Aracılığıyla paylaş

Akıllı uygulama iş yükleriniz için amaç tanıma ve varlık ayıklama seçenekleri

Amaç tanıma ve varlık ayıklama, doğal dil anlamanın temel bileşenleridir.

Amaç tanıma, kullanıcının girdilerinin arkasındaki hedefi veya amacı belirlemeyi içerir. Örneğin, bir kullanıcı "Bir uçuş rezervasyonu yapmak istiyorum" derse, amaç bir uçuş rezervasyonu yapmaktır. Niyet tanıma, aracı kullanıcının isteğine göre hangi eylemin gerçekleştirilmesi gerektiğini anlamasına yardımcı olur.

Varlık ayıklama, kullanıcının girişinden belirli bilgi parçalarını tanımlamayı ve ayıklamayı içerir. Varlıklar tarihler, adlar, konumlar veya diğer ilgili veriler gibi şeyler olabilir. Örneğin, "15 Eylül'de New York'a bir uçuş rezervasyonu yapın" cümlesinde "New York" ve "15 Eylül" varlıklardır.

Aracı, kullanıcının hedefini anlama amacını ve görevi tamamlamak için gereken belirli ayrıntıları tanımlamak için varlıkları kullanır. Bu nedenle, amaç tanıma ve varlık ayıklama, aracı kullanıcı sorgularına doğru ve verimli yanıtlar vermesini sağlar.

Akıllı uygulama iş yükünüzü tasarlarken, akıllı uygulama iş yükünüzün olumlu bir kullanıcı deneyimi sağladığından emin olmak için amaç tanıma ve varlık ayıklama için en iyi seçeneği belirlemeniz gerekir.

Tanımlar

Terim Açıklama
NLU Doğal dil anlama, yapay zekada makine okuduğunu anlamaya odaklanan doğal dil işlemenin bir alt kümesidir.
CLU Konuşma dili anlama, özel NLU modellerinin oluşturulmasını sağlayan bir Azure AI özelliğidir.
LLM Büyük dil modeli, insan dilini anlamak ve oluşturmak için tasarlanmış bir tür yapay zeka modelidir.
GPT Üretken önceden eğitilmiş transformatör, insan benzeri metinleri anlamak ve oluşturmak için dönüştürücü mimarisini kullanan büyük dil modelleri ailesini ifade eder.
Dinamik zincirleme Dinamik zincirleme, üretken eylemler için tetikleyicileri otomatikleştirme yöntemidir. Dinamik zincirleme, olası her konuyu veya tetikleme tümceciğini manuel olarak tanımlamak yerine, yapay zekanın konuşma bağlamına göre hangi konuların veya eklenti eylemlerinin çağrılması gerektiğini belirlemesine olanak tanır.

Akıllı uygulama iş yükünüzde amaç tanıma ve varlık ayıklama için doğru seçeneği belirlemek, birkaç önemli hususu içerir:

  • Önceden oluşturulmuş ve özel varlıklar: Microsoft Copilot Studio tarafından sağlanan önceden oluşturulmuş varlıkların gereksinimlerinizi karşılayıp karşılamadığını değerlendirin. Önceden oluşturulmuş varlıklar tarihler, sayılar ve adlar gibi yaygın bilgi türlerini kapsar. Uygulamanız etki alanına özgü bilgi gerektiriyorsa, özel varlıklar oluşturmanız gerekebilir.

  • Kullanıcı girişlerinin karmaşıklığı: Kullanıcı girişlerinin karmaşıklığını ve değişkenliğini göz önünde bulundurun. Basit senaryolar için önceden oluşturulmuş varlıklar yeterli olabilir. Daha karmaşık etkileşimler için özel varlıklar ve normal ifadeler (regex) gibi gelişmiş yapılandırmalar gerekli olabilir.

  • Yuva doldurma: Uygulamanızın, aracı etkin bir şekilde kullanıcı girişlerinden eksik bilgileri aradığı ve doldurduğu proaktif alan doldurma gerektirip gerektirmediğini belirleyin. Yuva doldurma, takip sorularına olan ihtiyacı azaltarak kullanıcı deneyimini geliştirebilir.

  • Performans ve ölçeklenebilirlik: Seçtiğiniz yöntemin performansını ve ölçeklenebilirliğini değerlendirin. Özel varlıklar ve karmaşık yapılandırmalar genellikle daha fazla işlem gücü gerektirir ve yanıt sürelerini etkileyebilir.

  • Bakım kolaylığı: Varlıklarınızı koruma ve güncelleştirme kolaylığını göz önünde bulundurun. Önceden oluşturulmuş varlıkların yönetilmesi daha kolaydır, ancak uygulamanız geliştikçe özel varlıklar sürekli ayarlamalar gerektirir.

Standart NLU, Azure CLU veya dinamik zincirleme arasında seçim yapın

Copilot Studio'de, konu veya eylem tetiklemesi, standart NLU modeli kullanılarak, özel bir Azure CLU modeliyle birleştirilerek veya geçersiz kılınarak ya da NLU modelinin tamamen GPT büyük dil modeli tabanlı bir model olan dinamik zincirleme ile değiştirilmesiyle gerçekleştirilebilir.

Standart NLU modeli Özel Azure CLU modeli Dinamik zincirleme
Avantaj Önceden eğitilmiş olarak gelen ve önceden tanımlanmış birçok varlık türüyle kullanıma hazır varsayılan model.

Yapılandırma, tetikleme tümcecikleri ve özel varlıklar (değerler ve eş anlamlılar içeren kapalı listeler veya normal ifadeler) eklenerek yapılır.		 Yerel modellerle daha fazla dili destekler.

Daha iyi niyet tanıma veya belirli sektör gereksinimlerini karşılamak için niyet tetikleme modelinin özelleştirilmesini destekler.

Karmaşık varlık ayıklamaya izin verir (örneğin, aynı türde).

Varlık ayıklamada Copilot Studio standart NLU da kullanılabilir.		 GPT büyük dil modeli kullanır ve daha geniş bir veri yelpazesi üzerinde önceden eğitilmiş olarak gelir.

Birden fazla amacı ve zincir konularını ve/veya eklentileri işleyebilir.

Eksik girişler için otomatik olarak sorular oluşturur ve konuşma bağlamındaki karmaşık varlıkları ve soruları yanıtlar.

Yapılandırma, konuları, eklenti eylemlerini, girişleri ve çıktıları açıklayarak yapılır.
Dezavantaj Sorgu başına tek amaç tanıma.

Genişletilmiş olamaz. Modelin davranışını değiştiremez veya modelde ince ayar yapamazsınız. Olduğu gibi sağlanır.

Aynı türden birden çok varlığın slot doldurma, aynı sorgunun her biri için belirsizliği giderme gerektirir (örneğin, şehirlerden ve şehirlere).		 Sorgu başına tek amaç tanıma.

Yapılandırma ek ücret karşılığında Azure'da yapılır.

Değerlendirilmesi gereken kendi hizmet sınırları vardır.

Azure CLU niyetleri ve Copilot Studio konuları dikkatli bir şekilde senkronize tutulmalıdır.		 Üretken bir AI özelliği olduğundan, iletilerin lisans yazma oranı normal konu tetiklemeden daha yüksektir.

Tetikleyici ifadeler ve slot doldurma

Akıllı uygulama iş yükleri geliştirirken, amaç tanımayı geliştirmek ve konuşmaları kolaylaştırmak için yerel özellikleri kullanın. Beklenen ifadelerin alakalı ve doğru olduğundan emin olmak için mevcut SSS veritabanlarından ve sohbet dökümlerinden konu tetikleme ifadelerini belirleyerek başlayın. Varlıkları nasıl kullanacağınızı düşünün; örneğin, sipariş kimliklerini, e-postalar için önceden oluşturulmuş varlıkları veya eş anlamlı işlem türleri için kapalı listeleri bulmak için normal ifadeler kullanıp kullanmayacağınız. Ayrıca, amaç tanıma ve varlık ayıklama işlemlerinizin doğruluğunu doğrulamak ve iyileştirmek için örnek ifadelerle konu tetikleyicilerini nasıl test edeceğinizi planlayın. Dağıtım ve testte dikkat edilmesi gerekenler bölümünde daha fazla bilgi edinin.

Tetikleme tümcecikleri

Tetikleme tümcecikleri aracınızın NLU modelinizi eğitir. Belirli konuları tetikleyen belirli ifadeler tanımlayarak aracı kullanıcı ifadelerini tanımasına ve doğru şekilde yanıt vermesine yardımcı olurlar. Bu tetikleme tümceciklerinin doğru yapılandırılması, aracı kullanıcının amacını doğru bir şekilde tanımlayabilmesini ve uygun şekilde yanıt verebilmesini sağlar. Aracı hangi konunun tetikleneceğinden emin olmadığında, en fazla üç olası konu adayı önerebilir (Birden Çok Konu Eşleşen sistem konusu) veya herhangi bir konu tanımlanmamışsa varsayılan yanıta geri dönebilir. Bu mekanizma, konuşma akışının korunmasına yardımcı olur ve aracının çok çeşitli kullanıcı girdilerini etkili bir şekilde işleyebilmesini sağlar.

Öğe çıkarım ve yuva doldurulması

Öğe çıkarım ve yuva doldurulması, etkili aracıların geliştirilmesinde önemli bileşenlerdir. Bu işlemler, aracı kullanıcı sorgularından ilgili ayrıntıları tanımlayıp çıkararak bilgileri verimli bir şekilde almasını ve kullanmasını sağlar.

Varlık ayıklama, belirli bilgi parçalarını tanımlamak için kullanıcının girişinin ayrıştırılmasını içerir. Örneğin, "Üç büyük mavi tişört sipariş etmek istiyorum" sorgusunda aracının NLU modeli aşağıdaki varlıkları ayıklamalıdır:

  • Miktar: 3
  • Renk: Mavi
  • Boyut: Büyük
  • Öğe türü: T-Shirt

Yuva doldurma , belirli bir görev için gerekli bilgileri tamamlamak için bu ayıklanan varlıkları kullanma işlemidir. Bu örnekte, aracı konuyu bir sıra olarak tanır ve gerekli boşlukları ayıklanan varlıklarla doldurur. Aracı, daha fazla soru sormadan kullanıcının isteğini anlayabilir ve etkileşimi kolaylaştırır.

Varlık ayıklama ve yuva doldurma, aracıların karmaşık sorguları daha etkili bir şekilde işlemesine olanak tanıyarak doğru ve bağlamsal olarak ilgili yanıtlar sağlar ve kullanıcı deneyimini geliştirir.

Daha fazla bilgi edinin:

Azure CLU ile Microsoft Copilot Studio tümleştirme

Bir CLU modelinin Copilot Studio aracısı ile entegre edilmesi, aracının yeteneklerini önemli ölçüde artırabilir. Bu entegrasyon, Azure CLU amaçlarının Copilot Studio konuya eşlenmesini içerir ve böylece aracının kullanıcı amaçlarını daha doğru bir şekilde anlamasına ve yanıtlamasına olanak tanır. Ayrıca, Azure CLU varlıklarıyla birlikte Copilot Studio önceden oluşturulmuş varlık kullanılabilir ve bu da varlık çıkarma için sağlam bir çerçeve sağlar.

Bu tümleştirmeyi göz önünde bulundururken, akıllı uygulama iş yükünüzün Azure CLU gerektirip gerektirmediğini değerlendirmek önemlidir. Örneğin, Azure CLU, uygulamanız için gerekli olabilecek daha fazla dili, sektöre özgü sözlükleri ve karmaşık varlık ayıklamayı destekler. Azure CLU ile özel varlık ayıklamaları, aracının takip soruları sormadan hem kaynak hem de hedef şehirleri tek bir tümcecikle tanımlama gibi senaryoları işlemesine olanak tanıyan sessiz veya "şanslı" alan doldurmayı da etkinleştirebilir.

Bir diğer önemli husus da Azure CLU hizmet kotalarının ve sınırlarının aracı kullanımınızla uyumlu olmasını sağlamaktır. Örneğin, dakikada amaç tanıma gerektiren 1.000'den az çağrı olacağını tahmin ediyorsanız, S katmanını kullanarak Azure CLU'yu ayarlayabilirsiniz. Bu yapılandırma, aracı hizmet sınırlarını aşmadan veya beklenmeyen maliyetlere neden olmadan beklenen iş yükünü işleyebilmesini sağlar.

Daha fazla bilgi edinin:

Konu yapılarıyla ilgili dikkat edilmesi gereken noktalar

Konuları etkili bir şekilde yapılandırmak, doğal ve kesintisiz konuşmalar oluşturmak için önemlidir. Konular, birleştirildiğinde kullanıcıların aracı ile sorunsuz bir şekilde etkileşime girmesine olanak tanıyan ayrı konuşma yollarıdır. Konu yapılarını tasarlarken göz önünde bulundurulması gereken bazı önemli noktalar şunlardır:

  • Tetikleyici tabanlı konular: Bu konular, kullanıcı konuşmalarına göre etkinleştirilir ve giriş noktaları görevi görür. Bu konular için net tetikleme tümcecikleri tanımlayın. Tetikleme tümcecikleri birden çok konuda çakışıyorsa, açıklayıcı sorular sorduktan sonra uygun konuya yönlendirebilecek her şeyi kapsayan bir konu uygulamayı düşünün. Varlık ayıklama ve yuva doldurma ile, gerekli bilgiler zaten sağlanmışsa bu açıklayıcı sorular atlanabilir.

  • Yönlendirmeye dayalı konular: Bu konular, yönlendirme eylemleri, etkinlikleri veya olayları tarafından tetiklenir ve diğer birçok konu tarafından çağrılabilir. Çeşitli konuşma yollarına sorunsuz entegrasyonu kolaylaştırmak için giriş ve çıkış değişkenleriyle yeniden kullanılabilir ve modüler olacak şekilde tasarlanmalıdırlar.

  • Çift tetikleyicili konular: Bazı konular, niyet tanıma veya açık bir yönlendirme yoluyla tetiklenebilir. Bu esneklik, daha dinamik ve duyarlı konuşmalara olanak tanır.

  • Konuşmayı geliştirme ve alternatif: Kullanıcının sorgusu tarafından eşleşen bir konunun tetiklenmediği durumlar için alternatif konular oluşturun. Bu konular, konuşma akışını sürdürmek için genel yanıtlar sunabilir veya ilgili konular önerebilir.

Tasarım yaklaşımı:

  • Önemli senaryolar için özel konular: İlgili tetikleme tümcecikleri ve yeniden yönlendirmeler içeren temel senaryolar için birkaç özel konu geliştirin. Karmaşık etkileşimleri yönetmek için bir üst-alt konu yapısı kullanın. Tanınmayan amaçlar için üretken yanıtlar ve geri dönüş mekanizmaları uygulayın.

  • Anlam ayrımı konuları: Soruların açıklığa kavuşturulmasını gerektiren işlemler için anlam ayrımı konularını kullanmayı planlayın. Örneğin, kullanıcı hesabı işlemleri, işlemin türü (örneğin, oluşturma, kilidi açma, askıya alma) ve ilgili sistem (örneğin, SAP, ServiceNow, Microsoft) hakkında açıklama gerektirebilir.

  • Yinelemeyi önleme: İçeriğin yinelenmesini önlemek için, tekrarlanması gereken iletişim yolları için yeniden kullanılabilir konular oluşturun. Bu yeniden kullanılabilir konular bir üst konu tarafından çağrılabilir ve tamamlandıktan sonra konuşma ana konunun mantığını sürdürebilir.

Daha fazla bilgi edinin:

Tanınmayan niyetleri işleme

Tanınmayan niyetleri etkili bir şekilde yönetmek, sorunsuz bir kullanıcı deneyimi sağlar. Tanınmayan niyetler, aracı bir kullanıcı konuşmasını anlamadığında ve mevcut bir konuyu tetiklemek için yeterli güvene sahip olmadığında ortaya çıkar. Bu senaryoları ele almak için bazı öneriler aşağıda verilmiştir:

  • Tanınmayan niyetleri yönetme: Başlangıçta, tanınmayan niyetleri genel web sitelerinde ve SharePoint siteleri gibi kurumsal kaynaklarda yanıt arayan Konuşma artırma sistem konusu yönlendirin. İlgili bilgi bulunamazsa sistem, Azure OpenAI GPT-4 modeliyle özel bir sistem istemi kullanarak ChatGPT benzeri bir deneyime geri dönebilir. Bu yaklaşım, sorgular planlanmadığında bile kullanıcıların yararlı yanıtlar almasını sağlar.

  • Dış sistemlerle tümleştirme: Geri dönüş stratejinizin bir parçası olarak dış sistemlerle tümleştirme yapıp yapmadığınızı göz önünde bulundurun. Örneğin, uyumlu ChatGPT benzeri bir deneyim sağlamak için HTTP isteklerini kullanarak Azure OpenAI GPT-4 modeliyle entegrasyon.

  • Geri dönüş kullanımını izleme: Geri dönüşe ulaşan konuşmaların yüzdesini düzenli olarak gözden geçirin. Mevcut konuları zenginleştirmek veya yenilerini oluşturmak için bu içgörüleri kullanın ve aracının anlama ve yanıt verme yeteneklerini sürekli olarak geliştirmesini sağlayın.

  • Yedek konu ve üretken yanıtlar: Eşleşen bir konu tanımlanmadığında Yedek sistem konusu tetiklenir. Üretici Yanıtlar etkinleştirilirse, önce bilinmeyen amaç olaylarında Konuşma artırma konusu, ardından gerektiğinde Geri Dönüş konusu tetiklenir. Bu katmanlı yaklaşım, tanınmayan amaçların etkili bir şekilde yönetilmesine yardımcı olur.

  • Konuşma güçlendirme ve yedek kullanın: Çeşitli veri kaynaklarında arama yapmak veya Dil için Azure Bilişsel Hizmet gibi diğer sistemlerle tümleştirmek için Üretken Yanıtları kullanın. Bu hizmet, büyük hacimli soru-cevap çiftlerini işleyebilir ve rastgele sorular için bir sohbet modeli içerir.

  • Temel senaryolar ve özel konular: Temel senaryoların ve konuların iyi tanımlandığından ve özel konular aracılığıyla işlendiğinden emin olun. Yapılandırılmış ve verimli bir konuşma akışı sağlamak için bu konuların sonuçlarını net bir şekilde tanımlayın.

Yerelleştirme ve diller

Bir aracı oluştururken, akıllı uygulama iş yükünüzün desteklemesi gereken dilleri ve pazarları göz önünde bulundurun. Yerelleştirme ve dil desteği, akıllı uygulama iş yükünüzün çeşitli kullanıcı tabanlarının ihtiyaçlarını karşılamasını sağlamak için kritik faktörlerdir. Önerilen bazı yaklaşımlar şunlardır:

  • Dil başına bir aracı: Bu yaklaşım, her dil için ayrı bir aracı oluşturmayı içerir. Her aracı kendi dili için tamamen optimize edilmesini sağlar; Ancak, birden çok aracıyı korumak yoğun kaynak gerektirebilir.

  • Birden çok dil için bir aracı (yapılandırılmış çeviriler): Bu yaklaşımla, tek bir aracı, aracı yapılandırmasının bir parçası olarak sağlanan çevirilerle birden çok dili destekler. Bu yaklaşım, aracı her güncelleştirildiğinde veya yeni içerik eklendiğinde çevirilerin güncelleştirilmesini gerektirir. Kaynak verimliliği ve dil desteği arasında bir denge sunar, ancak çeviri güncellemelerinin dikkatli bir şekilde yönetilmesini gerektirir.

  • Birden çok dil için bir aracı (gerçek zamanlı çeviriler): Bu yöntem, çalışma zamanında gerçek zamanlı çeviriler sağlamak için bir geçiş aracı kullanır. Daha fazla dilin hızlı bir şekilde dağıtılmasına olanak tanır ve sık çeviri güncellemelerine olan ihtiyacı azaltır. Ancak, aracı geçişine ve Azure Service Copilot ve Azure Bilişsel Hizmetler Translator gibi gerçek zamanlı bir çeviri katmanına bağımlılık getirir.

Dikkat edilmesi gereken temel noktalar

  • Diller ve pazarlar: Aracınızın desteklemesi gereken diller ve pazarlar yerelleştirme stratejinizi etkiler.

  • Tek ve çok dilli aracı: Birden çok dili destekleyen tek bir aracı mı yoksa her dil için ayrı aracılar mı geliştireceğinize karar verin. Bu karar, kaynak kullanılabilirliği, bakım yetenekleri ve ilgili dillerin karmaşıklığı gibi faktörlere bağlıdır.

  • Çeviri zamanlaması: Çevirilerin yapılandırma aşamasında mı ayarlanması gerektiğini yoksa çalışma zamanında gerçek zamanlı olarak mı sağlanacağını göz önünde bulundurun. Yapılandırılmış çeviriler kararlılık ve kontrol sunarken, gerçek zamanlı çeviriler esneklik ve hızlı dağıtım sağlar.

Daha fazla bilgi edinin: