การเพิ่มประสิทธิภาพข้อความทริกเกอร์และความเข้าใจภาษาธรรมชาติ

  • บทความ

สำคัญ

ความสามารถและคุณลักษณะต่างๆ ของ Power Virtual Agents เป็น ส่วนหนึ่งของ Microsoft Copilot Studio แล้ว ภายหลังการลงทุนที่สำคัญใน Generative AI และการรวมที่ได้รับการปรับปรุงใน Microsoft Copilot

บทความและภาพหน้าจอบางรายการอาจอ้างถึง Power Virtual Agents ในขณะที่เราอัปเดตคู่มือและเนื้อหาการฝึกอบรม

ข้อความทริกเกอร์ใน Microsoft Copilot Studio คืออะไร

  • ข้อความทริกเกอร์จะฝึกโมเดลการเข้าใจภาษาธรรมชาติ (NLU) ของ Copilot ของคุณ

  • ข้อความทริกเกอร์ได้รับการกำหนดค่าที่ระดับหัวข้อและแจ้งให้ Copilot ทราบถึงสิ่งที่ผู้ใช้ทั่วไปพูดสำหรับหัวข้อเฉพาะที่ควรถูกทริกเกอร์

  • โดยทั่วไป ข้อความทริกเกอร์จะดูวิธีที่ผู้ใช้จะถามเกี่ยวกับปัญหาหรือประเด็นต่างๆ ตัวอย่างเช่น "ปัญหาวัชพืชในสนามหญ้า"

เคล็ดลับ

เมื่อสร้างหัวข้อใหม่ ผู้สร้างจะต้องระบุข้อความตัวอย่างสองสามวลีเท่านั้น (ควรอยู่ระหว่างห้าถึงสิบ) เมื่อใช้ Copilot, AI จะแยกวิเคราะห์สิ่งที่ผู้ใช้พูดและทริกเกอร์หัวข้อซึ่งมีความหมายใกล้เคียงกับคำพูดของผู้ใช้มากที่สุด

ความสำคัญของบริบทของการทริกเกอร์

Microsoft Copilot Studio NLU ทำงานแตกต่างกันไปตามสถานะการสนทนา ซึ่งบางครั้งอาจนำไปสู่ลักษณะการทำงานที่แตกต่างกันสำหรับคำพูดของผู้ใช้คนเดียวกัน

ต่อไปนี้คือสถานะการสนทนาต่างๆ:

  • การเริ่มต้นการสนทนา : Copilot ไม่มีบริบท ดังนั้นคำพูดของผู้ใช้จึงควรดำเนินการอย่างใดอย่างหนึ่ง: ทริกเกอร์หัวข้อโดยตรง (IntentRecognition) ทริกเกอร์ให้เกิดคำถามแก้ความกำกวม "คุณหมายถึง" (ตรงกับหลายหัวข้อ) (IntentCandidates) หากมีหัวข้อที่ตรงกันหลายหัวข้อ หรือหัวข้อสำรอง (UnknownIntent) หากไม่รับรู้ถึงเจตนา
  • หลังจาก "คุณหมายถึง" (ตรงกันหลายหัวข้อ) ถูกทริกเกอร์: NLU จะปรับให้ตรงกับหนึ่งในหัวข้อที่แนะนำโดยมีเกณฑ์ที่สูงขึ้นในการย้ายออกจากตัวเลือกที่นำเสนอ
  • การสลับออกจากหัวข้อปัจจุบัน : หาก NLU พยายามเติมช่องว่างในหัวข้อและผู้ใช้ให้ข้อความค้นหาที่อาจทริกเกอร์หัวข้ออื่น (การสลับหัวข้อ)

เมื่อมีเครื่องหมายวรรคตอน

โมเดล NLU ไม่คำนึงถึงเครื่องหมายวรรคตอน รวมถึงเครื่องหมายคำถาม

การสร้างข้อความทริกเกอร์ใหม่

หากเป็นไปได้ ให้เริ่มด้วยข้อมูลการทำงานจริงแทนการสร้างข้อความทริกเกอร์ของคุณเอง ข้อความทริกเกอร์ที่ดีที่สุดคือข้อความที่คล้ายกับข้อมูลจริงที่มาจากผู้ใช้ ข้อความเหล่านี้เป็นข้อความที่ผู้ใช้ถาม Copilot ที่ปรับใช้

ไม่จำเป็นต้องเว้นคำเฉพาะ: โมเดลได้รับการออกแบบมาเพื่อให้น้ำหนักของคำที่ไม่จำเป็นน้อยลง เช่น คำหยุด (คำที่ถูกกรองออกก่อนการประมวลผลข้อมูลภาษาธรรมชาติ เนื่องจากเป็นคำที่ไม่มีนัยสำคัญ)

การปรับข้อความทริกเกอร์ให้เหมาะสม

# เคล็ดลับ ตัวอย่าง
1 มีข้อความทริกเกอร์อย่างน้อย 5-10 วลีต่อหัวข้อ
ทำซ้ำและเพิ่มมากขึ้นเมื่อคุณเรียนรู้จากผู้ใช้		 ค้นหาร้านค้าที่อยู่ใกล้ฉันที่สุด
ตรวจสอบตำแหน่งที่ตั้งร้านค้า
ค้นหาร้านค้า
ค้นหาตำแหน่งที่อยู่ใกล้ที่สุดให้ฉัน
ร้านค้าใกล้ฉัน
2 เปลี่ยนโครงสร้างประโยคและคำสำคัญ
โมเดลจะพิจารณารูปแบบต่างๆ ของข้อความเหล่านั้นโดยอัตโนมัติ		 เวลาที่คุณปิด
เปิดทำการทุกวัน
3 ใช้ข้อความทริกเกอร์สั้นๆ
น้อยกว่า 10 คำ		 เวลาที่คุณเปิด
4 หลีกเลี่ยงข้อความทริกเกอร์คำเดียว
ซึ่งจะเพิ่มน้ำหนักให้กับคำเฉพาะในหัวข้อที่ทริกเกอร์
อาจทำให้เกิดความสับสนระหว่างหัวข้อที่คล้ายกัน		 จัดเก็บ
5 ใช้ข้อความที่สมบูรณ์ ฉันสามารถพูดคุยกับผู้ช่วยที่เป็นมนุษย์ได้หรือไม่
6 มีคำกริยาและนามเฉพาะหรือชุดรวมของคำเหล่านั้น ฉันต้องการฝ่ายบริการลูกค้า
ฉันต้องการพูดคุยกับที่ปรึกษา
7 หลีกเลี่ยงการใช้รูปแบบเอนทิตีเดียวกัน
คุณไม่จำเป็นต้องใช้ตัวอย่างทั้งหมดจากค่าเอนทิตี
NLU จะพิจารณารูปแบบทั้งหมดโดยอัตโนมัติ		 ฉันต้องการสั่ง เบอร์เกอร์
ฉันต้องการ พิซซ่า
ฉันต้องการ นักเก็ตไก่

ปรับสมดุลจำนวนข้อความทริกเกอร์ต่อหัวข้อ

ลองปรับสมดุลจำนวนข้อความทริกเกอร์ระหว่างหัวข้อ

เคล็ดลับ

ด้วยวิธีนี้ ความสามารถของ NLU จะไม่ทำให้หัวข้อมีน้ำหนักมากเกินไปเมื่อเทียบกับอีกหัวข้อตามข้อความทริกเกอร์กำหนดค่าไว้

การประเมินผลกระทบของการเปลี่ยนแปลงของคุณ

เมื่ออัปเดตข้อความทริกเกอร์หรือเมื่อรวมหรือแยกหัวข้อ มีหลายวิธีในการประเมินการเปลี่ยนแปลง:

  • การเปลี่ยนแปลงพฤติกรรมของ Copilot ในทันที ซึ่งสามารถสังเกตได้ผ่านพื้นที่ทำงาน "ทดสอบ Copilot" (เช่น หัวข้อที่ขณะนี้ทริกเกอร์หรือไม่ขึ้นอยู่กับการอัปเดตข้อความทริกเกอร์)
  • การเปลี่ยนแปลงหลังจากการปรับใช้งาน Copilot และเผชิญกับการรับส่งข้อมูล ซึ่งแปลเป็นอัตราการส่งต่อที่สูงขึ้นหรือต่ำลง (ไม่เลื่อนระดับ) สังเกตได้จากแท็บการวิเคราะห์ใน Microsoft Copilot Studio

เคล็ดลับ

คุณสามารถทดสอบการทริกเกอร์หัวข้อและวิธีที่โมเดล NLU ของคุณทำงานเทียบกับข้อมูลการทดสอบจำนวนมากได้ โดยใช้ประโยชน์จาก กรอบงานการทดสอบ Copilot

แม้ว่าคุณลักษณะและส่วนประกอบพื้นฐานที่ใช้ในการสร้างกรอบงานการทดสอบ Copilot (เช่น การทำงานกับ Direct Line API) ได้รับการสนับสนุนอย่างสมบูรณ์ แต่กรอบงานการทดสอบ Copilot เป็นการใช้งานตัวอย่างของคุณลักษณะเหล่านี้

ลูกค้าและชุมชนของเราสามารถใช้และปรับเปลี่ยนกรอบงานการทดสอบ Copilot เพื่อใช้การทดสอบจำนวนมากได้ หากคุณประสบปัญหากับกรอบงานการทดสอบ Copilot โปรดรายงานปัญหาที่นี่: https://aka.ms/PVASamples (ฝ่ายสนับสนุนของ Microsoft จะไม่ช่วยเหลือคุณเกี่ยวกับปัญหาของตัวอย่างเหล่านี้ แต่พวกเขาจะช่วยเหลือปัญหาเกี่ยวกับแพลตฟอร์มและคุณลักษณะพื้นฐานที่เกี่ยวข้อง)

แนวทางปฏิบัติที่ดีที่สุดของเอนทิตีและการเติมช่องว่าง