Compartilhar via

O que é a compreensão da linguagem coloquial?

A compreensão da linguagem conversacional é um dos recursos personalizados oferecidos pelo Azure Language. É um serviço de API baseado em nuvem que aplica inteligência de aprendizado de máquina para permitir que você crie um componente de compreensão de linguagem natural a ser usado em um aplicativo de conversa de ponta a ponta.

A CLU (compreensão da linguagem coloquial) permite que os usuários compilem modelos de compreensão de linguagem natural personalizados para prever a intenção geral de um enunciado de entrada e extrair informações importantes. A CLU fornece apenas a inteligência para entender o texto de entrada do aplicativo cliente e não executa nenhuma ação. Os desenvolvedores podem rotular iterativamente enunciados, treinar e avaliar o desempenho do modelo antes de disponibilizá-lo para consumo criando um projeto CLU. A qualidade dos dados rotulados afeta profundamente o desempenho do modelo. Para simplificar a criação e a personalização do modelo, o serviço oferece um portal da Web personalizado que pode ser acessado por meio do Microsoft Foundry. Para começar a usar o serviço com facilidade, siga as etapas neste guia de início rápido.

Esta documentação contém os seguintes tipos de artigos:

  • Os guias de início rápido são instruções de introdução para orientar você a fazer solicitações para o serviço.
  • Os conceitos fornecem explicações sobre a funcionalidade e os recursos do serviço.
  • Os guias de instruções contêm instruções para usar o serviço de maneiras mais específicas ou personalizadas.

Cenários de uso de exemplo

A CLU pode ser usada em vários cenários em vários setores. Alguns exemplos são:

Conversas de vários turnos 🆕

Use a CLU com o preenchimento de slot de entidade para habilitar a coleta de informações naturais e progressivas em várias rodadas de conversa. Em vez de sobrecarregar usuários com formulários complexos, seu aplicativo pode coletar detalhes necessários à medida que eles surgem naturalmente no diálogo. Essa abordagem é ideal para cenários como sistemas de reserva, fluxos de trabalho de atendimento ao cliente ou qualquer aplicativo em que informações completas precisem ser coletadas por meio de trocas de conversa.

Bot conversacional de ponta a ponta

Use a CLU para criar e treinar um modelo de compreensão de linguagem natural personalizado adaptado a um domínio específico e aos enunciados dos usuários esperados. Em seguida, você pode conectar essa solução a qualquer bot de conversa de ponta a ponta. Esse processo permite que o bot manipule e interprete mensagens de entrada em tempo real. Essa integração permite que o bot determine a intenção do usuário e extraia informações importantes da conversa como ela acontece. O bot executa a ação desejada com base na intenção e nas informações extraídas. Um exemplo seria um bot de varejo personalizado para compras online ou pedidos de comida.

Ao combiná-lo com uma estrutura de bot de conversa abrangente, o sistema é capaz de analisar o texto instantaneamente, identificar com precisão as intenções do usuário e extrair detalhes relevantes para processamento adicional.

Bots de assistente humano

Um bot de assistente humano pode aprimorar o atendimento ao cliente classificando consultas de clientes e direcionando-as para o engenheiro de suporte certo. Da mesma forma, em um ambiente corporativo, um bot de recursos humanos permite que os funcionários façam perguntas no idioma cotidiano e recebam orientações relevantes com base em suas solicitações.

Aplicativo de comando e controle

Quando você integra um aplicativo cliente com um componente de conversão de fala em texto, os usuários podem falar um comando em linguagem natural para que a CLU processe, identifique a intenção e extraia informações do texto para que o aplicativo cliente execute uma ação. Esse caso de uso tem muitos aplicativos, como parar, reproduzir, encaminhar e retroceder uma música ou ativar ou desativar as luzes.

Chatbot Enterprise

Dentro de uma grande corporação, o chatbot empresarial lida ativamente com uma ampla gama de assuntos de funcionários. Os funcionários dependem do chatbot para responder às perguntas frequentes, baseando-se em uma base de dados de conhecimento personalizada de resposta a perguntas. Quando os usuários interagem com seus calendários, o chatbot usa uma habilidade específica do calendário alimentada pela compreensão da linguagem de conversação. Os funcionários também se beneficiam de uma capacidade de feedback de entrevista, que funciona através da CLU. O fluxo de trabalho de Orquestração conecta perfeitamente essas habilidades, garantindo que cada solicitação seja roteada diretamente para o serviço apropriado.

Ciclo de vida de desenvolvimento do projeto

A criação de um projeto de CLU normalmente envolve várias etapas diferentes.

Gráfico do caminho de implantação rápida alimentado por LLM.

Note

Na Fábrica, você cria uma tarefa de ajuste fino como seu espaço de trabalho para personalizar seu modelo de CLU. Anteriormente, uma tarefa de ajuste fino da CLU era conhecida como um projeto da CLU. Você pode ver esses termos usados de forma intercambiável na documentação herdada da CLU.

A CLU oferece dois caminhos para você aproveitar ao máximo sua implementação.

Opção 1 (implantação rápida com LLM):

  1. Definir o esquema: conheça seus dados e defina as ações e informações relevantes que precisam ser reconhecidas dos enunciados de entrada de usuário. Nesta etapa, você cria as intenções e fornece uma descrição detalhada sobre o significado de suas intenções que deseja atribuir aos enunciados do usuário.

  2. Implante o modelo: implantar um modelo com a configuração de treinamento baseada em LLM o disponibiliza para uso por meio da API de Runtime.

  3. Prever intenções e entidades: use sua implantação de modelo personalizado para prever intenções personalizadas e entidades predefinidas dos enunciados do usuário.

Opção 2 (modelo de aprendizado de máquina personalizado)

Siga estas etapas para tirar o máximo proveito do seu modelo treinado:

  1. Definir o esquema: conheça seus dados e defina as ações e informações relevantes que precisam ser reconhecidas dos enunciados de entrada de usuário. Nesta etapa, você cria as intenções que deseja atribuir aos enunciados do usuário e as entidades relevantes que deseja extrair.

  2. Rotular os seus dados: a qualidade da rotulagem de dados é fundamental para determinar o desempenho do modelo.

  3. Treinar o modelo: o modelo começa a aprender com os dados rotulados.

  4. Exibir detalhes de desempenho do modelo: veja os detalhes de avaliação do modelo para determinar o desempenho dele diante de novos dados.

  5. Aprimorar o modelo: depois de examinar o desempenho do modelo, você poderá aprender como aprimorar o modelo.

  6. Implantar o modelo: a implantação de um modelo o disponibiliza para uso por meio da API de runtime.

  7. Prever intenções e entidades: use seu modelo personalizado para prever intenções e entidades dos enunciados do usuário.

Documentação de referência e exemplos de código

Ao usar a CLU, consulte a seguinte documentação de referência e exemplos para a Linguagem do Azure:

Opção/idioma de desenvolvimento Documentação de referência Samples
APIs REST (Criação) Documentação da API REST
APIs REST (Runtime) Documentação da API REST
C# (Tempo de Execução) Documentação do C# Exemplos de C#
Python (Ambiente de Execução) Documentação do Python Exemplos do Python

IA responsável

Um sistema de IA inclui a tecnologia, os indivíduos que operam o sistema, as pessoas que experimentam seus efeitos e o ambiente mais amplo em que o sistema funciona, todos desempenham um papel. Leia a nota de transparência da CLU para saber mais sobre o uso responsável da IA e a implantação em seus sistemas.

Próximas etapas

  • Last updated on