Optimere udløsersætninger og forståelse af naturlige sprog
Hvad er udløsersætninger i Copilot Studio
Udløserfraser træner din Helpdesk-medarbejder's model for naturlig sprogforståelse (NLU).
Udløserfraser konfigureres på emneniveau og angiver over for agenten, for hvilke typiske brugerytringer et bestemt emne skal udløses.
Udløserfraser registrerer typisk den måde, en bruger spørger om et problem eller problem på. F.eks. "Problem med ukrudt i græsset"
Tip
- Når du opretter et emne, skal en bruger kun angive nogle få eksempelsætninger (ideelt set mellem fem og ti). Når agenten bruges, fortolker AI det, som brugeren siger, og udløser emnet i betydningen for brugeren.
- Du kan finde flere oplysninger om effektive udløserfraser under Vælge effektive udløserfraser.
Vigtigheden ved udløsning af kontekst
Copilot Studio NLU fungerer forskelligt, afhængigt af samtalens tilstand, hvilket undertiden kan medføre forskellige funktionsmåder for den samme brugerytring.
Følgende er de forskellige samtaletilstande:
- Start af samtalen: Agenten har ingen kontekst, så der forventes et brugerudsagn for enten at: udløse et emne direkte (hensigtsgenkendelse), udløse et "mente du" (flere emner matchet) som spørgsmål til nærmere forklaring blandt hensigtskandidater, hvis der er flere matchende emner, eller gå til reserveemne, hvis hensigten ikke genkendes.
- Når en "mente du" (Flere matchede emner) udløses: NLU optimerer, så de stemmer overens med et af de foreslåede emner, med højere tærskelværdier for at flytte ud af de viste indstillinger.
- Skifte ud fra et aktuelt emne: Hvis NLU forsøger at udfylde en slot i et emne, og brugeren giver en brugerforespørgsel, der kan udløse et andet emne (emne-skift).
På tegnsætning
NLU-modellen er agnostisk til tegnsætning, herunder spørgsmålstegn.
Oprette nye udløserfraser
Hvis det er muligt, skal du starte med rigtige produktionsdata, hvor du finder dine egne udløsersætninger. De bedste udløserfraser er dem, der ligner faktiske data, der kommer fra brugere. Disse fraser er dem, som brugerne sender til en installeret agent.
Der er ingen grund til at udelade bestemte ord: Modellen er designet til at lægge mindre vægt på unødvendige ord, f.eks. stopord (ord, der filtreres ud, før de behandles i naturlige sprogdata, fordi de ikke kan bruges).
Optimere udløserfraser
| # | Tip | Eksempler |
|---|---|---|
| 1 | Have mindst 5-10 udløsersætninger pr. emne Ændre og tilføje mere, efterhånden som du lærer af brugere. |
Find mit nærmeste lager Kontrollér lagerplacering Find et lager Find din nærmeste placering Butik i nærheden af mig |
| 2 | Varierer sætningsstruktur og nøgleord I modellen bruges der automatisk variationer af disse udtryk. |
Hvornår er der lukket Daglige åbne timer |
| 3 | Brug korte udløsersætninger Færre end 10 ord |
Hvornår er der åbent |
| 4 | Undgå udløsningssætninger med et enkelt ord Derved øges vægtprocenten for bestemte ord, emnet udløser. Det kan medføre forvirring mellem lignende emner. |
Store |
| 5 | Brug komplette sætninger | Kan jeg tale med en medarbejder |
| 6 | Have entydige verber og navneord eller kombinationer af disse | Jeg skal bruge kundeservice Jeg vil tale med en konsulent |
| 7 | Undgå at bruge det samme variationsobjekt Du behøver ikke at bruge alle eksemplerne fra objektværdien. NLU tager automatisk højde for alle variationer. |
Jeg vil bestille en burger Jeg vil gerne have en pizza Jeg vil have kyllingenuggets |
Afvej antallet af udløsersætninger pr. emne
Prøv at afveje antallet af udløsersætninger mellem emner.
Tip
På den måde får NLU-funktioner ikke overvægt i et emne i forhold til et andet, der er baseret på de konfigurerede udløsersætninger.
Vurdering af effekten af ændringerne
Når udløsersætninger opdateres, eller når emner flettes eller opdeles, kan du vurdere ændringerne på flere måder:
- En øjeblikkelig ændring i agentfunktionsmåden, som kan observeres via lærredet "test agent" (f.eks. et emne, der nu udløses eller ikke er baseret på opdateringer af udløserfrase).
- En ændring efter agentudrulning og modtagende trafik, hvilket svarer til højere eller lavere afledningsrater (ikke-eskalering). Det kan du se fra analysefanen i Copilot Studio.
Tip
Du kan teste emneudløsning, og hvordan din NLU-model præsterer i forhold til massetestdata, ved at bruge Copilot Test Framework.
Selvom de underliggende funktioner og komponenter, der bruges til at bygge Copilot Test Framework (for eksempel interaktion med Direct Line API) understøttes helt, og Copilot Test Framework repræsenterer selve prøveimplementeringen af disse funktioner.
Vores kunder og community kan bruge og justere Copilot Test Framework til at implementere massetest. Hvis du står over for problemer med Copilot Test Framework, skal du rapportere problemet her: https://aka.ms/PVASamples. (Microsoft Support kan ikke hjælpe dig med problemer relateret til disse prøver, men de kan hjælpe dig med relaterede, underliggende platform og funktionsproblemer.)