrzebuję obsługi klienta
Chcę porozmawiać z konsultantem
7 Należy unikać używania tej samej odmiany encji
Nie trzeba korzystać z wszystkich przykładów z wartości encji.
W NLU automatycznie są rozważane wszystkie odmiany.		 Chcę zamówić hamburgera
Chcę zamówić pizzę
Chcę skrzydełka

Równoważ liczbę fraz uruchamianych na temat

Spróbuj zrównoważyć liczbę fraz uruchamianych między tematami.

Napiwek

Dzięki temu funkcje usługi NLU nie nadpiszą ustawienia tematu względem innego na podstawie skonfigurowanych fraz wyzwalania.

Ocenianie wpływu zmian

Podczas aktualizowania fraz uruchamiających lub scalania lub podziału tematów istnieje kilka sposobów oceny zmian:

  • Bezpośrednia zmiana zachowania pomocnika, którą można sprawdzić za pomocą kanwy „test pomocnika” (na przykład kanwę temat, która teraz wyzwala lub nie jest oparta na aktualizacjach wyrażenia wyzwalanego).
  • Zmiana po wdrożeniu pomocnika i ruchu wychodzącego, która przetłumaczy na niższą lub wyższą wartość deflacji (bez eskalacji). Można to sprawdzić na karcie Analiza w Microsoft Copilot Studio.

Napiwek

Użytkownik może przetestować temat i sposób wykonywania modelu NLU w stosunku do danych testowych zbiorczo, korzystając z mechanizmu Copilot Test Framework.

Pomimo tego, że podstawowe funkcjonalności i komponenty użyte do budowy Copilot Test Framework (takie jak API Direct Line) są w pełni wspierane, sam program Copilot Test Framework reprezentuje przykładowe implementacje tych funkcjonalności.

Nasi klienci i społeczność mogą używać i dostosowywać Copilot Test Framework w celu zaimplementowania testowania zbiorczego. Jeśli problemy występuje w programie Copilot Test Framework, należy go tutaj zgłosić: https://aka.ms/PVASamples. (Dział pomocy technicznej firmy Microsoft nie może pomóc w rozwiązywaniu problemów związanych z tymi próbkami, ale będzie mógł pomóc z powiązanymi problemami dot. podstawowymi składnikami platform i funkcji.)

Najlepsze rozwiązania encji i wypełniania miejsc