Βελτιστοποίηση φράσεων ενεργοποίησης και κατανόηση φυσικής γλώσσας
Τι είναι οι φράσεις ενεργοποίησης στο Copilot Studio
Οι φράσεις ενεργοποίησης εκπαιδεύουν το μοντέλο κατανόησης φυσικής γλώσσας (NLU) του παράγοντα.
Οι φράσεις ενεργοποίησης ρυθμίζονται σε επίπεδο θέματος και υποδεικνύουν στον παράγοντα για ποιες τυπικές εκφράσεις χρήστη πρέπει να ενεργοποιηθεί ένα συγκεκριμένο θέμα.
Οι φράσεις ενεργοποίησης συνήθως καταγράφουν τον τρόπο με τον οποίο ένας χρήστης θα ρωτούσε για ένα πρόβλημα ή ζήτημα. Για παράδειγμα, "πρόβλημα με τα ζιζάνια στο γκαζόν"
Φιλοδώρημα
- Κατά τη δημιουργία ενός νέου θέματος, ο δημιουργός χρειάζεται μόνο να δώσει μερικά δείγματα φράσεων (ιδανικά μεταξύ πέντε και δέκα). Όταν χρησιμοποιείται ο παράγοντας, το AI θα αναλύσει τι λέει ο χρήστης και θα ενεργοποιήσει το θέμα που βρίσκεται πιο κοντά στο νόημα της ομιλίας του χρήστη.
- Για περισσότερες πληροφορίες σχετικά με τις αποτελεσματικές φράσεις ενεργοποίησης, ανατρέξτε στο θέμα Επιλογή αποτελεσματικών φράσεων ενεργοποίησης.
Η σημασία του πλαισίου ενεργοποίησης
Η NLU Copilot Studio συμπεριφέρεται διαφορετικά ανάλογα με την κατάσταση της συνομιλίας, γεγονός που μπορεί μερικές φορές να οδηγήσει σε διαφορετικές συμπεριφορές για την ίδια έκφραση του χρήστη.
Ακολουθούν οι διάφορες καταστάσεις συνομιλίας:
- Έναρξη της συνομιλίας: ο παράγοντας δεν έχει κανένα πλαίσιο, οπότε μια έκφραση του χρήστη αναμένεται είτε: να ενεργοποιήσει ένα θέμα απευθείας (αναγνώριση πρόθεσης), να ενεργοποιήσει μια ερώτηση αποσαφήνισης "εννοούσατε" (Αντιστοιχισμένα πολλά θέματα) μεταξύ των υποψηφίων για πρόθεση, εάν υπάρχουν πολλαπλά θέματα που ταιριάζουν, ή να μεταβεί σε ένα εφεδρικό θέμα εάν η πρόθεση δεν αναγνωρίζεται.
- Αφού ενεργοποιηθεί ένα θέμα "μήπως εννοούσατε" (Αντιστοίχιση πολλών θεμάτων): Η NLU βελτιστοποιεί τη συμφωνία με ένα από τα προτεινόμενα θέματα, με υψηλότερα κατώφλια για να απομακρυνθείτε από τις επιλογές που παρουσιάζονται.
- Εναλλαγή από ένα τρέχον θέμα: Εάν η NLU προσπαθεί να γεμίσει μια θέση σε ένα θέμα και ο χρήστης δίνει ένα ερώτημα χρήστη που θα μπορούσε να προκαλέσει ένα άλλο θέμα (εναλλαγή θέματος).
Για τη στίξη
Το μοντέλο NLU είναι ανεξάρτητο από τα σημεία στίξης, συμπεριλαμβανομένων των ερωτηματικών.
Δημιουργία νέων φράσεων ενεργοποίησης
Εάν είναι δυνατό, ξεκινήστε με πραγματικά δεδομένα παραγωγής, αφού θα κάνετε τις δικές σας φράσεων ενεργοποίησης. Οι καλύτερες φράσεις ενεργοποίησης είναι αυτές που είναι παρόμοιες με τα πραγματικά δεδομένα που προέρχονται από χρήστες. Αυτές οι φράσεις είναι αυτές που οι χρήστες ρωτούν έναν αναπτυγμένο παράγοντα.
Δεν υπάρχει λόγος να παραλείψετε συγκεκριμένες λέξεις: το μοντέλο έχει σχεδιαστεί για να δίνει μικρότερη βαρύτητα σε περιττές λέξεις, όπως οι λέξεις stop (λέξεις που φιλτράρονται πριν από την επεξεργασία δεδομένων φυσικής γλώσσας επειδή είναι ασήμαντες).
Βελτιστοποίηση φράσεων ενεργοποίησης
| # | Φιλοδώρημα | Παραδείγματα |
|---|---|---|
| 1 |
Πρέπει να έχουν τουλάχιστον 5-10 φράσεις ενεργοποίησης ανά θέμα Επαναλάβετε και προσθέστε περισσότερα καθώς μαθαίνετε από τους χρήστες. |
Εύρεση του πλησιέστερου καταστήματος Έλεγχος τοποθεσίας χώρου αποθήκευσης Εύρεση καταστήματος Εύρεση της πλησιέστερης τοποθεσίας Κατάστημα κοντά σε εμένα |
| 2 |
Μεταβάλλετε τη δομή της πρότασης και τους βασικούς όρους Το μοντέλο εξετάζει αυτόματα παραλλαγές αυτών των φράσεων. |
Πότε είστε κλειστοί Καθημερινές ώρες λειτουργίας |
| 3 |
Χρησιμοποιήστε σύντομες φράσεις ενεργοποίησης Λιγότερες από 10 λέξεις. |
Πότε είστε ανοιχτά |
| 4 |
Αποφύγετε τις φράσεις ενεργοποίησης μίας λέξης Αυτό αυξάνει τη βαρύτητα συγκεκριμένων λέξεων στην ενεργοποίηση θεμάτων. Μπορεί να προκαλέσει σύγχυση μεταξύ παρόμοιων θεμάτων. |
Store |
| 5 | Χρήση πλήρων φράσεων | Μπορώ να μιλήσω με έναν βοηθό; |
| 6 | Να έχετε μοναδικά ρήματα και ουσιαστικά ή συνδυασμούς αυτών |
Χρειάζομαι εξυπηρέτηση πελατών Θέλω να μιλήσω με έναν σύμβουλο |
| 7 |
Αποφύγετε τη χρήση της ίδιας ποικιλίας οντοτήτων Δεν χρειάζεται να χρησιμοποιήσετε όλα τα παραδείγματα από την τιμή της οντότητας. Το NLU εξετάζει αυτόματα όλες τις παραλλαγές. |
Θέλω να παραγγείλω ένα μπέργκερ Θα ήθελα μια πίτσα Θέλω φιλετίνια κοτόπουλου |
Εξισορρόπηση του αριθμού των φράσεων ενεργοποίησης ανά θέμα
Προσπαθήστε να εξισορροπήσετε τον αριθμό των φράσεων ενεργοποίησης μεταξύ των θεμάτων.
Φιλοδώρημα
Με αυτόν τον τρόπο, οι δυνατότητες NLU δεν υπερτονίζουν ένα θέμα έναντι ενός άλλου με βάση τις διαμορφωμένες φράσεις ενεργοποίησης.
Αξιολόγηση του αντίκτυπου των αλλαγών σας
Κατά την ενημέρωση φράσεων ενεργοποίησης ή κατά τη συγχώνευση ή τη διαίρεση θεμάτων, υπάρχουν πολλοί τρόποι για την αξιολόγηση των αλλαγών:
- Μια άμεση αλλαγή στη συμπεριφορά του παράγοντα, η οποία μπορεί να παρατηρηθεί μέσω του καμβά "δοκιμή πράκτορα" (για παράδειγμα, ένα θέμα που τώρα ενεργοποιείται ή δεν βασίζεται σε ενημερώσεις της φράσης ενεργοποίησης).
- Μια αλλαγή μετά την ανάπτυξη του παράγοντα και αντιμετωπίζοντας την κυκλοφορία, η οποία μεταφράζεται σε υψηλότερα ή χαμηλότερα ποσοστά απόκρουσης (μη κλιμάκωσης). Αυτό μπορεί να παρατηρείται από την καρτέλα Αναλύσεις στο Copilot Studio.
Φιλοδώρημα
Μπορείτε να ελέγξετε την ενεργοποίηση θεμάτων και την επιδόσεις του μοντέλου NLU σε σχέση με τα δοκιμαστικά δεδομένα μαζικά, αξιοποιώντας το Δοκιμαστικό πλαίσιο Copilot.
Αν και οι υποκείμενες δυνατότητες και στοιχεία που χρησιμοποιούνται για τη δημιουργία του Copilot Test Framework (όπως αλληλεπίδραση με το API Direct Line) υποστηρίζονται πλήρως, το ίδιο το Copilot Test Framework αντιπροσωπεύει δείγματα υλοποίησης αυτών των δυνατοτήτων.
Οι πελάτες και η κοινότητά μας μπορούν να χρησιμοποιήσουν και να προσαρμόσουν το Copilot Test Framework για την υλοποίηση μαζικών δοκιμών. Εάν αντιμετωπίζετε προβλήματα με το Copilot Test Framework, αναφέρετε το πρόβλημα εδώ: https://aka.ms/PVASamples. (Η υποστήριξη της Microsoft δεν θα σας βοηθήσει με θέματα που σχετίζονται με αυτά τα δείγματα, αλλά θα σας βοηθήσει με σχετικά ζητήματα, της υποκείμενης πλατφόρμας και των δυνατοτήτων.)