快速入門：對話式語言理解

發行項
12/19/2023

使用本文開始使用 Language Studio 和 REST API 的對話式語言理解。請遵循下列步驟來試用範例。

必要條件

Azure 訂用帳戶 - 免費建立一個訂用帳戶。

請前往 Language Studio，並以您的 Azure 帳戶登入。

在出現的 [ 選擇語言資源 ] 視窗中，尋找您的 Azure 訂用帳戶，然後選擇您的語言資源。如果您沒有資源，您可以建立新的資源。

實例詳細資料	必要值
Azure 訂用帳戶	您的 Azure 訂閱。
Azure 資源群組	您的 Azure 資源組名。
Azure 資源名稱	您的 Azure 資源名稱。
位置	您語言資源的其中一個支援區域。例如「美國西部 2」。
定價層	語言資源的其中一個有效定價層。您可以使用免費（F0）層來嘗試服務。

建立交談語言理解專案

選取 [語言] 資源之後，請建立對話式語言理解專案。專案是一個工作區域，可根據您的資料建置自訂 ML 模型。您的專案只能由您和其他人存取所使用之語言資源。

在本快速入門中，您可以下載此範例專案檔並加以匯入。此專案可以從使用者輸入預測預期的命令，例如：讀取電子郵件、刪除電子郵件，以及將檔附加至電子郵件。

在 Language Studio 的 [ 瞭解問題和交談語言 ] 區段底下，選取 [對話式語言理解 ]。
這會將您帶到 對話語言理解專案 頁面。在 [建立新專案] 按鈕旁，選取 [匯入]。
在出現的視窗中，上傳您要匯入的 JSON 檔案。請確定您的檔案遵循支援的 JSON 格式。

上傳完成後，您會登陸 [ 架構定義 ] 頁面。在本快速入門中，已建置架構，且語句已加上意圖和實體的標籤。

定型您的模型

一般而言，建立專案之後，您應該建置架構和標記語句。在本快速入門中，我們已匯入具有已建置架構和已標記語句的就緒專案。

若要定型模型，您必須開始定型作業。成功的定型作業輸出是您定型的模型。

若要從 Language Studio 內開始訓練您的模型：

從左側功能表中選取 [定型模型 ]。
從頂端功能表中選取 [啟動訓練作業 ]。
選取 [定型新模型]，然後在文字輸入框中輸入模型名稱。否則，若要以在新資料上定型的模型取代現有的模型，請選取 [覆寫現有的模型]，然後選取現有的模型。覆寫已定型的模型是不可復原的，但在您部署新模型之前，不會影響已部署的模型。
選取定型模式。您可以選擇 標準訓練以加快訓練 速度，但僅適用于英文。或者， 您可以選擇支援其他語言和多語系專案的進階訓練 ，但需要較長的訓練時間。深入瞭解模型定型。
選取資料分割方法。您可以選擇 [從定型資料 自動分割測試集]，其中系統會根據指定的百分比，在定型集與測試集之間分割語句。或者， 您可以使用手動分割定型和測試資料 ，只有在您將語句加上標籤時已將語句新增至測試集時，才會啟用此選項。
選取 [ 訓練] 按鈕。
選取清單中的定型作業識別碼。隨即顯示窗格，您可以在其中檢查此作業的定型進度、作業狀態及其他詳細資料。
注意
- 只有成功完成的定型作業才會產生模型。
- 根據語句計數，定型可能需要幾分鐘到幾個小時的時間。
- 您一次只能執行一個定型作業。除非執行中的作業完成，否則無法在同一個專案內啟動其他定型作業。
- 用來定型模型的機器學習會定期更新。若要在先前的設定版本上定型，請從 [開始定型作業] 頁面選取 [選取這裡以變更]，然後選擇舊版。

部署模型

一般而言，在定型模型之後，您將檢閱其評估詳細資料。在本快速入門中，您只會部署模型，並讓它可供您在 Language Studio 中試用，或者您可以呼叫預測 API 。

若要從 Language Studio 內部署模型：

從左側功能表中選取 [部署模型 ]。
選取 [新增部署] 以啟動 [新增部署] 精靈。
選取 [建立新的部署] 以建立新的部署，並從下方的下拉式清單中指派定型的模型。否則，您可以選取 [覆寫現有的部署名稱]，以有效地取代現有部署所使用的模型。

注意

覆寫現有的部署不需要變更預測 API 呼叫，但您得到的結果會以新指派的模型為基礎。
從 [模型] 下拉式清單中選取定型的模型。
選取 [部署] 以啟動部署作業。
部署成功之後，到期日會出現在它旁邊。部署到期是當部署的模型無法用於預測時，通常發生在 定型組態到期後的 12 個月。

測試已部署的模型

若要從 Language Studio 內測試已部署的模型：

從左側功能表中選取 [測試部署 ]。
針對多語系專案，從 [ 選取文字語言 ] 下拉式清單中，選取您要測試之語句的語言。
從 [ 部署名稱] 下拉式清單中，選取對應至您要測試之模型的部署名稱。您只能測試指派給部署的模型。
在文字方塊中，輸入要測試的語句。例如，如果您為電子郵件相關語句建立應用程式，您可以輸入 [刪除此電子郵件 ]。
在頁面頂端，選取 [ 執行測試 ]。
執行測試之後，您應該會在結果中看到模型的回應。您可以在實體卡片檢視中檢視結果，或以 JSON 格式檢視結果。

清除資源

當您不再需要專案時，可以使用 Language Studio 刪除專案。從左側導覽功能表選取 [專案]，選取要刪除的專案，然後從頂端功能表選取 [刪除]。

必要條件

Azure 訂用帳戶 - 免費建立一個訂用帳戶。

從Azure 入口網站建立新的資源

登入 Azure 入口網站以建立新的 Azure AI 語言資源。
選取 [建立新的資源]
在出現的視窗中，搜尋 語言服務
選取 [建立]
使用下列詳細資料建立語言資源。

實例詳細資料必要值

區域您語言資源的其中一個支援區域。

名稱語言資源的必要名稱

定價層語言資源的其中一個支援定價層。

實例詳細資料	必要值
區域	您語言資源的其中一個支援區域。
名稱	語言資源的必要名稱
定價層	語言資源的其中一個支援定價層。

取得您的資源金鑰和端點

移至Azure 入口網站中的資源概觀頁面。
從左側的功能表中，選取 [金鑰] 和 [ 端點 ]。您將針對 API 要求使用端點和金鑰

匯入新的 CLU 範例專案

建立語言資源之後，請建立交談式語言理解專案。專案是一個工作區域，可根據您的資料建置自訂 ML 模型。您的專案只能由您和其他人存取所使用之語言資源。

在本快速入門中，您可以下載此範例專案並加以匯入。此專案可以從使用者輸入預測預期的命令，例如：讀取電子郵件、刪除電子郵件，以及將檔附加至電子郵件。

觸發匯入專案作業

使用下列 URL、標頭和 JSON 主體提交 POST 要求，以匯入您的專案。

要求 URL

建立 API 要求時，請使用下列 URL。將預留位置值取代為您自己的值。

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:import?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	專案名稱。此值會區分大小寫，而且必須符合您要匯入支 JSON 檔案中的專案名稱。	`EmailAppDemo`
`{API-VERSION}`	您要呼叫的 API 版本。	`2023-04-01`

標頭

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的索引鍵。用於驗證 API 要求。

本文

您傳送的 JSON 本文類似於下列範例。如需 JSON 物件的詳細資訊，請參閱參考文件。

{
  "projectFileVersion": "{API-VERSION}",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectKind": "Conversation",
    "settings": {
      "confidenceThreshold": 0.7
    },
    "projectName": "{PROJECT-NAME}",
    "multilingual": true,
    "description": "Trying out CLU",
    "language": "{LANGUAGE-CODE}"
  },
  "assets": {
    "projectKind": "Conversation",
    "intents": [
      {
        "category": "intent1"
      },
      {
        "category": "intent2"
      }
    ],
    "entities": [
      {
        "category": "entity1"
      }
    ],
    "utterances": [
      {
        "text": "text1",
        "dataset": "{DATASET}",
        "intent": "intent1",
        "entities": [
          {
            "category": "entity1",
            "offset": 5,
            "length": 5
          }
        ]
      },
      {
        "text": "text2",
        "language": "{LANGUAGE-CODE}",
        "dataset": "{DATASET}",
        "intent": "intent2",
        "entities": []
      }
    ]
  }
}

按鍵	預留位置	值	範例
`{API-VERSION}`	您要呼叫的 API 版本。	`2023-04-01`
`projectName`	`{PROJECT-NAME}`	專案的名稱。此值區分大小寫。	`EmailAppDemo`
`language`	`{LANGUAGE-CODE}`	字串，指定專案中所用語句的語言代碼。如果您的專案是多語系專案，請選擇大部分語句的語言代碼。	`en-us`
`multilingual`	`true`	布林值，可讓您在資料集中具有多種語言的檔。部署模型時，您可以以任何支援的語言 (包含不在您的定型文件中的語言) 查詢模型。	`true`
`dataset`	`{DATASET}`	如需在測試和定型集之間分割資料的資訊，請參閱如何定型模型。此欄位 `Train` 的可能值為和 `Test` 。	`Train`

成功要求時，API 回應會包含 operation-location 標頭，其中包含可用來檢查匯入工作狀態的 URL。其格式如下所示：

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}

取得匯入作業狀態

當您傳送成功的專案匯入要求時，檢查匯入作業狀態的完整要求 URL (包括端點、專案名稱和作業識別碼) 會包含在回應的 operation-location 標頭中。

使用下列 GET 要求來查詢匯入作業的狀態。您可以使用您在上一個步驟中收到的 URL，或以您自己的值取代下列預留位置值。

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	專案名稱。此值區分大小寫。	`myProject`
`{JOB-ID}`	用於尋找匯出作業狀態的識別碼。	`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	您正在呼叫的 API 版本。	`2023-04-01`

標頭

使用下列標頭來驗證您的要求。

機碼	描述	值
`Ocp-Apim-Subscription-Key`	資源的索引鍵。用於驗證 API 要求。	`{YOUR-PRIMARY-RESOURCE-KEY}`

回應本文

傳送要求之後，您會收到下列回應。請持續輪詢此端點，直到狀態參數變更為「成功」為止。

{
  "jobId": "xxxxx-xxxxx-xxxx-xxxxx",
  "createdDateTime": "2022-04-18T15:17:20Z",
  "lastUpdatedDateTime": "2022-04-18T15:17:22Z",
  "expirationDateTime": "2022-04-25T15:17:20Z",
  "status": "succeeded"
}

開始訓練您的模型

一般而言，建立專案之後，您應該建置架構和標記語句。在本快速入門中，我們已匯入具有已建置架構和標記語句的就緒專案。

使用下列 URL、標頭和 JSON 主體建立 POST 要求，以提交定型作業。

要求 URL

建立 API 要求時，請使用下列 URL。將預留位置值取代為您自己的值。

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	專案名稱。此值區分大小寫。	`EmailApp`
`{API-VERSION}`	您正在呼叫的 API 版本。	`2023-04-01`

標頭

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的索引鍵。用於驗證 API 要求。

要求本文

在您的要求中使用下列物件。定型完成後，模型會以您用於 modelLabel 參數的值命名。

{
  "modelLabel": "{MODEL-NAME}",
  "trainingMode": "{TRAINING-MODE}",
  "trainingConfigVersion": "{CONFIG-VERSION}",
  "evaluationOptions": {
    "kind": "percentage",
    "testingSplitPercentage": 20,
    "trainingSplitPercentage": 80
  }
}

按鍵	預留位置	值	範例
`modelLabel`	`{MODEL-NAME}`	您的模型名稱。	`Model1`
`trainingConfigVersion`	`{CONFIG-VERSION}`	定型組態模型版本。根據預設，會使用最新的模型版本。	`2022-05-01`
`trainingMode`	`{TRAINING-MODE}`	要用於定型的定型模式。支援的模式是標準訓練、更快速的訓練，但僅適用于其他語言和多語系專案支援的英文和進階訓練，但涉及較長的訓練時間。深入瞭解模型定型。	`standard`
`kind`	`percentage`	分割方法。可能的值為 `percentage` 或 `manual` 。如需詳細資訊，請參閱如何定型模型。	`percentage`
`trainingSplitPercentage`	`80`	要包含在定型集中的標記資料百分比。建議值為 `80` 。	`80`
`testingSplitPercentage`	`20`	要包含在測試集中的標記資料百分比。建議值為 `20` 。	`20`

注意

trainingSplitPercentage只有在設定為 percentage 且這兩個百分比的總和應等於 100 時 Kind ，才需要和 testingSplitPercentage 。

傳送 API 要求之後，您會收到 202 指出成功的回應。在回應標頭中，擷 operation-location 取值。其格式如下：

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

您可以使用此 URL 來取得定型作業狀態。

取得定型作業狀態

訓練可能需要時間才能完成 -有時介於 10 到 30 分鐘之間。您可以使用下列要求持續輪詢定型作業的狀態，直到成功完成為止。

當您傳送成功的訓練要求時，檢查作業狀態的完整要求 URL (包括端點、專案名稱和作業識別碼) 包含在回應的 operation-location 標頭中。

使用下列 GET 要求來取得模型定型進度的狀態。以您自己的值取代下方的預留位置值。

要求 URL

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

預留位置	值	範例
`{YOUR-ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	專案名稱。此值區分大小寫。	`EmailApp`
`{JOB-ID}`	用來尋找模型定型狀態的識別碼。	`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	您正在呼叫的 API 版本。	`2023-04-01`

標頭

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的索引鍵。用於驗證 API 要求。

回應本文

傳送要求之後，您會收到下列回應。請持續輪詢此端點， 直到狀態 參數變更為「成功」為止。

{
  "result": {
    "modelLabel": "{MODEL-LABEL}",
    "trainingConfigVersion": "{TRAINING-CONFIG-VERSION}",
    "trainingMode": "{TRAINING-MODE}",
    "estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
    "trainingStatus": {
      "percentComplete": 3,
      "startDateTime": "2022-04-18T15:45:06.8190649Z",
      "status": "running"
    },
    "evaluationStatus": {
      "percentComplete": 0,
      "status": "notStarted"
    }
  },
  "jobId": "xxxxx-xxxxx-xxxx-xxxxx-xxxx",
  "createdDateTime": "2022-04-18T15:44:44Z",
  "lastUpdatedDateTime": "2022-04-18T15:45:48Z",
  "expirationDateTime": "2022-04-25T15:44:44Z",
  "status": "running"
}

Key	值	範例
`modelLabel`	模型名稱	`Model1`
`trainingConfigVersion`	定型組態版本。根據預設，會使用最新版本。	`2022-05-01`
`trainingMode`	您選取的訓練模式。	`standard`
`startDateTime`	開始訓練的時間	`2022-04-14T10:23:04.2598544Z`
`status`	訓練作業的狀態	`running`
`estimatedEndDateTime`	定型作業完成的估計時間	`2022-04-14T10:29:38.2598544Z`
`jobId`	您的訓練作業識別碼	`xxxxx-xxxx-xxxx-xxxx-xxxxxxxxx`
`createdDateTime`	定型作業建立日期和時間	`2022-04-14T10:22:42Z`
`lastUpdatedDateTime`	定型作業上次更新的日期和時間	`2022-04-14T10:23:45Z`
`expirationDateTime`	定型作業到期日期和時間	`2022-04-14T10:22:42Z`

部署模型

一般而言，在定型模型之後，您將檢閱其評估詳細資料。在本快速入門中，您只會部署模型，並呼叫預測 API 來查詢結果。

提交部署作業

使用下列 URL、標頭和 JSON 主體建立 PUT 要求，以開始部署對話式語言理解模型。

要求 URL

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	專案名稱。此值區分大小寫。	`myProject`
`{DEPLOYMENT-NAME}`	部署的名稱。此值區分大小寫。	`staging`
`{API-VERSION}`	您正在呼叫的 API 版本。	`2023-04-01`

標頭

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的索引鍵。用於驗證 API 要求。

要求本文

{
  "trainedModelLabel": "{MODEL-NAME}",
}

按鍵	預留位置	值	範例
trainedModelLabel	`{MODEL-NAME}`	模型名稱會指派給您的部署。您只能指派已成功定型的模型。此值區分大小寫。	`myModel`

傳送 API 要求之後，您會收到 202 指出成功的回應。在回應標頭中，擷 operation-location 取值。其格式如下：

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

您可以使用此 URL 來取得部署作業狀態。

取得部署作業狀態

當您傳送成功的部署要求時，檢查作業狀態的完整要求 URL (包括端點、專案名稱和作業識別碼) 會包含在回應的 operation-location 標頭中。

使用下列 GET 要求來取得部署作業的狀態。將預留位置值取代為您自己的值。

要求 URL

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	專案名稱。此值區分大小寫。	`myProject`
`{DEPLOYMENT-NAME}`	部署的名稱。此值區分大小寫。	`staging`
`{JOB-ID}`	用來尋找模型定型狀態的識別碼。	`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	您正在呼叫的 API 版本。	`2023-04-01`

標頭

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的索引鍵。用於驗證 API 要求。

回應本文

傳送要求之後，您會收到下列回應。請持續輪詢此端點， 直到狀態 參數變更為「成功」為止。

{
    "jobId":"{JOB-ID}",
    "createdDateTime":"{CREATED-TIME}",
    "lastUpdatedDateTime":"{UPDATED-TIME}",
    "expirationDateTime":"{EXPIRATION-TIME}",
    "status":"running"
}

查詢模型

部署模型之後，您就可以開始使用模型，透過預測 API 進行預測。

部署成功之後，您就可以開始查詢已部署的模型以進行預測。

使用下列 URL、標頭和 JSON 主體建立 POST 要求，以開始測試對話式語言理解模型。

要求 URL

{ENDPOINT}/language/:analyze-conversations?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{API-VERSION}`	您正在呼叫的 API 版本。	`2023-04-01`

標頭

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的索引鍵。用於驗證 API 要求。

要求本文

{
  "kind": "Conversation",
  "analysisInput": {
    "conversationItem": {
      "id": "1",
      "participantId": "1",
      "text": "Text 1"
    }
  },
  "parameters": {
    "projectName": "{PROJECT-NAME}",
    "deploymentName": "{DEPLOYMENT-NAME}",
    "stringIndexType": "TextElement_V8"
  }
}

按鍵	預留位置	值	範例
`participantId`	`{JOB-NAME}`		`"MyJobName`
`id`	`{JOB-NAME}`		`"MyJobName`
`text`	`{TEST-UTTERANCE}`	您想要預測其意圖並從中擷取實體的語句。	`"Read Matt's email`
`projectName`	`{PROJECT-NAME}`	專案的名稱。此值區分大小寫。	`myProject`
`deploymentName`	`{DEPLOYMENT-NAME}`	部署的名稱。此值區分大小寫。	`staging`

傳送要求之後，您會收到下列預測回應

回應本文

{
  "kind": "ConversationResult",
  "result": {
    "query": "Text1",
    "prediction": {
      "topIntent": "inten1",
      "projectKind": "Conversation",
      "intents": [
        {
          "category": "intent1",
          "confidenceScore": 1
        },
        {
          "category": "intent2",
          "confidenceScore": 0
        },
        {
          "category": "intent3",
          "confidenceScore": 0
        }
      ],
      "entities": [
        {
          "category": "entity1",
          "text": "text1",
          "offset": 29,
          "length": 12,
          "confidenceScore": 1
        }
      ]
    }
  }
}

按鍵	範例值	描述
query	「閱讀馬特的電子郵件」	您提交查詢的文字。
topIntent	「Read」	具有最高信賴分數的預測意圖。
意圖	[]	針對查詢文字預測的所有意圖清單，每個意圖都有信賴分數。
實體	[]	陣列，其中包含查詢文字中擷取的實體清單。

交談專案的 API 回應

在交談專案中，您將取得專案記憶體在意圖和實體的預測。

意圖和實體包含 0.0 到 1.0 之間的信賴分數，與模型預測專案中特定元素的信賴度有多自信。
最高評分意圖包含在它自己的參數內。
只有預測的實體會顯示在您的回應中。
實體指出：
- 已擷取之實體的文字
- 其起始位置以位移值表示
- 以長度值表示的實體文字長度。

清除資源

當您不再需要專案時，可以使用 API 刪除專案。

使用下列 URL、標頭和 JSON 主體建立 DELETE 要求，以刪除交談語言理解專案。

要求 URL

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}

預留位置	值	範例
`{ENDPOINT}`	用於驗證 API 要求的端點。	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	專案名稱。此值區分大小寫。	`myProject`
`{API-VERSION}`	您正在呼叫的 API 版本。	`2023-04-01`

標頭

使用下列標頭來驗證您的要求。

Key	值
`Ocp-Apim-Subscription-Key`	資源的索引鍵。用於驗證 API 要求。

傳送 API 要求之後，您會收到 202 指出成功的回應，這表示您的專案已刪除。

下一步

瞭解實體元件

快速入門：對話式語言理解

必要條件

登入 Language Studio

建立交談語言理解專案

定型您的模型

部署模型

測試已部署的模型

清除資源

必要條件

從Azure 入口網站建立新的資源

取得您的資源金鑰和端點

匯入新的 CLU 範例專案

觸發匯入專案作業

要求 URL

標頭

本文

取得匯入作業狀態

標頭

回應本文

開始訓練您的模型

要求 URL

標頭

要求本文

取得定型作業狀態

要求 URL

標頭

回應本文

部署模型

提交部署作業

要求 URL

標頭

要求本文

取得部署作業狀態

要求 URL

標頭

回應本文

查詢模型

要求 URL

標頭

要求本文

回應本文

交談專案的 API 回應

清除資源

要求 URL

標頭

下一步

其他資源