Konuşma dili anlama nedir?

  • Makale

Konuşma dili anlama, Azure AI Language tarafından sunulan özel özelliklerden biridir. Uçtan uca konuşma uygulamasında kullanılacak doğal dil anlama bileşeni oluşturmanıza olanak tanımak için makine öğrenmesi zekası uygulayan bulut tabanlı bir API hizmetidir.

Konuşma dili anlama (CLU), kullanıcıların gelen konuşmanın genel amacını tahmin etmek ve ondan önemli bilgileri ayıklamak için özel doğal dil anlama modelleri oluşturmasını sağlar. CLU yalnızca istemci uygulamasının giriş metnini anlamak için zeka sağlar ve herhangi bir eylem gerçekleştirmez. Geliştiriciler bir CLU projesi oluşturarak konuşmaları yinelemeli olarak etiketleyebilir, model performansını tüketim için kullanılabilir hale getirmeden önce eğitebilir ve değerlendirebilir. Etiketlenen verilerin kalitesi model performansını büyük ölçüde etkiler. Hizmet, modelinizi oluşturmayı ve özelleştirmeyi basitleştirmek için Language Studio üzerinden erişilebilen özel bir web portalı sunar. Bu hızlı başlangıçtaki adımları izleyerek hizmeti kullanmaya kolayca başlayabilirsiniz.

Bu belge aşağıdaki makale türlerini içerir:

  • Hızlı başlangıçlar , hizmete istekte bulunma konusunda size yol gösteren başlangıç yönergeleridir.
  • Kavramlar , hizmet işlevselliğinin ve özelliklerinin açıklamalarını sağlar.
  • Nasıl yapılır kılavuzları , hizmeti daha özel veya özelleştirilmiş yollarla kullanmaya yönelik yönergeler içerir.

Örnek kullanım senaryoları

CLU, çeşitli sektörlerde birden çok senaryoda kullanılabilir. Bazı örnekler şunlardır:

Uçtan uca konuşma botu

Belirli bir etki alanını ve beklenen kullanıcıların konuşmalarını temel alan özel bir doğal dil anlama modeli oluşturmak ve eğitmek için CLU kullanın. Metnin amacını belirlemek ve ondan önemli bilgileri ayıklamak için gelen metni gerçek zamanlı olarak işleyip analiz edebilmesi için bunu herhangi bir uçtan uca konuşma botuyla tümleştirin. Bota amaç ve ayıklanan bilgilere göre istenen eylemi gerçekleştirmesini sağlayın. Çevrimiçi alışveriş veya yiyecek siparişi için özelleştirilmiş bir perakende botu buna örnek olarak verilmiştir.

İnsan yardımcı botları

İnsan yardımcı botunun bir örneği, personelin müşteri sorgularını önceliklendirmek ve bunları uygun destek mühendisine atayarak müşteri etkileşimlerini geliştirmesine yardımcı olmaktır. Bir diğer örnek, çalışanların doğal dilde iletişim kurmasına ve sorguya dayalı rehberlik almasına olanak tanıyan bir kuruluştaki insan kaynakları botu olabilir.

Komut ve denetim uygulaması

Bir istemci uygulamasını konuşmayı metne dönüştürme bileşeniyle tümleştirdiğinizde, kullanıcılar CLU'nin işlem yapması, amacı tanımlaması ve eylem gerçekleştirmesi için metinden bilgi ayıklaması için doğal dilde bir komut verebilir. Bu kullanım örneğinde bir şarkıyı durdurmak, çalmak, iletmek ve geri sarmak ya da ışıkları açmak veya kapatmak gibi birçok uygulama vardır.

Kurumsal sohbet botu

Büyük bir şirkette, kurumsal sohbet botu çeşitli çalışan işlerini işleyebilir. Bilgi bankası yanıtlayan özel bir soru tarafından sunulan sık sorulan soruları, konuşma dili anlama tarafından sunulan takvime özgü bir beceriyi ve LUIS tarafından sunulan bir görüşme geri bildirimi becerisini işleyebilir. Bu becerilerin tümünü birbirine bağlamak ve gelen istekleri uygun şekilde doğru hizmete yönlendirmek için Orchestration iş akışını kullanın.

Proje geliştirme yaşam döngüsü

CLU projesi oluşturmak için genellikle birkaç farklı adım gerekir.

Geliştirme yaşam döngüsü

Modelinizden en iyi şekilde yararlanmak için şu adımları izleyin:

  1. Şemanızı tanımlama: Verilerinizi bilin ve kullanıcının giriş konuşmalarından tanınması gereken eylemleri ve ilgili bilgileri tanımlayın. Bu adımda, kullanıcının konuşmalarına atamak istediğiniz amaçları ve ayıklanmasını istediğiniz ilgili varlıkları oluşturursunuz.

  2. Verilerinizi etiketleme: Veri etiketlemenin kalitesi, model performansını belirlemede önemli bir faktördür.

  3. Modeli eğitin: Modeliniz etiketlenmiş verilerinizden öğrenmeye başlar.

  4. Modelin performansını görüntüleme: Yeni verilere sunulduğunda ne kadar iyi performans sergilediğini belirlemek için modelinizin değerlendirme ayrıntılarını görüntüleyin.

  5. Modeli geliştirme: Modelin performansını gözden geçirdikten sonra modeli nasıl geliştirebileceğinizi öğrenebilirsiniz.

  6. Modeli dağıtma: Modeli dağıtmak, modeli Çalışma Zamanı API'sini kullanarak kullanılabilir hale getirir.

  7. Amaçları ve varlıkları tahmin etme: Kullanıcının konuşmalarından amaçları ve varlıkları tahmin etmek için özel modelinizi kullanın.

Başvuru belgeleri ve kod örnekleri

CLU kullanırken Azure AI Dili için aşağıdaki başvuru belgelerine ve örneklerine bakın:

Geliştirme seçeneği / dil Başvuru belgeleri Örnekler
REST API'leri (Yazma) REST API belgeleri
REST API'leri (Çalışma Zamanı) REST API belgeleri
C# (Çalışma Zamanı) C# belgeleri C# örnekleri
Python (Çalışma Zamanı) Python belgeleri Python örnekleri

Sorumlu AI

Yapay zeka sistemi yalnızca teknolojiyi değil, onu kullanacak kişileri, bundan etkilenecek kişileri ve dağıtıldığı ortamı da içerir. Sistemlerinizde sorumlu yapay zeka kullanımı ve dağıtımı hakkında bilgi edinmek için CLU için saydamlık notunu okuyun. Daha fazla bilgi için aşağıdaki makalelere de bakabilirsiniz:

Sonraki adımlar