Snabbstart: Arbetsflöde för orkestrering
Använd den här artikeln för att komma igång med Orchestration-arbetsflödesprojekt med hjälp av Language Studio och REST API. Prova ett exempel genom att följa de här stegen.
Förutsättningar
- Azure-prenumeration – Skapa en kostnadsfritt.
- Ett projekt för förståelse av konversationsspråk .
Logga in på Language Studio
Gå till Language Studio och logga in med ditt Azure-konto.
I fönstret Välj en språkresurs som visas letar du upp din Azure-prenumeration och väljer din språkresurs. Om du inte har en resurs kan du skapa en ny.
Instansinformation Obligatoriskt värde Azure-prenumeration Din Azure-prenumeration. Azure-resursgrupp Din Azure-resursgrupp. Azure-resursnamn Ditt Azure-resursnamn. Location En giltig plats för din Azure-resurs. Till exempel "USA, västra 2". Prisnivå En prisnivå som stöds för din Azure-resurs. Du kan använda nivån Kostnadsfri (F0) för att prova tjänsten. 
Skapa ett projekt för orkestreringsarbetsflöde
När du har skapat en språkresurs skapar du ett projekt för orkestreringsarbetsflödet. Ett projekt är ett arbetsområde för att skapa dina anpassade ML-modeller baserat på dina data. Ditt projekt kan bara nås av dig och andra som har åtkomst till den språkresurs som används.
I den här snabbstarten slutför du snabbstarten för förståelse av konversationsspråk för att skapa ett projekt för förståelse av konversationsspråk som ska användas senare.
I Language Studio letar du reda på avsnittet Förstå frågor och konversationsspråk och väljer Orchestration Workflow(Orkestreringsarbetsflöde).
Då kommer du till projektsidan för Orchestration-arbetsflödet . Välj Skapa nytt projekt. Om du vill skapa ett projekt måste du ange följande information:
| Värde | Beskrivning |
|---|---|
| Name | Ett namn på projektet. |
| Description | Valfri projektbeskrivning. |
| Primärt språk för yttranden | Det primära språket i projektet. Dina träningsdata bör främst vara på det här språket. |
När du är klar väljer du Nästa och granskar informationen. Välj Skapa projekt för att slutföra processen. Nu bör du se skärmen Skapa schema i projektet.
Skapa ett schema
När du har slutfört snabbstarten för förståelse av konversationsspråk och skapat ett orkestreringsprojekt är nästa steg att lägga till avsikter.
Så här ansluter du till det tidigare skapade projektet för förståelse av konversationsspråk:
- På sidan byggschema i orkestreringsprojektet väljer du Lägg till för att lägga till en avsikt.
- Ge avsikten ett namn i fönstret som visas.
- Välj Ja, jag vill ansluta det till ett befintligt projekt.
- I listrutan Anslutna tjänster väljer du Konversationsbaserad Language Understanding.
- I listrutan projektnamn väljer du projektet för förståelse av konversationsspråk.
- Välj Lägg till avsikt för att skapa din avsikt.
Träna modellen
Om du vill träna en modell måste du starta ett träningsjobb. Utdata från ett lyckat träningsjobb är din tränade modell.
Så här börjar du träna din modell från Language Studio:
Välj Träningsjobb på menyn till vänster.
Välj Starta ett träningsjobb på den översta menyn.
Välj Träna en ny modell och skriv in modellnamnet i textrutan. Du kan också skriva över en befintlig modell genom att välja det här alternativet och välja den modell som du vill skriva över från den nedrullningsbara menyn. Det går inte att ångra att skriva över en tränad modell, men det påverkar inte dina distribuerade modeller förrän du distribuerar den nya modellen.
Om du har aktiverat projektet för att dela dina data manuellt när du taggar dina yttranden visas två alternativ för datadelning:
- Dela automatiskt upp testuppsättningen från träningsdata: Dina taggade yttranden delas slumpmässigt mellan tränings- och testuppsättningarna enligt de procentandelar du väljer. Standardprocentdelningen är 80 % för träning och 20 % för testning. Om du vill ändra dessa värden väljer du vilken uppsättning du vill ändra och skriver in det nya värdet.
Anteckning
Om du väljer alternativet Dela upp testuppsättningen automatiskt från träningsdata delas bara yttrandena i träningsuppsättningen upp enligt de procentsatser som anges.
- Använd en manuell delning av tränings- och testdata: Tilldela varje yttrande till antingen tränings- eller testuppsättningen under taggningssteget i projektet.
Anteckning
Använd en manuell delning av alternativet tränings- och testdata aktiveras bara om du lägger till yttranden till testuppsättningen på taggdatasidan. Annars inaktiveras den.
Välj knappen Träna .
Anteckning
- Endast träningsjobb som har slutförts genererar modeller.
- Träningen kan ta lite tid mellan ett par minuter och ett par timmar baserat på storleken på dina taggade data.
- Du kan bara köra ett träningsjobb i taget. Du kan inte starta andra träningsjobb för samma projekt förrän det jobb som körs har slutförts.
Distribuera din modell
När du har tränat en modell granskar du vanligtvis utvärderingsinformationen. I den här snabbstarten ska du bara distribuera din modell och göra den tillgänglig för dig att prova i Language Studio, eller så kan du anropa förutsägelse-API:et.
Så här distribuerar du din modell från Language Studio:
Välj Distribuera en modell på menyn till vänster.
Välj Lägg till distribution för att starta ett nytt distributionsjobb.
Välj Skapa ny distribution för att skapa en ny distribution och tilldela en tränad modell i listrutan nedan. Du kan också skriva över en befintlig distribution genom att välja det här alternativet och välja den tränade modell som du vill tilldela till den i listrutan nedan.
Anteckning
Att skriva över en befintlig distribution kräver inte ändringar i ditt FÖRUTSÄGELSE-API-anrop , men de resultat du får baseras på den nyligen tilldelade modellen.
Om du ansluter ett eller flera LUIS-program eller projekt för förståelse av konversationsspråk måste du ange distributionsnamnet.
Inga konfigurationer krävs för svar på anpassade frågor eller olänkade avsikter.
LUIS-projekt måste publiceras till platsen som konfigurerades under Orchestration-distributionen, och anpassade frågor som svarar på KB:er måste också publiceras till deras produktionsplatser.
Välj Distribuera för att skicka distributionsjobbet
När distributionen har slutförts visas ett förfallodatum bredvid den. Distributionen upphör att gälla när den distribuerade modellen inte är tillgänglig för förutsägelse, vilket vanligtvis sker tolv månader efter att en träningskonfiguration upphör att gälla.
Testmodell
När din modell har distribuerats kan du börja använda den för att göra förutsägelser via FÖRUTSÄGELSE-API: et. I den här snabbstarten använder du Language Studio för att skicka in ett yttrande, få förutsägelser och visualisera resultaten.
Testa din modell från Language Studio
Välj Testa distributioner på menyn till vänster.
Välj den modell som du vill testa. Du kan bara testa modeller som har tilldelats distributioner.
Välj distributionsnamnet i listrutan distributionsnamn.
I textrutan anger du ett yttrande som ska testas.
Välj Kör testet på den översta menyn.
När du har kört testet bör du se svaret från modellen i resultatet. Du kan visa resultatet i entitetskortvyn eller visa det i JSON-format.
Rensa resurser
När du inte längre behöver projektet kan du ta bort projektet med Hjälp av Language Studio. Välj Projekt på den vänstra navigeringsmenyn, välj det projekt som du vill ta bort och välj sedan Ta bort på den översta menyn.
Förutsättningar
- Azure-prenumeration – Skapa en kostnadsfritt.
Skapa en språkresurs från Azure Portal
Skapa en ny resurs från Azure Portal
Gå till Azure Portal för att skapa en ny Azure AI Language-resurs.
Välj Fortsätt för att skapa resursen
Skapa en språkresurs med följande information.
Instansinformation Obligatoriskt värde Region En av de regioner som stöds. Name Ett namn på språkresursen. Prisnivå En av de prisnivåer som stöds.
Hämta dina resursnycklar och slutpunkt
Gå till resursöversiktssidan i Azure Portal.
På menyn till vänster väljer du Nycklar och Slutpunkt. Du kommer att använda slutpunkten och nyckeln för API-begäranden
Skapa ett projekt för orkestreringsarbetsflöde
När du har skapat en språkresurs skapar du ett projekt för orkestreringsarbetsflöde. Ett projekt är ett arbetsområde för att skapa anpassade ML-modeller baserat på dina data. Ditt projekt kan bara nås av dig och andra som har åtkomst till språkresursen som används.
I den här snabbstarten slutför du CLU-snabbstarten för att skapa ett CLU-projekt som ska användas i orkestreringsarbetsflödet.
Skicka en PATCH-begäran med hjälp av följande URL, rubriker och JSON-brödtext för att skapa ett nytt projekt.
Begärans-URL
Använd följande URL när du skapar din API-begäran. Ersätt platshållarvärdena nedan med dina egna värden.
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
| Platshållare | Värde | Exempel |
|---|---|---|
{ENDPOINT} |
Slutpunkten för att autentisera din API-begäran. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Namnet på projektet. Det här värdet är skiftlägeskänsligt. | myProject |
{API-VERSION} |
Den version av API:et som du anropar. | 2023-04-01 |
Sidhuvuden
Använd följande rubrik för att autentisera din begäran.
| Tangent | Värde |
|---|---|
Ocp-Apim-Subscription-Key |
Nyckeln till resursen. Används för att autentisera dina API-begäranden. |
Brödtext
Använd följande JSON-exempel som brödtext.
{
"projectName": "{PROJECT-NAME}",
"language": "{LANGUAGE-CODE}",
"projectKind": "Orchestration",
"description": "Project description"
}
| Nyckel | Platshållare | Värde | Exempel |
|---|---|---|---|
projectName |
{PROJECT-NAME} |
Namnet på projektet. Det här värdet är skiftlägeskänsligt. | EmailApp |
language |
{LANGUAGE-CODE} |
En sträng som anger språkkoden för de yttranden som används i projektet. Om projektet är ett flerspråkigt projekt väljer du språkkoden för de flesta yttrandena. | en-us |
Skapa ett schema
När du har slutfört CLU-snabbstarten och skapat ett orkestreringsprojekt är nästa steg att lägga till avsikter.
Skicka en POST-begäran med hjälp av följande URL, rubriker och JSON-brödtext för att importera projektet.
Begärans-URL
Använd följande URL när du skapar din API-begäran. Ersätt platshållarvärdena nedan med dina egna värden.
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:import?api-version={API-VERSION}
| Platshållare | Värde | Exempel |
|---|---|---|
{ENDPOINT} |
Slutpunkten för att autentisera din API-begäran. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Namnet på projektet. Det här värdet är skiftlägeskänsligt. | myProject |
{API-VERSION} |
Den version av API:et som du anropar. | 2023-04-01 |
Sidhuvuden
Använd följande rubrik för att autentisera din begäran.
| Tangent | Värde |
|---|---|
Ocp-Apim-Subscription-Key |
Nyckeln till resursen. Används för att autentisera dina API-begäranden. |
Brödtext
Anteckning
Varje avsikt bör endast vara av en typ från (CLU, LUIS och qna)
Använd följande JSON-exempel som brödtext.
{
"projectFileVersion": "{API-VERSION}",
"stringIndexType": "Utf16CodeUnit",
"metadata": {
"projectKind": "Orchestration",
"settings": {
"confidenceThreshold": 0
},
"projectName": "{PROJECT-NAME}",
"description": "Project description",
"language": "{LANGUAGE-CODE}"
},
"assets": {
"projectKind": "Orchestration",
"intents": [
{
"category": "string",
"orchestration": {
"kind": "luis",
"luisOrchestration": {
"appId": "00000000-0000-0000-0000-000000000000",
"appVersion": "string",
"slotName": "string"
},
"cluOrchestration": {
"projectName": "string",
"deploymentName": "string"
},
"qnaOrchestration": {
"projectName": "string"
}
}
}
],
"utterances": [
{
"text": "Trying orchestration",
"language": "{LANGUAGE-CODE}",
"intent": "string"
}
]
}
}
| Nyckel | Platshållare | Värde | Exempel |
|---|---|---|---|
api-version |
{API-VERSION} |
Den version av API:et som du anropar. Den version som används här måste vara samma API-version i URL:en. | 2022-03-01-preview |
projectName |
{PROJECT-NAME} |
Namnet på projektet. Det här värdet är skiftlägeskänsligt. | EmailApp |
language |
{LANGUAGE-CODE} |
En sträng som anger språkkoden för de yttranden som används i projektet. Om projektet är ett flerspråkigt projekt väljer du språkkoden för de flesta yttrandena. | en-us |
Träna modellen
Om du vill träna en modell måste du starta ett träningsjobb. Utdata från ett lyckat träningsjobb är din tränade modell.
Skapa en POST-begäran med hjälp av följande URL, rubriker och JSON-brödtext för att skicka ett träningsjobb.
Begärans-URL
Använd följande URL när du skapar din API-begäran. Ersätt platshållarvärdena nedan med dina egna värden.
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}
| Platshållare | Värde | Exempel |
|---|---|---|
{ENDPOINT} |
Slutpunkten för att autentisera din API-begäran. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Namnet på projektet. Det här värdet är skiftlägeskänsligt. | EmailApp |
{API-VERSION} |
Den version av API:et som du anropar. | 2023-04-01 |
Sidhuvuden
Använd följande rubrik för att autentisera din begäran.
| Tangent | Värde |
|---|---|
Ocp-Apim-Subscription-Key |
Nyckeln till resursen. Används för att autentisera dina API-begäranden. |
Begärandetext
Använd följande objekt i din begäran. Modellen namnges MyModel när träningen är klar.
{
"modelLabel": "{MODEL-NAME}",
"trainingMode": "standard",
"trainingConfigVersion": "{CONFIG-VERSION}",
"evaluationOptions": {
"kind": "percentage",
"testingSplitPercentage": 20,
"trainingSplitPercentage": 80
}
}
| Nyckel | Platshållare | Värde | Exempel |
|---|---|---|---|
modelLabel |
{MODEL-NAME} |
Namnet på din modell. | Model1 |
trainingMode |
standard |
Träningsläge. Endast ett läge för träning är tillgängligt i orkestrering, vilket är standard. |
standard |
trainingConfigVersion |
{CONFIG-VERSION} |
Träningskonfigurationsmodellens version. Som standard används den senaste modellversionen . | 2022-05-01 |
kind |
percentage |
Delningsmetoder. Möjliga värden är percentage eller manual. Mer information finns i hur du tränar en modell . |
percentage |
trainingSplitPercentage |
80 |
Procentandel av dina taggade data som ska ingå i träningsuppsättningen. Rekommenderat värde är 80. |
80 |
testingSplitPercentage |
20 |
Procentandel av dina taggade data som ska ingå i testuppsättningen. Rekommenderat värde är 20. |
20 |
Anteckning
Och trainingSplitPercentagetestingSplitPercentage krävs endast om Kind anges till percentage och summan av båda procentandelarna ska vara lika med 100.
När du har skickat din API-begäran får du ett 202 svar som anger att det har lyckats. Extrahera värdet i svarshuvudena operation-location . Den formateras så här:
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
Du kan använda den här URL:en för att hämta träningsjobbets status.
Hämta träningsstatus
Träningen kan ta någon gång mellan 10 och 30 minuter. Du kan använda följande begäran för att behålla avsökningsstatusen för träningsjobbet tills det har slutförts.
Använd följande GET-begäran för att hämta status för modellens träningsförlopp. Ersätt platshållarvärdena nedan med dina egna värden.
Begärans-URL
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
| Platshållare | Värde | Exempel |
|---|---|---|
{YOUR-ENDPOINT} |
Slutpunkten för att autentisera din API-begäran. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Namnet på projektet. Det här värdet är skiftlägeskänsligt. | EmailApp |
{JOB-ID} |
ID:t för att hitta modellens träningsstatus. Det här är i det location rubrikvärde som du fick när du skickade träningsjobbet. |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
{API-VERSION} |
Den version av API:et som du anropar. | 2023-04-01 |
Sidhuvuden
Använd följande rubrik för att autentisera din begäran.
| Tangent | Värde |
|---|---|
Ocp-Apim-Subscription-Key |
Nyckeln till resursen. Används för att autentisera dina API-begäranden. |
Svarstext
När du skickar begäran får du följande svar. Fortsätt att avsöka den här slutpunkten tills statusparametern ändras till "lyckades".
{
"result": {
"modelLabel": "{MODEL-LABEL}",
"trainingConfigVersion": "{TRAINING-CONFIG-VERSION}",
"estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
"trainingStatus": {
"percentComplete": 3,
"startDateTime": "2022-04-18T15:45:06.8190649Z",
"status": "running"
},
"evaluationStatus": {
"percentComplete": 0,
"status": "notStarted"
}
},
"jobId": "xxxxxx-xxxxx-xxxxxx-xxxxxx",
"createdDateTime": "2022-04-18T15:44:44Z",
"lastUpdatedDateTime": "2022-04-18T15:45:48Z",
"expirationDateTime": "2022-04-25T15:44:44Z",
"status": "running"
}
| Tangent | Värde | Exempel |
|---|---|---|
modelLabel |
Modellnamnet | Model1 |
trainingConfigVersion |
Träningskonfigurationsversionen. Som standard används den senaste versionen . | 2022-05-01 |
startDateTime |
Tidsträningen startade | 2022-04-14T10:23:04.2598544Z |
status |
Status för träningsjobbet | running |
estimatedEndDateTime |
Beräknad tid för att träningsjobbet ska slutföras | 2022-04-14T10:29:38.2598544Z |
jobId |
Ditt träningsjobbs-ID | xxxxx-xxxx-xxxx-xxxx-xxxxxxxxx |
createdDateTime |
Datum och tid för att skapa träningsjobb | 2022-04-14T10:22:42Z |
lastUpdatedDateTime |
Träningsjobbet uppdaterades senast datum och tid | 2022-04-14T10:23:45Z |
expirationDateTime |
Förfallodatum och tid för träningsjobb | 2022-04-14T10:22:42Z |
Distribuera din modell
När du har tränat en modell granskar du vanligtvis utvärderingsinformationen. I den här snabbstarten distribuerar du bara din modell och anropar förutsägelse-API :et för att fråga efter resultaten.
Skicka distributionsjobb
Skapa en PUT-begäran med hjälp av följande URL, rubriker och JSON-brödtext för att börja distribuera en arbetsflödesmodell för orkestrering.
Begärans-URL
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version={API-VERSION}
| Platshållare | Värde | Exempel |
|---|---|---|
{ENDPOINT} |
Slutpunkten för att autentisera din API-begäran. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Namnet på projektet. Det här värdet är skiftlägeskänsligt. | myProject |
{DEPLOYMENT-NAME} |
Namnet på distributionen. Det här värdet är skiftlägeskänsligt. | staging |
{API-VERSION} |
Den version av API:et som du anropar. | 2023-04-01 |
Sidhuvuden
Använd följande rubrik för att autentisera din begäran.
| Tangent | Värde |
|---|---|
Ocp-Apim-Subscription-Key |
Nyckeln till resursen. Används för att autentisera dina API-begäranden. |
Begärandetext
{
"trainedModelLabel": "{MODEL-NAME}",
}
| Nyckel | Platshållare | Värde | Exempel |
|---|---|---|---|
| trainedModelLabel | {MODEL-NAME} |
Modellnamnet som ska tilldelas till distributionen. Du kan bara tilldela modeller som tränats. Det här värdet är skiftlägeskänsligt. | myModel |
När du har skickat din API-begäran får du ett 202 svar som anger att det har lyckats. Extrahera värdet i svarshuvudena operation-location . Den formateras så här:
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
Du kan använda den här URL:en för att hämta distributionsjobbets status.
Hämta status för distributionsjobb
Använd följande GET-begäran för att hämta status för distributionsjobbet. Ersätt platshållarvärdena nedan med dina egna värden.
Begärans-URL
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
| Platshållare | Värde | Exempel |
|---|---|---|
{ENDPOINT} |
Slutpunkten för att autentisera din API-begäran. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Namnet på projektet. Det här värdet är skiftlägeskänsligt. | myProject |
{DEPLOYMENT-NAME} |
Namnet på distributionen. Det här värdet är skiftlägeskänsligt. | staging |
{JOB-ID} |
ID:t för att hitta modellens träningsstatus. Det här är i huvudvärdet location som du fick från API:et som svar på din modelldistributionsbegäran. |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
{API-VERSION} |
Den version av API:et som du anropar. | 2023-04-01 |
Sidhuvuden
Använd följande rubrik för att autentisera din begäran.
| Tangent | Värde |
|---|---|
Ocp-Apim-Subscription-Key |
Nyckeln till resursen. Används för att autentisera dina API-begäranden. |
Svarstext
När du skickar begäran får du följande svar. Fortsätt att avsöka den här slutpunkten tills statusparametern ändras till "lyckades".
{
"jobId":"{JOB-ID}",
"createdDateTime":"{CREATED-TIME}",
"lastUpdatedDateTime":"{UPDATED-TIME}",
"expirationDateTime":"{EXPIRATION-TIME}",
"status":"running"
}
Frågemodell
När din modell har distribuerats kan du börja använda den för att göra förutsägelser via förutsägelse-API:et.
När distributionen är klar kan du börja fråga din distribuerade modell om förutsägelser.
Skapa en POST-begäran med hjälp av följande URL, rubriker och JSON-brödtext för att börja testa en arbetsflödesmodell för orkestrering.
Begärans-URL
{ENDPOINT}/language/:analyze-conversations?api-version={API-VERSION}
| Platshållare | Värde | Exempel |
|---|---|---|
{ENDPOINT} |
Slutpunkten för att autentisera din API-begäran. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{API-VERSION} |
Den version av API:et som du anropar. | 2023-04-01 |
Sidhuvuden
Använd följande rubrik för att autentisera din begäran.
| Tangent | Värde |
|---|---|
Ocp-Apim-Subscription-Key |
Nyckeln till resursen. Används för att autentisera dina API-begäranden. |
Begärandetext
{
"kind": "Conversation",
"analysisInput": {
"conversationItem": {
"text": "Text1",
"participantId": "1",
"id": "1"
}
},
"parameters": {
"projectName": "{PROJECT-NAME}",
"deploymentName": "{DEPLOYMENT-NAME}",
"directTarget": "qnaProject",
"targetProjectParameters": {
"qnaProject": {
"targetProjectKind": "QuestionAnswering",
"callingOptions": {
"context": {
"previousUserQuery": "Meet Surface Pro 4",
"previousQnaId": 4
},
"top": 1,
"question": "App Service overview"
}
}
}
}
}
Svarstext
När du har skickat begäran får du följande svar för förutsägelsen!
{
"kind": "ConversationResult",
"result": {
"query": "App Service overview",
"prediction": {
"projectKind": "Orchestration",
"topIntent": "qnaTargetApp",
"intents": {
"qnaTargetApp": {
"targetProjectKind": "QuestionAnswering",
"confidenceScore": 1,
"result": {
"answers": [
{
"questions": [
"App Service overview"
],
"answer": "The compute resources you use are determined by the *App Service plan* that you run your apps on.",
"confidenceScore": 0.7384000000000001,
"id": 1,
"source": "https://learn.microsoft.com/azure/app-service/overview",
"metadata": {},
"dialog": {
"isContextOnly": false,
"prompts": []
}
}
]
}
}
}
}
}
}
Rensa resurser
När du inte längre behöver projektet kan du ta bort projektet med hjälp av API:erna.
Skapa en DELETE-begäran med hjälp av följande URL, rubriker och JSON-brödtext för att ta bort ett projekt för förståelse av konversationsspråk.
Begärans-URL
{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}
| Platshållare | Värde | Exempel |
|---|---|---|
{ENDPOINT} |
Slutpunkten för att autentisera din API-begäran. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Namnet på projektet. Det här värdet är skiftlägeskänsligt. | myProject |
{API-VERSION} |
Den version av API:et som du anropar. | 2023-04-01 |
Sidhuvuden
Använd följande rubrik för att autentisera din begäran.
| Tangent | Värde |
|---|---|
Ocp-Apim-Subscription-Key |
Nyckeln till resursen. Används för att autentisera dina API-begäranden. |
När du skickar din API-begäran får du ett 202 svar som anger att projektet har tagits bort.
Nästa steg
Feedback
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i: https://aka.ms/ContentUserFeedback.
Skicka och visa feedback för