การเพิ่มประสิทธิภาพข้อความทริกเกอร์และความเข้าใจภาษาธรรมชาติ
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)
คำติชม
https://aka.ms/ContentUserFeedback
เร็วๆ นี้: ตลอดปี 2024 เราจะขจัดปัญหา GitHub เพื่อเป็นกลไกคำติชมสำหรับเนื้อหา และแทนที่ด้วยระบบคำติชมใหม่ สำหรับข้อมูลเพิ่มเติม ให้ดู:ส่งและดูข้อคิดเห็นสำหรับ