Compartilhar via


O que é a compreensão da linguagem coloquial?

A compreensão da linguagem de conversação é um dos recursos personalizados oferecidos pela Linguagem de IA do Azure. É um serviço de API baseado em nuvem que aplica inteligência de aprendizado de máquina para permitir que você compile um componente de reconhecimento 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. Ao criar um projeto de CLU, os desenvolvedores poderão rotular enunciados iterativamente, além de treinar e avaliar o desempenho do modelo antes de disponibilizá-lo para consumo. 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 Language Studio. 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 que orientam sobre como fazer solicitações ao serviço.
  • Os conceitos fornecem explicações sobre a funcionalidade e os recursos do serviço.
  • Os guias de instruções contêm instruções de uso do serviço de maneiras mais específicas ou personalizadas.

Cenários de uso de exemplo

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

Bot conversacional de ponta a ponta

Use a CLU para compilar e treinar um modelo de compreensão de linguagem natural personalizado com base em um domínio específico e nos enunciados dos usuários esperados. Integre-a a qualquer bot de conversa de ponta a ponta para processar e analisar o texto de entrada em tempo real para identificar a intenção do texto e extrair informações importantes. Faça com que o bot execute 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.

Bots de assistente humano

Um exemplo de um bot de assistente humano é ajudar a equipe a melhorar a participação dos clientes, triando consultas de clientes e atribuindo-as ao engenheiro de suporte apropriado. Outro exemplo seria um bot de recursos humanos em uma empresa que permite que os funcionários se comuniquem em linguagem natural e recebam orientações com base na consulta.

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

Em uma grande corporação, um chatbot empresarial pode lidar com diversos assuntos de funcionários. Ele pode identificar perguntas frequentes fornecidas por uma base de dados de conhecimento de respostas às perguntas personalizadas, uma habilidade específica do calendário fornecida pela compreensão da linguagem coloquial e uma habilidade de comentários de entrevista fornecida pelo LUIS. Use o fluxo de trabalho de Orquestração para conectar todas essas habilidades e rotear adequadamente as solicitações de entrada para o serviço correto.

Ciclo de vida de desenvolvimento do projeto

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

O ciclo de vida de desenvolvimento

Siga estas etapas para aproveitar seu modelo ao máximo:

  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 documentação de referência e os exemplos a seguir para a Linguagem de IA do Azure:

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

IA responsável

Um sistema de IA inclui não apenas a tecnologia, mas também as pessoas que a usarão, as pessoas que serão afetadas por ela e o ambiente em que ela foi implantada. Leia o artigo sobre a compreensão da linguagem coloquial para saber mais sobre o uso e a implantação responsáveis de IA em seus sistemas. Você também pode conferir os artigos a seguir para saber mais:

Próximas etapas