Anteckning
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Viktigt!
Översättningar som inte är engelska tillhandahålls endast för enkelhetens skull. Se versionen EN-US av det här dokumentet för bindningsversionen.
Vad är en transparensanteckning?
Ett AI-system omfattar inte bara tekniken, utan även de personer som ska använda den, de personer som påverkas av den och miljön där den distribueras. Att skapa ett system som är lämpligt för sitt avsedda syfte kräver en förståelse för hur tekniken fungerar, dess funktioner och begränsningar och hur du uppnår bästa prestanda. Microsofts Transparensanteckningar är avsedda att hjälpa dig att förstå hur vår AI-teknik fungerar, vilka val systemägare kan göra som påverkar systemets prestanda och beteende samt vikten av att tänka på hela systemet, inklusive teknik, människor och miljö. Du kan använda Transparensanteckningar när du utvecklar eller distribuerar ditt eget system eller delar dem med de personer som kommer att använda eller påverkas av systemet.
Microsofts transparensanteckningar är en del i en mer omfattande insats på Microsoft för att börja använda våra AI-principer. Mer information finns i Microsoft AI-principer.
Introduktion till förståelse för konversationsspråk
Konversationsspråksförståelse (CLU) är en molnbaserad API-funktion som tillämpar anpassad maskininlärning ovanpå Microsoft Turing-tekniker på en användares text på naturligt språk. Den förutsäger den övergripande innebörden av en indatatext och hämtar specifik information från den. CLU måste integreras med ett klientprogram, vilket kan vara alla konversationsprogram som kommunicerar med en användare på naturligt språk för att slutföra en uppgift. Det vanligaste klientprogrammet är en chattrobot.
Klientprogram använder utdata som returneras av CLU för att fatta ett beslut eller utföra en åtgärd för att uppfylla användarens begäranden. En användare anger till exempel "Jag vill beställa en pizza" i en chattrobot som skickas till CLU för tolkning. CLU analyserar indatatexten och returnerar tolkningen i ett formulär som kan bearbetas av chattroboten. CLU länkar indatatexten med en förkonfigurerad åtgärd för att beställa pizzan för användaren. CLU tillhandahåller bara intelligensen för att förstå den text som matas in i klientprogrammet, och utför inga åtgärder. CLU stöds inte bara på flera språk, utan stöder även flerspråkiga projekt. Läs mer om flerspråkighet.
Grunderna i förståelse för konversationsspråk
Förståelse av konversationsspråk (CLU) erbjuds som en del av de anpassade funktionerna i Azure AI Language. Den här funktionen är en komponent för förståelse av naturligt språk i ett konversationsprogram från slutpunkt till slutpunkt som förutsäger den övergripande avsikten med en inkommande text och extraherar viktig information från den. Genom att skapa ett CLU-projekt kan utvecklare iterativt tagga data, träna, utvärdera och förbättra modellprestanda innan de gör dem tillgängliga för förbrukning.
Användare av tjänsten måste tillhandahålla och märka träningsdata som är relevanta för domänen för klientprogrammet som skapas. Kvaliteten på de tillhandahållna träningsdata är viktig och måste likna förväntade användarindata. Användare kan också ansluta olika anpassade kapaciteter tillsammans, inklusive andra CLU-projekt, anpassade frågesvarsbaser och LUIS-applikationer med hjälp av funktionen för orkestreringsarbetsflöde i CLU. Azure AI Language tillhandahåller en webbportal, Language Studio, för att förenkla anpassningsupplevelsen för domänexperter och icke-tekniska användare. Kom igång med funktionen genom att följa stegen i den här snabbstarten.
Mer information finns i:
- Skapa ett nytt CLU-projekt
- Skapa projektets schema för att fastställa användarens avsikter och extrahera data
- Ansluta flera funktioner i ett orchestration-arbetsflödesprojekt
Terminologi för konversationsspråkförståelse
Följande termer används ofta i CLU.
| Begrepp | Definition |
|---|---|
| Projekt | Ett projekt är ett arbetsområde för att skapa dina anpassade ML-modeller baserat på dina data. I ett projekt kan du tagga data, skapa modeller, utvärdera och förbättra dem vid behov och så småningom distribuera en modell för att vara redo för förbrukning. |
| Uttalanden | Yttranden representerar indatatexten från en användare som CLU behöver tolka. Utvecklare lägger till exempelyttranden som träningsdata och taggar dem med avsikter och entiteter för att träna modellen. Till exempel skulle "Jag vill beställa en stor ostpizza" vara ett exempelyttrande i en modell som beställer pizza. |
| Avsikter | Avsikter är uppgifter eller åtgärder som användaren vill utföra. Avsiktsmodeller förstår och klassificerar den övergripande innebörden och avsikten med en indatatext. Utvecklare definierar en uppsättning avsikter för att utlösa en åtgärd som användarna vill vidta i klientprogrammet. Till exempel kan avsikter i en modell som beställer pizza vara "Make Order", "Edit Order" eller "Cancel Order". Lära sig mer |
| Entiteter | Entiteter representerar ett ord eller en fras i ett yttrande som är relevant för användarens avsikt. Entitetsmodeller extraherar olika typer av entiteter enligt definitionen av utvecklare. I exempelyttrandet "Jag vill beställa en stor ostpizza" kan utvecklare definiera en "storlek" -entitet för att extrahera "stor" och en "typ"-entitet för att extrahera "ost" från yttrandet. Utvecklare definierar entiteter för att extrahera nyckeldata från användaryttranden i CLU-modeller. När utvecklare skapar en CLU-modell taggar de ett ord eller flera ord som de vill extrahera i exempelyttranden med en specifik entitet. Läs mer |
Exempel på användningsfall
CLU kan användas i flera scenarier i olika branscher. Några exempel är:
- Heltäckande konversationsrobot. Använd CLU för att skapa och träna en anpassad modell för förståelse av naturligt språk baserat på en specifik domän och de förväntade användarnas yttranden. Integrera den med valfri konversationsrobot från slutpunkt till slutpunkt så att den kan bearbeta och analysera inkommande text i realtid för att identifiera avsikten med texten och extrahera viktig information från den. Låt roboten utföra önskad åtgärd baserat på avsikten och extraherad information. Ett exempel skulle vara en anpassad detaljhandelsrobot för online shopping eller matbeställning.
- Robotar för mänskliga assistenter. Ett exempel på en robot för mänsklig assistent är att hjälpa personalen att förbättra kundengagemang genom att prioritera kundfrågor och tilldela dem till lämplig supporttekniker. Ett annat exempel är en personalrobot i ett företag som gör det möjligt för anställda att kommunicera på naturligt språk och få vägledning baserat på frågan.
- Kommando- och kontrollprogram. När du integrerar ett klientprogram med en tal till text-komponent kan användarna tala ett kommando på naturligt språk för CLU för att bearbeta, identifiera avsikt och extrahera information från texten för klientprogrammet för att utföra en åtgärd. Det här användningsfallet har många program, till exempel för att stoppa, spela upp, vidarebefordra och spola tillbaka en låt eller slå på eller inaktivera lampor.
- Chattrobot för företag. I ett stort företag kan en chattrobot för företag hantera en mängd olika medarbetarärenden. Det kan hantera vanliga frågor med hjälp av en anpassad kunskapsbas för att besvara frågor, en kalenderspecifik färdighet som hanteras av konversationsspråkförståelse och en intervjufeedback-färdighet som hanteras av LUIS. Använd orchestration-arbetsflödet för att koppla samman alla dessa kunskaper och dirigera inkommande begäranden till rätt tjänst.
Att tänka på när du väljer ett användningsfall
- Undvik att använda CLU för beslut som kan ha allvarliga negativa effekter. Till exempel, om man föreslår mediciner eller diagnoser och därmed ersätter en läkares råd kan det få allvarliga skadliga konsekvenser.
- Undvik att skapa anpassade entiteter som extraherar onödig eller känslig information. Det är ditt ansvar att se till att entiteterna som skapas endast extraherar nödvändig information för ditt scenario från slutpunkt till slutpunkt. Undvik att extrahera känslig användarinformation om det inte krävs för ditt scenario. Om ditt scenario till exempel kräver att användarens stad och land extraheras skapar du entiteter som endast extraherar staden och landet från en användares adress. Skapa inte en som extraherar deras fullständiga adress. Se till att din modell är inkluderande genom att se till att du representerar en mängd olika städer, länder och adressformat i dina träningsdata (exempelyttranden).
- Juridiska och regelmässiga överväganden: Organisationer måste utvärdera potentiella specifika juridiska och regelmässiga skyldigheter när de använder AI-tjänster och lösningar, vilket kanske inte är lämpligt för användning i alla branscher eller scenarion. Dessutom är AI-tjänster eller lösningar inte utformade för och får inte användas på sätt som är förbjudna i tillämpliga användningsvillkor och relevanta uppförandekoder.