Compartilhar via


Design com intenção e modelos de entidade

Importante

O LUIS será desativado em 1º de outubro de 2025 e, a partir de 1º de abril de 2023, você não poderá criar novos recursos do LUIS. É recomendável migrar seus aplicativos LUIS para a compreensão da linguagem coloquial a fim de usufruir do suporte contínuo ao produto e dos recursos multilíngues.

O reconhecimento de linguagem apresenta dois tipos de modelos para que você defina o esquema do aplicativo. O esquema do seu aplicativo determina quais informações você recebe da previsão de um novo enunciado do usuário.

O esquema do aplicativo é criado com base nos modelos que você cria usando machine teaching:

A criação usa machine teaching

A metodologia de machine teaching do LUIS permite que você ensine conceitos facilmente a um computador. Não é necessário entender o machine learning para usar o LUIS. Em vez disso, você como professor comunica um conceito ao LUIS, apresentando exemplos do conceito e explicando como um conceito deve ser modelado usando outros conceitos relacionados. Como professor, você também pode aprimorar o modelo do LUIS interativamente, identificando e corrigindo erros de previsão.

Enunciados de classificação de intenções

Uma intenção classifica os exemplos de enunciado para ensinar o LUIS sobre a intenção. Os exemplos de enunciado de uma intenção são usados como exemplos positivos do enunciado. Esses mesmos enunciados são usados como exemplos negativos em todas as outras intenções.

Considere um aplicativo que precisa determinar a intenção de um usuário para solicitar um livro e um aplicativo que precisa do endereço de envio do cliente. Esse aplicativo tem duas intenções: OrderBook e ShippingLocation.

O seguinte enunciado é um exemplo positivo da intenção OrderBook e um exemplo negativo das intenções ShippingLocation e None:

Buy the top-rated book on bot architecture.

Dados de extração de entidades

Uma entidade representa uma unidade de dados que você deseja extrair do enunciado. Uma entidade de machine learning é uma entidade de nível superior que contém subentidades, que também são entidades de machine learning.

Um exemplo de uma entidade de machine learning é o pedido de uma passagem aérea. Conceitualmente, essa é uma transação individual com muitas unidades menores de dados, como data, hora, quantidade de assentos, tipo de assento (como primeira classe ou econômica), localização de origem, localização de destino e escolha de refeição.

Intenções x entidades

Uma intenção é o resultado desejado de todo o enunciado, enquanto as entidades são dados extraídos do enunciado. Geralmente, as intenções são vinculadas a ações que o aplicativo cliente deve realizar. As entidades são as informações necessárias para realizar essa ação. De uma perspectiva de programação, uma intenção acionaria uma chamada de método e as entidades seriam usadas como parâmetros para essa chamada de método.

Este enunciado deve ter uma intenção e pode ter entidades:

Buy an airline ticket from Seattle to Cairo

Este enunciado tem uma só intenção:

  • Comprar uma passagem aérea

Este enunciado pode ter várias entidades:

  • Locais de Seattle (origem) e Cairo (destino)
  • A quantidade de uma só passagem

Decomposição dos modelos de entidades

O LUIS dá suporte à decomposição de modelos com as APIs de criação, dividindo um conceito em partes menores. Isso permite que você crie os seus modelos com confiança em como as várias partes são construídas e previstas.

A decomposição de modelos tem as seguintes partes:

Recursos

Um recurso é uma característica ou um atributo específico de dados que o seu sistema observa. Os recursos de machine learning dão ao LUIS dicas importantes de onde procurar aspectos que diferenciam um conceito. O LUIS pode usar dicas, mas não regras fixas. Essas dicas são usadas em conjunto com as etiquetas para localizar os dados.

Padrões

Os padrões foram criados para aumentar a precisão quando vários enunciados são muito parecidos. Um padrão permite que você alcance maior precisão para uma intenção sem fornecer muitos enunciados a mais.

Estendendo o aplicativo no runtime

O esquema do aplicativo (modelos e recursos) é treinado e publicado no ponto de extremidade de previsão. Você pode transmitir novas informações junto ao enunciado do usuário para o ponto de extremidade de previsão para aumentar a previsão.

Próximas etapas