O que é a compreensão da linguagem conversacional?

A compreensão da linguagem de conversação é uma das características personalizadas oferecidas pelo Azure Cognitive Service for Language. É um serviço de API baseado em nuvem que aplica inteligência de aprendizagem automática para permitir que você construa componente de compreensão de linguagem natural para ser usado em uma aplicação de conversação de ponta a ponta.

A compreensão da linguagem de conversação (CLU) permite que os utilizadores construam modelos de compreensão de linguagem natural personalizada para prever a intenção geral de uma proclamação de entrada e extrair informações importantes daí resultantes. A CLU apenas fornece a inteligência para entender o texto de entrada para a aplicação do cliente e não realiza quaisquer ações. Ao criar um projeto CLU, os desenvolvedores podem etiquetar iterativamente expressões, treinar e avaliar o desempenho do modelo antes de disponibilizá-lo para consumo. A qualidade dos dados rotulados tem um grande impacto no desempenho do modelo. Para simplificar a construção e personalização do seu modelo, o serviço oferece um portal web personalizado que pode ser acedido através do estúdio Language. Pode começar facilmente com o serviço seguindo os passos neste arranque rápido.

Esta documentação contém os seguintes tipos de artigos:

  • Os quickstarts estão a iniciar instruções para guiá-lo através da realização de pedidos ao serviço.
  • Os conceitos fornecem explicações sobre a funcionalidade e funcionalidades do serviço.
  • Os guias de como fazer contêm instruções para a utilização do serviço de formas mais específicas ou personalizadas.

Cenários de utilização de exemplo

A CLU pode ser usada em vários cenários através de uma variedade de indústrias. Alguns exemplos incluem:

Bot de conversação de ponta a ponta

Utilize a CLU para construir e treinar um modelo de compreensão de linguagem natural personalizado baseado num domínio específico e nas expressões esperadas dos utilizadores. Integre-o com qualquer bot de conversação de ponta a ponta para que possa processar e analisar o texto em tempo real para identificar a intenção do texto e extrair informações importantes do mesmo. Faça com que o bot execute a ação desejada com base na intenção e na informação extraída. Um exemplo seria um bot de retalho personalizado para compras on-line ou pedidos de comida.

Bots assistentes humanos

Um exemplo de um robô assistente humano é ajudar o pessoal a melhorar os compromissos com os clientes, triagem das consultas dos clientes e atribuindo-as ao engenheiro de suporte apropriado. Outro exemplo seria um bot de recursos humanos numa empresa que permite aos colaboradores comunicarem em linguagem natural e receberem orientação com base na consulta.

Aplicação de comando e controlo

Quando integra uma aplicação do cliente com uma componente de voz para texto, os utilizadores podem falar um comando em linguagem natural para a CLU processar, identificar intenção e extrair informações do texto para a aplicação do cliente realizar uma ação. Este caso de utilização tem muitas aplicações, tais como parar, tocar, avançar e rebobinar uma música ou acender ou apagar as luzes.

Bot de chat da empresa

Numa grande empresa, um robô de chat da empresa pode lidar com uma variedade de assuntos de empregados. Pode lidar com perguntas frequentes servidas por uma pergunta personalizada que responde base de dados de conhecimento, uma habilidade específica do calendário servida pela compreensão da linguagem conversacional, e uma habilidade de feedback de entrevista servida por LUIS. Utilize o fluxo de trabalho da Orquestração para ligar todas estas competências em conjunto e encaminhar adequadamente os pedidos de entrada para o serviço correto.

Ciclo de vida de desenvolvimento de projetos

A criação de um projeto CLU envolve tipicamente vários passos diferentes.

O ciclo de vida do desenvolvimento

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

  1. Defina o seu esquema: Conheça os seus dados e defina as ações e informações relevantes que precisam de ser reconhecidas a partir das declarações de entrada do utilizador. Neste passo cria-se as intenções que pretende atribuir às declarações dos utilizadores e às entidades relevantes que pretende extrair.

  2. Rotular os seus dados: A qualidade da rotulagem dos dados é um fator chave para determinar o desempenho do modelo.

  3. Treine o modelo: O seu modelo começa a aprender com os seus dados rotulados.

  4. Veja o desempenho do modelo: Veja os detalhes da avaliação do seu modelo para determinar o seu desempenho quando introduzido em novos dados.

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

  6. Implementar o modelo: A implantação de um modelo torna-o disponível para utilização através da API de tempo de execução.

  7. Prever intenções e entidades: Use o seu modelo personalizado para prever intenções e entidades a partir das declarações dos utilizadores.

Documentação de referência e amostras de código

Ao utilizar a CLU, consulte a seguinte documentação de referência e amostras para serviços cognitivos Azure para a linguagem:

Opção de desenvolvimento / linguagem Documentação de referência Amostras
REST APIs (Autoria) Documentação de REPOUSO API
REST APIs (Tempo de execução) Documentação de REPOUSO API
C# (Tempo de execução) Documentação C# Amostras em C#
Python (Tempo de execução) Documentação python Amostras de Python

IA Responsável

Um sistema de IA inclui não só a tecnologia, mas também as pessoas que a vão usar, as pessoas que serão afetadas por ela, e o ambiente em que é implantada. Leia a nota de transparência para a CLU aprender sobre a utilização e implementação responsáveis da IA nos seus sistemas. Também pode ver os seguintes artigos para mais informações:

Passos seguintes