Introduzione alla comprensione del linguaggio di conversazione in Azure
La funzionalità di comprensione del linguaggio di conversazione (CLU) di Lingua di Azure AI consente di creare un modello linguistico e usarlo per le stime. La creazione di un modello implica la definizione di entità, finalità ed espressioni. La generazione di stime comporta la pubblicazione di un modello in modo che le applicazioni client possano acquisire input dall'utente e restituire risposte.
Risorse di Azure per la comprensione del linguaggio di conversazione
Per usare le funzionalità di comprensione del linguaggio di conversazione in Azure, è necessaria una risorsa nella sottoscrizione di Azure. È possibile usare i tipi di risorse seguenti:
- Lingua di Azure AI: Una risorsa che consente di creare app con funzionalità di comprensione del linguaggio naturale leader del settore senza competenze di apprendimento automatico. È possibile usare una risorsa linguistica per la creazione e la previsione.
- Servizi di Azure AI: Una risorsa generale che include la comprensione del linguaggio di conversazione insieme a molti altri servizi di Azure AI. Questo tipo di risorsa può essere usato solo per la previsione.
La separazione delle risorse è utile per tenere traccia dell'utilizzo delle risorse per l'uso di Lingua di Azure AI separatamente dalle applicazioni client che usano tutte le applicazioni dei Servizi di Azure AI.
Creazione
Dopo aver ottenuto una risorsa di creazione, è possibile usarla per eseguire il training di un modello CLU. Per eseguire il training di un modello, iniziare definendo le entità e le finalità che verranno previste dall'applicazione, nonché le espressioni per ogni finalità che possono essere usate per eseguire il training del modello predittivo.
La comprensione del linguaggio di conversazione offre una raccolta completa di domini predefiniti che includono finalità ed entità predefinite per scenari comuni, utilizzabili come punto di partenza per il modello. Si possono anche creare entità e finalità personalizzate.
Le entità e le finalità possono essere create in qualsiasi ordine. È possibile creare una finalità e selezionare le parole nelle espressioni di esempio definite per la creazione di entità. In alternativa, è possibile creare le entità in anticipo, quindi eseguirne il mapping alle parole nelle espressioni durante la creazione delle finalità.
È possibile scrivere codice per definire gli elementi del modello, ma nella maggior parte dei casi è più semplice creare il modello usando Language Studio, ossia un'interfaccia basata sul Web per la creazione e la gestione di applicazioni di comprensione del linguaggio di conversazione.
Training del modello
Dopo aver definito le finalità e le entità nel modello e aver incluso un set appropriato di espressioni di esempio, il passaggio successivo prevede l'esecuzione del training del modello. Il training è il processo d'uso delle espressioni di esempio per insegnare al modello ad abbinare le espressioni in linguaggio naturale che potrebbe usare un utente a finalità ed entità probabili.
Dopo aver eseguito il training del modello, è possibile testarlo inviando il testo ed verificando le finalità previste. Training e test sono un processo iterativo. Dopo aver eseguito il training del modello, è possibile testarlo con espressioni di esempio per verificare se le finalità e le entità vengono riconosciute correttamente. In caso contrario, apportare modifiche, ripetere il training e testare nuovamente.
Previsione
Quando si è soddisfatti dei risultati di training e test, è possibile pubblicare l'applicazione di comprensione del linguaggio di conversazione in una risorsa di stima per l'utilizzo.
Le applicazioni client possono usare il modello connettendosi all'endpoint per la risorsa di previsione, specificando la chiave di autenticazione appropriata, e inviano l'input dell'utente per ottenere le finalità e le entità stimati. Le previsioni vengono restituite all'applicazione client, che può quindi intraprendere l'azione appropriata in base alla finalità prevista.