Návrh s využitím záměrů a modelů entit
Důležité
Služba LUIS bude vyřazena 1. října 2025 a od 1. dubna 2023 nebudete moct vytvářet nové prostředky LUIS. Doporučujeme migrovat aplikace LUIS do porozumění konverzačnímu jazyku, abyste mohli využívat další podporu produktů a vícejazyčné funkce.
Language Understanding poskytuje dva typy modelů pro definování schématu aplikace. Schéma aplikace určuje, jaké informace obdržíte z předpovědi nové uživatelské promluvy.
Schéma aplikace je sestaveno z modelů, které vytvoříte pomocí strojového učení:
- Záměry klasifikují promluvy uživatelů
- Entity extrahují data z promluvy.
Vytváření používá strojové učení
Metodologie strojového učení služby LUIS umožňuje snadno učit koncepty na počítač. Znalost strojového učení není nutná k používání služby LUIS. Místo toho vy jako učitel komunikujete se službou LUIS koncept tím, že poskytnete příklady konceptu a vysvětlíte, jak by se koncept měl modelovat pomocí dalších souvisejících konceptů. Jako učitel můžete také interaktivně vylepšit model luis tím, že identifikujete a opravíte chyby předpovědi.
Záměry klasifikující výroky
Záměr klasifikuje ukázkové promluvy, které učí službu LUIS o záměru. Ukázkové promluvy v rámci záměru se používají jako pozitivní příklady promluvy. Stejné promluvy se používají jako záporné příklady ve všech ostatních záměrech.
Představte si aplikaci, která potřebuje určit záměr uživatele objednat knihu a aplikaci, která potřebuje dodací adresu zákazníka. Tato aplikace má dva záměry: OrderBook a ShippingLocation.
Následující promluva je pozitivním příkladem záměru OrderBook a negativním příkladem záměru ShippingLocation a None záměrů:
Buy the top-rated book on bot architecture.
Entity extrahující data
Entita představuje jednotku dat, která chcete extrahovat z promluvy. Entita strojového učení je entita nejvyšší úrovně obsahující subentity, což jsou také entity strojového učení.
Příkladem entity strojového učení je objednávka lístku roviny. Koncepčně se jedná o jednu transakci s mnoha menšími jednotkami dat, jako je datum, čas, množství míst, typ sedadla, jako je první třída nebo trenér, umístění původu, cílové umístění a výběr jídla.
Záměry a entity
Záměr je požadovaný výsledek celé promluvy, zatímco entity jsou části dat extrahované z promluvy. Záměry jsou obvykle svázané s akcemi, které by klientská aplikace měla provést. Entity jsou informace potřebné k provedení této akce. Z programovací perspektivy by záměr aktivoval volání metody a entity by se použily jako parametry pro volání této metody.
Tato promluva musí mít záměr a může obsahovat entity:
Buy an airline ticket from Seattle to Cairo
Tato promluva má jediný záměr:
- Nákup lístku letadla
Tato promluva může mít několik entit:
- Umístění Seattlu (původ) a Káhira (cíl)
- Množství jednoho lístku
Rozklad modelu entit
Služba LUIS podporuje rozklad modelu pomocí rozhraní API pro vytváření a rozděluje koncept do menších částí. Díky tomu můžete vytvářet modely s jistotou v tom, jak se různé části vytvářejí a predikují.
Rozklad modelu má následující části:
- záměry
- entity strojového učení
- subentity (také entity strojového učení)
- features
- seznam frází
- entity bez strojového učení, jako jsou regulární výrazy, seznamy a předem připravené entity
- features
- subentity (také entity strojového učení)
Funkce
Funkce je rozlišující vlastnost nebo atribut dat, která systém sleduje. Funkce strojového učení poskytují službě LUIS důležitá upozornění, kde hledat věci, které budou rozlišovat koncept. Jsou to rady, které může služba LUIS používat, ale ne pevná pravidla. Tyto rady se používají ve spojení s popisky k vyhledání dat.
Vzory
Vzory jsou navrženy tak, aby zlepšily přesnost, když je několik promluv velmi podobné. Vzory umožňují dosáhnout určení záměru s větší přesností bez nutnosti poskytovat mnoho dalších promluv.
Rozšíření aplikace za běhu
Schéma aplikace (modely a funkce) se vytrénuje a publikuje do koncového bodu předpovědi. Nové informace můžete předat spolu s promluvou uživatele do koncového bodu předpovědi a rozšířit tak predikci.