Del via

Bedste praksis for objekter og udfyldning af slots i Copilot Studio

  • Artikel

Hvad er udfyldning af huller?

Udfyldning af pladser er relateret til brugen af enheder , der gør det lettere for en Helpdesk-medarbejder at hente og bruge oplysninger ved at identificere og udtrække dem fra brugerforespørgslen.

En Helpdesk-medarbejder har typisk brug for flere oplysninger fra en bruger for at udføre sit arbejde. For at få disse oplysninger vil du typisk stille separate spørgsmål, et for hver kendsgerning, Helpdesk-medarbejder har brug for. Når du bruger objekter i spørgsmålene, registrerer Copilot Studio de påkrævede oplysninger og springer de spørgsmål over, hvor oplysningerne kan identificeres i den udløsende brugerforespørgsel.

For eksempel, når en bruger spørger: Jeg vil gerne bestille 3 store blå t-shirts

Copilot Studio Natural Language Understanding (NLU) kan straks forstå følgende:

  • Emnet er Orden
  • Antallet er 3
  • Farven er blå
  • Varetype er T-shirt

Helpdesk-medarbejder kan derefter springe unødvendige spørgsmål over. Hvis der mangler nogle oplysninger, f.eks. Størrelse, bliver du bedt om at besvare de spørgsmål, der ikke er besvaret, før du går videre. Udfyldning af pladser gør det nemmere for din Helpdesk-medarbejder at indhente og bruge oplysninger og reducerer antallet af spørgsmål, du skal stille.

Du skal først definere, hvilke objekter du vil bruge, og hvilke typer af dem.

Definere objekter

Copilot Studio indeholder flere indbyggede objekter til de mest almindelige brugssager, f.eks. E-mail, Dato og klokkeslæt, Personnavn, Telefonnummer, Farve, Land, By, Antal, Penge med mere.

Indbyggede objekter er effektive, da de kan håndtere mange variationer af formularen, som oplysninger kan tage. Hvis brugeren f.eks. bruger Penge i en samtale, skal brugeren angive en værdi som "Kr. 100" eller "et hundrede kr." eller "100 kroner". NLU-modellen i Copilot Studio viser, at værdien er en valutaværdi på 100 kr.

Tip

Men der angives værdier, så længe der anmodes om dem med spørgsmål i samtaleforløbet, gemmes de i variabler, som du kan bruge igen.

Du kan også definere dine egne brugerdefinerede objekter, f.eks. Elementtype fra det forrige eksempel. Brugerdefinerede objekter kan være af to typer:

  • Lukket liste: for en foruddefineret liste over værdier.
  • Almindelige udtryk (RegEx): til oplysninger, der svarer til et bestemt mønster. RegEx er velegnet, når du skal hente data, der altid følger det samme format (f.eks. INC000001 for et billetnummer)

Forbedre brugeroplevelsen

Ved hjælp af objekter kan du gøre livet nemmere ved at lade Copilot Studio indsamle oplysninger fra brugerforespørgsler på en mere intelligent måde. Endnu vigtigere er det, at det gør livet bedre for brugerne, da objekter kan finde og lagre oplysninger fra brugerforespørgsler og derefter gøre disse oplysninger tilgængelige senere i samtalen. Enheder forbedrer brugeroplevelsen – de får dine Helpdesk-medarbejder til at virke smartere – og det er helt sikkert en bedste praksis at bruge dem, når det er muligt.

Bedste praksis for objekt

Bruge synonymer

Du kan tilføje synonymer til lukkede listeobjektværdier for manuelt at udvide den tilsvarende logik for hvert enkelt element på objektlisten. Du kan f.eks. tilføje "trekking" og "bjergvandring" som synonymer i elementet "hiking".

Tip

  • Brug af synonymer kan også emne udløser, da de øger vægtenheden for en udløsersætning ved at tilføje relaterede ord som synonymer for et objekt, det indeholder. Tilføj f.eks. negative ord eller sætninger som synonymer for en "reklamation".
  • I NLU-modellen generaliseres også for alle objektvarianter (dvs. alle deres værdier og deres synonymer) i tilfælde af, at et emne udløsersætning inkluderer mindst én hændelse af dette objekt. Med andre ord bør Helpdesk-medarbejder-forfattere inkludere et eksempel på en udløserfrase med én brug af denne entitet, så NLU kan generalisere på andre entitetsvariationer.

Aktivér smart matchning

For hvert lukket listeobjekt kan du også aktivere Smart matchning.

Smart Matching er en del af den intelligens, der understøttes af Helpdesk-medarbejder's NLU-modellen. Når denne indstilling er aktiveret, fortolker Helpdesk-medarbejder brugerens input ved hjælp af fuzzy-logik baseret på de angivne elementer i objektet.

Især Helpdesk-medarbejder retter automatisk stavefejl og udvider sin matchningslogik semantisk For eksempel kan Helpdesk-medarbejder automatisk matche "softball" til "baseball".

Vær kreativ med regulære udtryk

Undertiden kan udtrækning af objekter fra en brugerforespørgsel medføre forvirring for NLU-modellen, især når der findes flere objekter af samme type i brugerforespørgslen.

For eksempel, hvis en bruger siger: "kan du medbringe 2 håndklæder og 1 pude til værelse 101"?

Hvis du bruger det indbyggede tal-objekt, bliver det mellem 2, 1 og 101. Du kan løse problemet med denne forvirring ved at definere følgende objekter med regulære udtryk:

  • Håndklædeantal: [1-9] håndklæde
  • Mængdeantallet: [1-9] pude
  • Værelsenummer: [0-9]{3}

Alternativer til objekter til opbevaring af refererende data

I forbindelse med store datasæt eller datasæt, der udvikler sig (f.eks. en liste over produkter eller kunder), kan du i stedet bruge Copilot Studio-lukkede listeobjekter, der kan kontrollere eksterne kilder i stedet. Du skal sende brugerens udtalelser til den eksterne tjeneste ved hjælp af et Power Automate-cloudflow.

Din emnelogik kan derefter validere nøjagtigheden af resultatet (eller bede brugeren om at validere det), før du går videre i samtalen.

Dataverse er en god kandidat til at gemme sådanne data, da det har en indbygget Dataverse-søgefunktion, der understøtter overensstemmelse for at returnere de bedste resultater sammen med en selvsikkerhedspoint. Selvom der søges med en fuld sætning, kan der hentes mulige matches.

Tip

Hvis du vil gennemse et eksempel på en implementering, skal du se Returner en liste over resultater.