Procedure consigliate per le entità e il riempimento degli slot in Copilot Studio

Cos'è il riempimento degli slot?

Il riempimento degli slot è correlato all'uso di entità che consentono a un agente di acquisire e utilizzare informazioni più facilmente identificandole ed estraendole dalla query dell'utente.

Per svolgere il suo compito, un agente necessita in genere di diverse informazioni da parte dell'utente. Per acquisire queste informazioni, in genere dovresti porre domande separate, una per ogni informazione di cui ha bisogno agente. Quando utilizzi entità nelle tue domande, Copilot Studio rileva le informazioni richieste e salta le domande in cui le informazioni potrebbero essere identificate nella domanda dell'utente di attivazione.

Ad esempio, quando un utente chiede: Vorrei ordinare 3 magliette blu grandi

La comprensione del linguaggio naturale (NLU) di Copilot Studio può comprendere immediatamente:

• Argomento è Ordine
• La quantità è 3
• Il colore è blu
• Il tipo di articolo è T-shirt

Agente può quindi saltare le domande non necessarie. Se mancano alcune informazioni, ad esempio la taglia, pone le domande senza risposta prima di andare avanti. Il riempimento degli slot consente al tuo agente di acquisire e utilizzare le informazioni più facilmente e riduce il numero di domande che devi porre.

Per prima cosa definisci quali entità vuoi usare e i loro tipi.

Definizione delle entità

Copilot Studio fornisce diverse entità integrate per i casi d'uso più comuni, ad esempio E-mail, Data e ora, Nome persona, Numero di telefono, Colore, Paese, Città, Numero, Denaro e altro ancora.

Le entità integrate sono potenti in quanto possono gestire molte variazioni del modulo che può assumere un'informazione. Ad esempio, quando si utilizza Denaro in una conversazione, l'utente potrebbe inserire un valore di "100 USD" o "cento dollari" o "100 dollari". Il modello NLU in Copilot Studio comprende che il valore è un valore monetario di 100 dollari.

Suggerimento

In qualsiasi modo vengano immessi i valori, purché vengano richiesti con domande nel flusso della conversazione, vengono archiviati in variabili che è possibile riutilizzare.

Puoi anche definire le tue entità personalizzate, ad esempio Tipo di elemento dall'esempio precedente. Le entità personalizzate possono essere di due tipi:

• Elenco chiuso: per un elenco predefinito di valori.
• Espressioni regolari (RegEx): per informazioni che corrispondono a uno schema specifico. RegEx è ideale quando è necessario acquisire dati che seguono sempre lo stesso formato (ad esempio, INC000001 per un numero di biglietto)

Miglioramento dell'esperienza utente

L'uso di entità rende la tua vita più semplice lasciando raccogliere informazioni a Copilot Studio in modo più intelligente dalle domande degli utenti. Ancora più importante, rende la vita migliore per gli utenti, poiché le entità possono trovare e archiviare le informazioni dalle domande degli utenti, quindi rendere tali informazioni disponibili successivamente nella conversazione. Le entità migliorano l'esperienza utente, facendo sembrare il tuo agente più intelligente, e utilizzarle ogni volta che è possibile è sicuramente una buona pratica.

Procedure consigliate per le entità

Usare i sinonimi

Puoi aggiungere sinonimi a valori di entità di elenchi chiusi per espandere manualmente la logica di corrispondenza per ogni elemento nell'elenco dell'entità. Ad esempio, nell'elemento "escursionismo", puoi aggiungere "trekking" e "alpinismo" come sinonimi.

Suggerimento

• L'uso di sinonimi può anche aiutare l'attivazione di argomenti, poiché aumentano il peso di una frase di attivazione aggiungendo parole correlate come sinonimi di un'entità in essi contenuta. Ad esempio, per un'opzione "Reclamo", aggiungi parole o frasi negative simili come sinonimi.
• Il modello NLU generalizza anche su tutte le variazioni di entità (ovvero tutti i loro valori e i loro sinonimi) nel caso in cui una frase trigger dell'argomento includa almeno una variazione di questa entità. In altre parole, gli autori di agente dovrebbero includere un esempio di frase trigger con un utilizzo di questa entità per NLU per generalizzare su altre varianti di entità.

Abilita correlazione automatica

Per ogni entità di elenco chiuso, puoi anche abilitare Corrispondenza intelligente.

Smart Matching fa parte dell'intelligenza supportata dal modello agente's NLU. Se questa opzione è abilitata, agente interpreta l'input dell'utente utilizzando la logica fuzzy, in base agli elementi elencati nell'entità.

In particolare, agente corregge automaticamente gli errori di ortografia ed espande semanticamente la sua logica di corrispondenza. Ad esempio, agente può abbinare automaticamente "softball" a "baseball".

Sii creativo con le espressioni regolari

A volte, l'estrazione di entità da una domanda dell'utente può creare confusione per il modello NLU, soprattutto quando nella domanda dell'utente sono presenti più entità dello stesso tipo.

Ad esempio, se un utente chiede: "puoi portare 2 asciugamani e 1 cuscino nella stanza 101"?

L'uso dell'entità Numero integrata creerebbe confusione tra 2, 1 e 101. Per ovviare a questa confusione, puoi definire le seguenti entità di espressioni regolari:

• Quantità asciugamani: [1-9] asciugamani
• Quantità cuscini: [1-9] cuscini
• Numero stanza: [0-9]{3}

Alternative alle entità per archiviare dati referenziali

Per set di dati di grandi dimensioni o in evoluzione (ad esempio un elenco di prodotti o clienti), invece di utilizzare entità a elenco chiuso di Copilot Studio, potresti voler controllare le origini esterne. È necessario passare l'espressione dell'utente al servizio esterno utilizzando un flusso cloud Power Automate.

La tua logica argomento può quindi convalidare l'accuratezza del risultato (o chiedere all'utente di convalidarlo) prima di andare avanti nella conversazione.

Dataverse è un buon candidato per archiviare tali dati, in quanto dispone di una funzionalità Ricerca Dataverse integrata che supporta la corrispondenza fuzzy per restituire i migliori risultati insieme a un punteggio di affidabilità. Anche se cerca con una frase completa, è in grado di recuperare potenziali corrispondenze.

Suggerimento

Per rivedere un esempio di implementazione, vedere Restituire un elenco di risultati.