O que é a compreensão da linguagem de conversação?

  • Artigo

A compreensão de linguagem de conversação é uma das funcionalidades personalizadas oferecidas pela Linguagem de IA do Azure. É um serviço de API baseado na cloud que aplica machine learning intelligence para lhe permitir criar um componente de compreensão de linguagem natural para ser utilizado numa aplicação de conversação ponto a ponto.

A compreensão de linguagem de conversação (CLU) permite que os utilizadores criem modelos de compreensão de linguagem natural personalizados para prever a intenção geral de uma expressão de entrada e extrair informações importantes da mesma. A CLU fornece apenas a inteligência para compreender o texto de entrada da aplicação cliente e não realiza nenhuma ação. Ao criar um projeto CLU, os programadores podem etiquetar iterativamente expressões, preparar e avaliar o desempenho do modelo antes de o disponibilizarem para consumo. A qualidade dos dados etiquetados afeta significativamente o desempenho do modelo. Para simplificar a criação e personalização do modelo, o serviço oferece um portal Web personalizado que pode ser acedido através do Language Studio. Pode facilmente começar a utilizar o serviço ao seguir os passos neste início rápido.

Esta documentação contém os seguintes tipos de artigo:

  • Os inícios rápidos são instruções de introdução para orientá-lo através da realização de pedidos para o serviço.
  • Os conceitos fornecem explicações sobre as funcionalidades e funcionalidades do serviço.
  • Os manuais de instruções contêm instruções para utilizar o serviço de formas mais específicas ou personalizadas.

Cenários de utilização de exemplo

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

Bot de conversação ponto a ponto

Utilize o CLU para criar e preparar um modelo de compreensão de linguagem natural personalizado com base num domínio específico e nas expressões dos utilizadores esperadas. Integre-o com qualquer bot de conversação ponto a ponto para que possa processar e analisar texto recebido em tempo real para identificar a intenção do texto e extrair informações importantes do mesmo. Peça ao bot para executar a ação pretendida com base na intenção e nas informações extraídas. Um exemplo seria um bot de revenda personalizado para compras online ou encomendas de alimentos.

Bots de assistente Humanos

Um exemplo de um bot de assistente humano é ajudar a equipa a melhorar os compromissos com os clientes ao trilhá-las e atribuí-las ao engenheiro de suporte adequado. Outro exemplo seria um bot de recursos humanos numa empresa que permite que os colaboradores comuniquem em linguagem natural e recebam orientações com base na consulta.

Comando e aplicação de controlo

Quando integra uma aplicação cliente com um componente de conversão de voz em texto, os utilizadores podem falar um comando em linguagem natural para que a CLU processe, identifique a intenção e extraia informações do texto da aplicação cliente para efetuar uma ação. Este caso de utilização tem muitas aplicações, como parar, reproduzir, avançar e rebobinar uma música ou ativar ou desativar as luzes.

Bot de chat empresarial

Numa grande empresa, um chat bot empresarial pode lidar com uma variedade de assuntos de colaboradores. Pode lidar com perguntas mais frequentes servidas por uma base de dados de conhecimento de resposta a perguntas personalizadas, uma competência específica do calendário servida pela compreensão da linguagem de conversação e uma competência de feedback de entrevistas servida pelo LUIS. Utilize o fluxo de trabalho Orchestration para ligar todas estas competências e encaminhar adequadamente os pedidos recebidos para o serviço correto.

Ciclo de vida de desenvolvimento de projetos

Normalmente, a criação de um projeto CLU envolve vários passos diferentes.

O ciclo de vida de desenvolvimento

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

  1. Definir o esquema: conheça os seus dados e defina as ações e informações relevantes que têm de ser reconhecidas a partir das expressões de entrada do utilizador. Neste passo, vai criar as intenções que pretende atribuir às expressões do utilizador e as entidades relevantes que pretende extrair.

  2. Etiquetar os seus dados: a qualidade da etiquetagem de dados é um fator chave para determinar o desempenho do modelo.

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

  4. Ver o desempenho do modelo: veja os detalhes de avaliação do modelo para determinar o desempenho do mesmo quando introduzido em novos dados.

  5. Melhorar o modelo: depois de rever o desempenho do modelo, pode aprender como pode melhorar o modelo.

  6. Implementar o modelo: implementar um modelo disponibiliza-o para utilização através da API de Runtime.

  7. Prever intenções e entidades: utilize o modelo personalizado para prever intenções e entidades das expressões do utilizador.

Documentação de referência e exemplos de código

À medida que utiliza o CLU, veja a seguinte documentação de referência e exemplos para a Linguagem de IA do Azure:

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

IA Responsável

Um sistema de IA inclui não só a tecnologia, mas também as pessoas que a utilizarão, as pessoas que serão afetadas pela mesma e o ambiente em que é implementada. Leia a nota de transparência da CLU para saber mais sobre a utilização e implementação responsáveis de IA nos seus sistemas. Também pode ver os seguintes artigos para obter mais informações:

Passos seguintes