Optimierung von Auslöser-Phrasen und natürlichem Sprachverständnis
Was sind Auslöser-Phrasen in Copilot Studio?
Trigger-Phrasen trainieren Ihr Agent's Verständnis natürlicher Sprache (NLU)-Modell.
Trigger-Phrasen werden auf der Ebene Thema konfiguriert und geben Agent an, für welche typischen Benutzeräußerungen ein bestimmtes Thema ausgelöst werden soll.
Auslöser-Phrasen erfassen in der Regel die Art und Weise, wie ein Endbenutzer nach einem Problem oder einer Frage fragen würde. Zum Beispiel: „Problem mit Unkraut im Rasen“
Tipp
- Beim Erstellen eines neuen Themas muss ein Ersteller lediglich einige Beispielsätze (idealerweise zwischen fünf und zehn) angeben. Wenn Agent verwendet wird, analysiert die KI, was der Benutzer sagt, und Trigger das Thema, das der Äußerung des Benutzers in seiner Bedeutung am nächsten kommt.
- Weitere Informationen zu effektiven Trigger-Phrasen finden Sie unter Effektive Trigger-Phrasen auswählen.
Die Bedeutung des auslösenden Kontexts
Copilot Studio NLU verhält sich je nach Status der Unterhaltung unterschiedlich, was manchmal zu unterschiedlichen Verhaltensweisen für dieselbe Benutzeräußerung führen kann.
Im Folgenden finden Sie die verschiedenen Status der Unterhaltung:
- Beginn der Konversation: Agent hat keinen Kontext, deshalb wird von einer Benutzeräußerung erwartet, dass sie entweder Trigger direkt in Thema umwandelt (Absichtserkennung), Trigger eine „Meinten Sie“-Frage (mehrere übereinstimmende Themen) zur Begriffsklärung unter den Absichtskandidaten stellt, wenn mehrere übereinstimmende Themen vorhanden sind, oder zu einem Fallbackthema wechselt, wenn die Absicht nicht erkannt wird.
- Nachdem ein „Meinten Sie“ (Multiple Topics Matched) ausgelöst wurde: NLU optimiert, um einem der vorgeschlagenen Themen zu entsprechen, mit höheren Schwellenwerten, um aus den präsentierten Optionen herauszukommen.
- Ausschalten aus einem aktuellen Thema: Wenn die NLU versucht, eine Aufteilung in Bereiche in einem Thema vorzunehmen, und der Benutzer eine Benutzeranfrage stellt, die ein anderes Thema auslösen könnte (Themenwechsel).
Zur Zeichensetzung
Das NLU-Modell ist unabhängig von Interpunktionen, einschließlich Fragezeichen.
Neue Auslöser-Phrasen erstellen
Wenn möglich, sollten Sie mit echten Produktionsdaten beginnen, anstatt eigene Auslöser-Phrasen zu erfinden. Die besten Auslöser-Phrasen sind diejenigen, die den Istwerten der Endbenutzer ähneln. Dies sind die Sätze, die Benutzer bei der Bereitstellung von Agent stellen.
Es ist nicht nötig, bestimmte Wörter wegzulassen: Das Modell ist so konzipiert, dass unnötige Wörter, wie z.B. Stoppwörter (Wörter, die vor der Verarbeitung von natürlichsprachlichen Daten herausgefiltert werden, weil sie unbedeutend sind), weniger Gewicht erhalten.
Optimierung von Auslöser-Phrasen
| # | Tipp | Beispiele |
|---|---|---|
| 1 | Mindestens 5-10 Auslöser-Phrasen pro Thema haben Iterieren Sie und fügen Sie weitere hinzu, wenn Sie von den Benutzern lernen. |
Finde den nächstgelegenen Store Store-Standort prüfen Finde einen Store Finde den nächstgelegenen Standort Store in meiner Nähe |
| 2 | Variable Satzstruktur und Schlüsselbegriffe Das Modell berücksichtigt automatisch Variationen dieser Phrasen. |
Wann sind Sie geschlossen Täglich geöffnete Stunden |
| 3 | Benutzen Sie kurze Auslöser-Phrasen Weniger als 10 Wörter. |
Wann sind Sie geöffnet |
| 4 | Vermeiden Sie Auslöser-Phrasen, die nur aus einem Wort bestehen Dies erhöht die Gewichtung bestimmter Worte bei der Auslösung von Themen. Das kann zu Verwirrung zwischen ähnlichen Themen führen. |
Store |
| 5 | Verwenden Sie vollständige Sätze | Kann ich mit einem menschlichen Mitarbeiter sprechen |
| 6 | Haben Sie eindeutige Verben und Substantive oder Kombinationen davon | Ich brauche Customer Service Ich möchte mit einem Berater sprechen |
| 7 | Vermeiden Sie die Verwendung der gleichen Entitätsvariation Sie müssen nicht alle Beispiele aus dem Entitäten-Wert verwenden. Die NLU berücksichtigt automatisch alle Variationen. |
Ich möchte einen Burger bestellen Ich hätte gerne eine Pizza Ich möchte Hühnchen-Nuggets |
Halten Sie die Anzahl der Auslöser-Phrasen pro Thema im Gleichgewicht
Versuchen Sie, die Anzahl der Auslöser-Phrasen zwischen den Themen auszugleichen.
Tipp
Auf diese Weise übergewichten die Funktionalitäten der NLU nicht ein Thema gegenüber einem anderen auf der Grundlage der konfigurierten Auslöser-Phrasen.
Bewertung der Auswirkungen Ihrer Änderungen
Wenn Sie Auslöser-Phrasen aktualisieren oder Themen zusammenführen oder aufteilen, gibt es mehrere Möglichkeiten, die Änderungen zu bewerten:
- Eine sofortige Änderung im Verhalten von Agent, die über die Leinwand „Test Agent“ beobachtet werden kann (z. B. ein Thema, das jetzt basierend auf Triggerausdruck-Updates ausgelöst wird oder nicht).
- Eine Änderung nach der Bereitstellung von Agent und dem damit verbundenen Datenverkehr, die sich in höheren oder niedrigeren Ablenkungsraten (Nichteskalation) niederschlägt. Sie können dies auf der Registerkarte Analyse in Copilot Studio beobachten.
Tipp
Sie können das Auslösen des Themas und die Leistung Ihres NLU-Modells mithilfe von großen Mengen an Testdaten testen, indem Sie das Copilot Test Framework nutzen.
Obwohl die zugrunde liegenden Features und Komponenten, die zum Erstellen des Copilot Test Framework verwendet wurden (wie z. B. Interaktion mit der Direct Line-API), vollständig unterstützt werden, stellt das Copilot Test Framework selbst Beispielimplementierungen dieser Features dar.
Unsere Kundschaft und die Community können das Copilot Test Framework verwenden und anpassen, um Massentests zu implementieren. Wenn Sie Probleme mit dem Copilot Test Framework haben, melden Sie das Problem hier: https://aka.ms/PVASamples. (Der Microsoft Support hilft Ihnen nicht bei Problemen im Zusammenhang mit diesen Beispielen, wohl aber bei damit zusammenhängenden, zugrunde liegenden Problemen mit der Plattform und den Funktionen).