Partilhar via

O que é a compreensão da linguagem conversacional?

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 crie um componente de compreensão de linguagem natural para ser usado em um aplicativo de conversação de ponta a ponta.

A compreensão de linguagem conversacional (CLU) permite que os usuários criem modelos personalizados de compreensão de linguagem natural para prever a intenção geral de um enunciado de entrada e extrair informações importantes dele. A CLU fornece apenas a inteligência para entender o texto de entrada para o aplicativo cliente e não executa nenhuma ação. Ao criar um projeto CLU, os desenvolvedores podem rotular iterativamente os enunciados, treinar e avaliar o desempenho do modelo antes de disponibilizá-lo para consumo. A qualidade dos dados rotulados afeta muito o desempenho do modelo. Para simplificar a criação e a personalização do seu modelo, o serviço oferece um portal Web personalizado que pode ser acedido através do Azure AI Foundry. Você pode facilmente começar com o serviço seguindo as etapas neste início rápido.

Esta documentação contém os seguintes tipos de artigo:

  • Os guias de introdução rápida são instruções de introdução para guiá-lo na realização de solicitações ao 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.

Exemplos de cenários de utilização

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

Bot conversacional de ponta a ponta

Use a CLU para criar e treinar um modelo personalizado de compreensão de linguagem natural com base em um domínio específico e nos enunciados esperados dos usuários. Integre-o com qualquer bot de conversação de ponta a ponta para que ele possa processar e analisar o texto recebido em tempo real para identificar a intenção do texto e extrair informações importantes dele. 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 on-line ou pedidos de comida.

Bots assistentes humanos

Um exemplo de um bot assistente humano é ajudar a equipe a melhorar os compromissos com os clientes, triando as consultas dos 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 orientação com base na consulta.

Aplicação de comando e controlo

Quando você integra um aplicativo cliente com um componente de fala para texto, os usuários podem falar um comando em linguagem natural para a CLU processar, identificar a intenção e extrair informações do texto para que o aplicativo cliente execute uma ação. Este caso de uso tem muitas aplicações, como parar, reproduzir, avançar e retroceder uma música ou ligar ou desligar luzes.

Bot de chat corporativo

Em uma grande corporação, um bot de bate-papo corporativo pode lidar com vários assuntos de funcionários. Pode lidar com perguntas frequentes atendidas por uma base de conhecimento de resposta a perguntas personalizadas, uma habilidade específica para o calendário apoiada pela compreensão da linguagem conversacional e uma habilidade de feedback de entrevista gerida pelo LUIS. Use o fluxo de trabalho do Orchestration para conectar todas essas habilidades e rotear adequadamente as solicitações recebidas para o serviço correto.

Agentes

A CLU é utilizada pelo modelo de agente de roteamento de intenção, que deteta a intenção do utilizador e fornece uma resposta precisa. Perfeito para roteamento determinístico de intenção e respostas precisas a perguntas sob controle humano.

Ciclo de vida de desenvolvimento do projeto

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

Gráfico do caminho de implantação rápida alimentado por LLM.

Observação

No Azure AI Foundry, você criará uma tarefa de ajuste fino como seu espaço de trabalho para personalizar seu modelo de CLU. Anteriormente, uma tarefa de ajustamento fino da CLU era chamada de projeto CLU. É possível encontrar esses termos usados indistintamente na documentação antiga da CLU.

A CLU oferece dois caminhos para você tirar o máximo proveito de sua implementação.

Opção 1 (implantação rápida com tecnologia LLM):

  1. Defina seu esquema: conheça seus dados e defina as ações e informações relevantes que precisam ser reconhecidas a partir dos enunciados de entrada do 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. Implantar o modelo: a implantação de um modelo com a configuração de treinamento baseada em LLM o torna disponível para uso por meio da API de tempo de execução.

  3. Prever intenções e entidades: use sua implantação de modelo personalizado para prever intenções personalizadas e entidades pré-criadas a partir das declarações do usuário.

Opção 2 (Modelo personalizado de aprendizado de máquina)

Siga estes passos para tirar o máximo partido do seu modelo treinado:

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

  2. Rotule seus dados: a qualidade da rotulagem de dados é um fator-chave para determinar o desempenho do modelo.

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

  4. Visualize o desempenho do modelo: visualize os detalhes da avaliação do seu modelo para determinar o seu desempenho quando introduzido a novos dados.

  5. Melhorar o modelo: Depois de analisar o desempenho do modelo, você pode aprender como pode melhorá-lo.

  6. Implantar o modelo: A implantação de um modelo disponibiliza-o para uso por meio da API de tempo de execução.

  7. Prever intenções e entidades: use seu modelo personalizado para prever intenções e entidades a partir das declarações do usuário.

Documentação de referência e exemplos de código

Ao usar a CLU, consulte a seguinte documentação de referência e exemplos para o Azure AI Language:

Opção de desenvolvimento / linguagem Documentação de referência Exemplos
APIs REST (Elaboração) Documentação da API REST
APIs REST (tempo de execução) Documentação da API REST
C# (Tempo de execução) Documentação em C# Exemplos de C#
Python (Tempo de execução) Documentação Python Amostras de Python

IA responsável

Um sistema de IA inclui não apenas a tecnologia, mas também as pessoas que a usam, as pessoas que são afetadas por ela e o ambiente em que é implantado. Leia a nota de transparência da CLU para saber mais sobre o uso e a implantação responsáveis de IA em seus sistemas. Você também pode ver os seguintes artigos para obter mais informações:

Próximos passos