Condividi tramite

Cos'è la comprensione del linguaggio di conversazione?

  • Articolo

La comprensione del linguaggio di conversazione è una delle funzionalità personalizzate offerte da Lingua di Azure AI. Si tratta di un servizio API basato sul cloud che applica l'intelligenza di Machine Learning per consentire di creare un componente di comprensione del linguaggio naturale da usare in un'applicazione di conversazione end-to-end.

La comprensione del linguaggio di conversazione (CLU) consente agli utenti di creare modelli personalizzati di comprensione del linguaggio naturale per prevedere l'intenzione complessiva di un'espressione in ingresso ed estrarre informazioni importanti da essa. CLU fornisce solo l'intelligenza per comprendere il testo di input per l'applicazione client e non esegue alcuna azione. Creando un progetto CLU, gli sviluppatori possono etichettare espressioni, eseguire il training e valutare le prestazioni del modello in modo iterativo prima di renderlo disponibile per l'utilizzo. La qualità dei dati etichettati influisce notevolmente sulle prestazioni del modello. Per semplificare la compilazione e la personalizzazione del modello, il servizio offre un portale Web personalizzato accessibile tramite Language Studio. È possibile iniziare facilmente a usare il servizio seguendo la procedura descritta in questa guida di avvio rapido.

Questa documentazione contiene i tipi di articoli seguenti:

  • Gli avvii rapidi, ovvero istruzioni introduttive su come eseguire richieste al servizio.
  • I concetti forniscono spiegazioni delle funzionalità e delle caratteristiche del servizio.
  • Le guide pratiche contengono istruzioni per usare il servizio con modalità più specifiche o personalizzate.

Esempi di scenari d'uso

È possibile usare la CLU in più scenari in un'ampia gamma di settori. Alcuni esempi sono:

Bot di conversazione end-to-end

Usare la CLU per compilare ed eseguire il training di un modello personalizzato di comprensione del linguaggio naturale basato su un dominio specifico e sulle espressioni degli utenti previste. Integrarlo con qualsiasi bot di conversazione end-to-end, in modo che sia in grado di elaborare e analizzare il testo in ingresso in tempo reale per identificare la finalità del testo ed estrarre informazioni importanti da esso. Fare in modo che il bot esegua l'azione desiderata in base alla finalità e alle informazioni estratte. Un esempio è un bot personalizzato per la vendita al dettaglio per acquisti online od ordini alimentari.

Bot di assistente alle persone

Un esempio di bot di assistente alle persone consiste nell'aiutare il personale a migliorare l'engagement dei clienti esaminando le loro query e assegnandole al tecnico di supporto appropriato. Un altro esempio è un bot delle risorse umane in un'azienda che consente ai dipendenti di comunicare in linguaggio naturale e ricevere indicazioni in base alla query.

Applicazione di comandi e controlli

Integrando un'applicazione client con un componente di riconoscimento vocale, gli utenti sono in grado pronunciare un comando in linguaggio naturale per consentire alla CLU di elaborare, identificare la finalità ed estrarre informazioni dal testo per l'applicazione client per eseguire un'azione. Questo caso d'uso ha molte applicazioni, ad esempio per arrestare, riprodurre, inoltrare e riavvolgere un brano o accendere o spegnere le luci.

Chatbot aziendale

In un'azienda di grandi dimensioni, un chatbot aziendale può gestire una varietà di attività dei dipendenti. Potrebbe gestire le domande frequenti servite da una knowledge base di risposte alle domande personalizzate, una competenza specifica del calendario servita dalla comprensione del linguaggio conversazione e una competenza di feedback del colloquio servita da LUIS. Usare il flusso di lavoro di orchestrazione per connettere tutte queste competenze e instradare in modo appropriato le richieste in ingresso al servizio corretto.

Ciclo di vita di sviluppo di un progetto

La creazione di un progetto CLU prevede in genere diversi passaggi.

Ciclo di vita dello sviluppo

Per sfruttare al meglio il modello, seguire questa procedura:

  1. Definire lo schema: conoscere i dati e definire le azioni e le informazioni pertinenti che devono essere riconosciute dalle espressioni di input dell'utente. In questo passaggio si creano le finalità che si desidera assegnare alle espressioni dell'utente e le entità pertinenti da estrarre.

  2. Etichettare i dati: la qualità dell'etichettatura dei dati è un fattore chiave per determinare le prestazioni del modello.

  3. Eseguire il training del modello: il modello inizia a imparare dai dati etichettati.

  4. Visualizzare le prestazioni del modello: visualizzare i dettagli di valutazione per il modello per determinare il livello di prestazioni quando vengono introdotti nuovi dati.

  5. Migliorare il modello: dopo aver esaminato le prestazioni del modello, è possibile apprendere come migliorare il modello.

  6. Distribuire il modello: la distribuzione di un modello lo rende disponibile per l’uso tramite l’API di runtime.

  7. Prevedere le finalità e le entità: usare il modello personalizzato per prevedere le finalità e le entità dalle espressioni dell'utente.

Documentazione di riferimento ed esempi di codice

Quando si usa la comprensione del linguaggio di conversazione, consultare la documentazione di riferimento e gli esempi seguenti per Lingua di Azure AI:

Lingua / opzione di sviluppo Documentazione di riferimento Esempi
API REST (creazione) Documentazione relativa all'API REST
API REST (runtime) Documentazione relativa all'API REST
C# (runtime) Documentazione di C# Esempi per C#
Python (runtime) Documentazione di Python Esempi per Python

Intelligenza artificiale responsabile

Un sistema di intelligenza artificiale include non solo la tecnologia ma anche le persone che ne faranno uso, le persone interessate e l'ambiente di distribuzione. Leggere le note sulla trasparenza per la comprensione del linguaggio di conversazione, per informazioni sull'uso e sulla distribuzione di intelligenza artificiale responsabile nei sistemi. Per altre informazioni, vedere anche gli articoli seguenti:

Passaggi successivi