Procedimientos recomendados para entidades y llenar espacios en Copilot Studio

¿Qué es el llenado de espacios?

El llenado de ranuras está relacionado con el uso de entidades que permiten a un agente adquirir y usar información más fácilmente al identificarla y extraerla de la consulta del usuario.

Un agente normalmente necesita varios datos de un usuario para realizar su trabajo. Para obtener esta información, normalmente se formulan preguntas separadas, una para cada dato que necesita el agente. Cuando usa entidades en sus preguntas, Copilot Studio detecta la información requerida y omite las preguntas donde la información podría identificarse en la consulta del usuario desencadenante.

Por ejemplo, cuando un usuario pregunta: Me gustaría pedir 3 camisetas azules grandes

La Comprensión del lenguaje natural (NLU) de Copilot Studio puede comprender inmediatamente:

• Tema es Orden
• La cantidad es 3
• El color es azul
• El tipo de artículo es camiseta

El agente puede entonces saltarse preguntas innecesarias. Si faltan algunos datos, por ejemplo, Tamaño, formula las preguntas sin respuesta antes de seguir adelante. El llenado de espacios permite que su agente adquiera y use información más fácilmente y reduce la cantidad de preguntas que necesita hacer.

Primero de definir qué entidades desea utilizar y sus tipos.

Definición de entidades

Copilot Studio proporciona varias entidades integradas para los casos de uso más comunes, como Correo electrónico, Fecha y hora, Nombre de la persona, Número de teléfono, Color, País, Ciudad, Número, Dinero y más.

Las entidades integradas son poderosas ya que pueden manejar muchas variaciones de la forma que puede tomar una información. Por ejemplo, al usar Dinero en una conversación, el usuario puede ingresar un valor como "100 $" o "cien dólares" o "100 dólares". El modelo NLU en Copilot Studio deduce que se trata de un valor monetario de 100 dólares.

Propina

Independientemente de cómo se introduzcan los valores, siempre que se soliciten con preguntas en su flujo de conversación, se almacenarán en variables que podrá reutilizar.

También puede definir sus propias entidades personalizadas, como Tipo de artículo del ejemplo anterior. Las entidades personalizadas pueden ser de dos tipos:

• Lista cerrada: para una lista predefinida de valores.
• Expresiones regulares (RegEx): para obtener información que coincida con un patrón específico. RegEx es ideal cuando necesita capturar datos que siempre siguen el mismo formato (por ejemplo, INC000001 para un número de billete)

Mejora de la experiencia del usuario

El uso de entidades simplifica su vida al permitir a Copilot Studio recopilar información de forma más inteligente a partir de las consultas de los usuarios. Más importante aún, mejora la vida de los usuarios, ya que las entidades pueden encontrar y almacenar información de las consultas de los usuarios y luego hacer que esa información esté disponible más adelante en la conversación. Las entidades mejoran la experiencia del usuario (hacen que su agente parezca más inteligente) y usarlas siempre que sea posible es definitivamente una buena práctica.

Procedimientos recomendados de la entidad

Usar sinónimos

Puede agregar sinónimos a valores de entidades de lista cerrada para expandir manualmente la lógica de coincidencia para cada elemento de la lista de la entidad. Por ejemplo, en el elemento "senderismo", puede agregar "senderismo de montaña" y "montañismo" como sinónimos.

Propina

• El uso de sinónimos también puede ayudar a la activación de temas, ya que aumentan el peso de una frase desencadenante al agregar palabras relacionadas como sinónimos de una entidad que contiene. Por ejemplo, para una opción de "Queja", agregue palabras o frases negativas similares como sinónimos.
• El modelo NLU también generaliza todas las variaciones de la entidad (es decir, todos sus valores y sus sinónimos) en caso de que una frase desencadenante de tema incluya al menos una variación de esta entidad. En otras palabras, los autores de agente deberían incluir un ejemplo de frase desencadenadora con un uso de esta entidad para que NLU pueda generalizarse en otras variaciones de entidad.

Habilitar coincidencia inteligente

Para cada entidad de la lista cerrada, también puede activar la coincidencia inteligente.

Smart Matching es parte de la inteligencia respaldada por el modelo agente's NLU. Con esta opción habilitada, agente interpreta la entrada del usuario utilizando lógica difusa, basándose en los elementos enumerados en la entidad.

En particular, agente corrige automáticamente los errores ortográficos y amplía su lógica de coincidencia semánticamente. Por ejemplo, agente puede hacer coincidir automáticamente "softbol" con"béisbol" .

Sea creativo con las expresiones regulares

A veces, la extracción de entidades a partir de una consulta de usuario puede llevar a confusión al modelo NLU, sobre todo cuando en la consulta de usuario aparecen varias entidades del mismo tipo.

Por ejemplo, si un usuario dice: "¿puedes traer 2 toallas y 1 almohada a la habitación 101"?

Usando el la entidad Número incorporada se confundiría entre 2, 1 y 101. Para evitar esta confusión, puede definir las siguientes entidades de expresión regular:

• Cantidad de toallas: [1-9] toalla
• Cantidad de almohadas: [1-9] almohada
• Número de habitación: [0-9]{3}

Alternativas a las entidades para almacenar datos referenciales

Para conjuntos de datos grandes o en evolución (por ejemplo, una lista de productos o clientes), en lugar de utilizar entidades de Copilot Studio de lista cerrada, es posible que desee comprobar las fuentes externas. Debe pasar la expresión del usuario al servicio externo mediante un flujo de nube de Power Automate.

Su lógica tema puede validar la precisión del resultado (o pedirle al usuario que lo valide) antes de avanzar en la conversación.

Dataverse es un buen candidato para almacenar dichos datos, ya que tiene una capacidad de Búsqueda de Dataverse que admite coincidencias aproximadas para devolver los mejores resultados junto con una puntuación de confianza. Incluso si busca con una frase completa, puede recuperar posibles coincidencias.

Propina

Para revisar una implementación de muestra, consulte Devolver una lista de resultados.