Začínáme s porozuměním konverzačního jazyka v Azure
Funkce jazyka CLU (Conversational Language Understanding) jazyka Azure AI umožňuje vytvářet jazykový model a používat ho k predikcím. Vytváření modelu zahrnuje definování entit, záměrů a promluv. Generování předpovědí zahrnuje publikování modelu, aby klientské aplikace mohly přijímat vstupy uživatelů a vracet odpovědi.
Prostředky Azure pro porozumění konverzačnímu jazyku
Pokud chcete používat funkce CLU v Azure, potřebujete ve svém předplatném Azure prostředek. Můžete použít následující typy prostředků:
- Azure AI Language: Prostředek, který umožňuje vytvářet aplikace s špičkovými možnostmi porozumění přirozenému jazyku bez odborných znalostí strojového učení. Prostředek jazyka můžete použít k vytváření a predikci.
- Služby Azure AI: Obecný prostředek, který zahrnuje CLU spolu s mnoha dalšími službami Azure AI. Tento typ prostředku můžete použít jen k predikcím.
Oddělení prostředků je užitečné, když chcete sledovat využití prostředků pro jazyk Azure AI odděleně od klientských aplikací pomocí všech aplikací služeb Azure AI.
Vytváření obsahu
Jakmile vytvoříte prostředek pro vytváření, můžete ho použít k trénování modelu CLU. Pokud chcete model vytrénovat, začněte definováním entit a záměrů, které bude aplikace predikovat, a promluv pro každý záměr, který se dá použít k trénování prediktivního modelu.
Modul CLU poskytuje komplexní kolekci předem připravených domén , které zahrnují předem definované záměry a entity pro běžné scénáře. Ty můžete použít jako výchozí bod pro váš model. Můžete také vytvořit vlastní entity a záměry.
Entity a záměry můžete vytvářet v libovolném pořadí. Můžete vytvořit záměr a z ukázkových výroků vybrat slova, která definujete, abyste pro ně vytvořili entity. Nebo můžete napřed vytvořit entity a ty pak při vytváření záměrů mapovat na slova použitá ve výrocích.
Můžete napsat kód pro definování prvků modelu, ale ve většině případů je nejjednodušší vytvořit model pomocí sady Language Studio – webové rozhraní pro vytváření a správu aplikací CLU.
Trénování modelu
Po definování záměrů a entit modelu a přidání vhodné sady ukázkových výroků budete v dalším kroku model trénovat. Trénování spočívá v použití ukázkových výroků, kdy model učíte spojovat výrazy v přirozeném jazyce, které může uživatel říct, s pravděpodobnými záměry a entitami.
Po trénování můžete model otestovat tím, že odešlete text a zkontrolujete předpovězené záměry. Trénování a testování jsou iterativní procesy. Po trénování model otestujte na ukázkových výrocích, abyste zjistili, jestli model správně rozpoznává záměry a entity. Pokud tomu tak není, proveďte aktualizace, model znovu natrénujte a otestujte.
Predikce
Až budete s výsledky trénování a testování spokojení, můžete aplikaci Conversational Language Understanding publikovat do prediktivního prostředku pro spotřebu.
Klientské aplikace můžou model používat tak, že se připojí ke koncovému bodu prediktivního prostředku, zadají příslušný ověřovací klíč a odešlou uživatelský vstup, aby získaly predikované záměry a entity. Predikce se vrací klientské aplikaci, která může na základě predikovaného záměru provést příslušnou akci.