다음을 통해 공유

LUIS(Language Understanding)에서 CLU(대화 언어 이해)로 마이그레이션

  • 아티클

CLU(대화 언어 이해)는 Azure AI Language의 클라우드 기반 AI 제품입니다. 최신 세대의 LUIS(Language Understanding)이며 이전에 만든 LUIS 애플리케이션과 호환됩니다. CLU는 최첨단 기계 학습 인텔리전스를 사용하여 사용자가 대화 발언의 의도 및 엔터티를 예측하는 사용자 지정 자연어 인식 모델을 빌드할 수 있도록 합니다.

CLU는 LUIS에 비해 다음과 같은 장점이 있습니다.

  • 보다 정확하게 의도를 분류하고 엔터티를 추출할 수 있도록 최첨단 기계 학습 모델을 사용하여 정확도가 향상되었습니다. LUIS는 의도 및 엔터티의 특정 개념을 일반화하려면 더 많은 예제가 필요하지만, CLU의 고급 기계 학습은 요구하는 데이터 양이 훨씬 적기 때문에 고객의 부담이 감소합니다.
  • 모델 학습 및 교육에 다국어를 지원합니다. 한 언어로 프로젝트를 학습시키고 96개 언어로 의도 및 엔터티를 즉시 예측합니다.
  • 오케스트레이션 워크플로를 사용하여 다른 CLU 및 사용자 지정 질문 답변 프로젝트와 쉽게 통합할 수 있습니다.
  • 배포 전에 모델 성능을 평가할 수 있도록 Language Studio 및 API를 사용하여 환경 내에서 테스트 데이터를 추가하는 기능이 있습니다.

새 프로젝트 만들기 또는 LUIS 애플리케이션 마이그레이션 중에 하나를 선택하여 시작할 수 있습니다.

LUIS와 CLU 비교

다음 표에서는 LUIS와 CLU의 기능을 나란히 비교합니다. 또한 CLU로 마이그레이션한 후 LUIS 애플리케이션이 어떻게 바뀌는지 집중적으로 살펴봅니다. 변경 내용에 대해 자세히 알아보려면 개념 링크를 선택하세요.

LUIS 기능 CLU 기능 마이그레이션 후
기계 학습 엔터티와 정형 ML 엔터티 학습 엔터티 구성 요소 하위 엔터티가 없는 기계 학습 엔터티는 CLU 엔터티로 이전됩니다. 정형 ML 엔터티는 리프 노드(자체 하위 엔터티가 없는 최하위 수준 하위 엔터티)만 CLU의 엔터티로 이전합니다. CLU에서는 부모와 연결된 하위 엔터티의 이름이 엔터티의 이름이 됩니다. 예: Order.Size
목록, 정규식 및 사전 빌드 엔터티 목록, 정규식 및 사전 빌드 엔터티 구성 요소 목록, 정규식 및 사전 빌드 엔터티는 엔터티 형식에 따라 채워진 엔터티 구성 요소를 사용하여 CLU의 엔터티로 이전됩니다.
Pattern.Any 엔터티 현재 사용할 수 없음 Pattern.Any 엔터티는 제거될 예정됩니다.
각 애플리케이션의 단일 문화권 다국어 모델은 각 프로젝트에 여러 언어를 사용할 수 있습니다. 프로젝트의 기본 언어가 LUIS 애플리케이션 문화권으로 설정됩니다. 프로젝트를 다른 언어로 확장하도록 학습시킬 수 있습니다.
엔터티 역할 역할은 더 이상 필요 없습니다. 엔터티 역할은 엔터티로 이전됩니다.
다음에 대한 설정: 문장 부호 정규화, 분음 부호 정규화, 단어 형식 정규화, 모든 학습 데이터 사용 설정이 더 이상 필요 없습니다. 설정은 이전되지 않습니다.
패턴 및 구 목록 기능 패턴 및 구 목록 기능은 더 이상 필요 없습니다. 패턴 및 구 목록 기능은 이전되지 않습니다.
엔터티 기능 엔터티 구성 요소 엔터티에 기능으로 추가된 목록 또는 미리 빌드된 엔터티는 해당 엔터티에 추가된 구성 요소로 이전됩니다. 엔터티 기능은 의도에 대해 이전되지 않습니다.
의도 및 발화 의도 및 발화 모든 의도 및 발화가 이전됩니다. 발화의 경우 이전된 엔터티가 레이블로 지정됩니다.
애플리케이션 GUID 프로젝트 이름 애플리케이션 이름을 사용하여 마이그레이션하는 각 애플리케이션에 대한 프로젝트가 만들어집니다. 애플리케이션 이름의 특수 문자는 CLU에서 제거됩니다.
버전 관리 학습시킬 때마다 모델이 만들어지고 해당 모델은 프로젝트의 버전 역할을 합니다. 선택한 애플리케이션 버전에 대한 프로젝트가 만들어집니다.
일괄 테스트를 사용한 평가 테스트 세트를 사용한 평가 테스트 데이터 세트를 추가해야 합니다.
LUIS 리소스에 대한 RBAC(역할 기반 액세스 제어) 언어 리소스에 사용할 수 있는 RBAC(역할 기반 액세스 제어) 마이그레이션 후에 언어 리소스 RBAC를 수동으로 추가해야 합니다.
단일 학습 모드 표준 및 고급 학습 모드 애플리케이션을 마이그레이션한 후에는 학습시켜야 합니다.
2개의 게시 슬롯과 버전 게시 사용자 지정 명명이 가능한 10개의 배포 슬롯 애플리케이션을 마이그레이션하고 학습시킨 후에는 배포해야 합니다.
.NET, Python, Java 및 Node.js에서 LUIS 제작 API 및 SDK 지원 CLU 제작 REST API. CLU 제작 API에 대한 자세한 내용은 빠른 시작 문서를 참조하세요. CLU 제작 API를 사용하려면 리팩터링이 필요합니다.
.NET, Python, Java 및 Node.js에서 LUIS 런타임 API 및 SDK 지원 CLU 런타임 API. .NET 및 Python에 대한 CLU 런타임 SDK 지원. 자세한 내용은 API 호출 방법을 참조하세요. CLU 런타임 API 응답을 사용하려면 리팩터링이 필요합니다.

LUIS 애플리케이션 마이그레이션

LUIS 포털 또는 REST API를 사용하여 LUIS 애플리케이션을 마이그레이션하려면 다음 단계를 수행합니다.

LUIS 포털을 사용하여 LUIS 애플리케이션 마이그레이션

LUIS 포털을 사용하여 마이그레이션을 시작하려면 다음 단계를 수행합니다.

  1. LUIS 포털에 로그인한 다음, 화면 맨 위에 있는 배너의 단추를 클릭하여 마이그레이션 마법사를 시작합니다. 마이그레이션에서 선택한 LUIS 애플리케이션만 CLU에 복사됩니다.

    LUIS 포털의 마이그레이션 배너를 보여주는 스크린샷

    마이그레이션 개요 탭에는 대화 언어 이해 및 이점에 대한 간략한 설명이 표시됩니다. [다음]을 클릭하여 계속 진행합니다.

    [마이그레이션 개요] 창을 보여주는 스크린샷

  2. LUIS 애플리케이션을 마이그레이션할 언어 리소스를 결정합니다. 언어 리소스를 이미 만든 경우 Azure 구독과 언어 리소스를 차례로 선택하고 다음을 선택합니다. 언어 리소스가 없는 경우 링크를 클릭하여 새 언어 리소스를 만듭니다. 그런 다음, 리소스를 선택하고 다음을 선택합니다.

    리소스 선택 창을 보여주는 스크린샷

  3. 마이그레이션하려는 모든 LUIS 애플리케이션을 선택하고 각 버전을 지정합니다. 다음을 선택합니다. 애플리케이션 및 버전을 선택하면 LUIS 애플리케이션에서 이월되지 않는 기능을 알리는 메시지가 표시됩니다.

    참고 항목

    특수 문자는 대화 언어 이해에서 지원되지 않습니다. 선택한 LUIS 애플리케이션 이름의 특수 문자는 마이그레이션된 새 애플리케이션에서 제거됩니다. 애플리케이션 선택 창을 보여주는 스크린샷

  4. 언어 리소스 및 LUIS 애플리케이션 선택 내용을 검토합니다. 마침을 선택하여 애플리케이션을 마이그레이션합니다.

  5. 팝업 창에서 애플리케이션의 마이그레이션 상태를 추적할 수 있습니다. 마이그레이션을 시작하지 않은 애플리케이션의 상태는 시작되지 않음입니다. 마이그레이션을 시작한 애플리케이션의 상태는 진행 중이고, 마이그레이션이 완료되면 성공으로 바뀝니다. 애플리케이션 상태가 실패이면 마이그레이션 프로세스를 반복해야 합니다. 모든 애플리케이션의 마이그레이션이 완료되면 완료를 선택합니다.

    애플리케이션 마이그레이션 진행률 창을 보여주는 스크린샷

  6. 애플리케이션이 마이그레이션된 후에는 다음 단계를 수행할 수 있습니다.

자주 묻는 질문

CLU에서 지원되는 LUIS JSON 버전은 무엇인가요?

CLU는 모델 JSON 버전 7.0.0을 지원합니다. JSON 형식이 이전 버전인 경우 먼저 LUIS로 가져온 다음, 최신 버전을 사용하여 LUIS에서 내보내야 합니다.

CLU의 엔터티는 어떻게 다른가요?

CLU에서는 단일 엔터티에 추출을 위한 다른 메서드인 엔터티 구성 요소가 여러 개 있을 수 있습니다. 이러한 구성 요소는 개발자가 정의할 수 있는 규칙을 사용하여 서로 결합됩니다. 사용 가능한 구성 요소는 다음과 같습니다.

  • 학습: LUIS의 ML 엔터티와 동일하며, 레이블은 제공된 레이블의 콘텐츠 및 컨텍스트를 기반으로 엔터티를 예측하도록 기계 학습 모델을 학습시키는 데 사용됩니다.
  • 목록: LUIS의 목록 엔터티와 마찬가지로 목록 구성 요소는 동의어 세트를 정확히 매칭한 다음, 목록 키라는 정규화된 값으로 다시 매핑합니다.
  • 사전 빌드: 사전 빌드 구성 요소를 사용하면 LUIS와 CLU 모두에서 사용할 수 있는 공통 형식에 대해 미리 빌드된 추출기를 사용하여 엔터티를 정의할 수 있습니다.
  • 정규식: 정규식 구성 요소는 LUIS의 정규식 엔터티와 똑같이 정규식을 사용하여 사용자 지정 정의된 패턴을 캡처합니다.

LUIS의 엔터티는 CLU에서 동일한 이름의 엔터티로 이전되고 동일한 구성 요소가 이전됩니다.

마이그레이션한 후에는 정형 기계 학습 리프 노드와 하위 수준 하위 엔터티가 새 CLU 모델로 이전되고 모든 부모 엔터티와 상위 수준 엔터티는 무시됩니다. 부모 엔터티와 연결된 하위 수준 엔터티의 이름이 엔터티의 이름이 됩니다.

예시:

LUIS 엔터티:

  • Pizza Order
    • Topping
    • 크기

CLU로 마이그레이션된 LUIS 엔터티:

  • Pizza Order.Topping
  • Pizza Order.Size

또한 CLU의 서로 다른 엔터티 2개의 레이블을 동일한 문자 범위에서 지정할 수 없습니다. CLU의 학습된 구성 요소는 상호 배타적이며 학습된 구성 요소에 대해서만 겹치는 예측을 제공하지 않습니다. LUIS 애플리케이션을 마이그레이션할 때, 겹치는 엔터티 레이블은 가장 긴 레이블을 유지하고 다른 레이블을 무시했습니다.

엔터티 구성 요소에 대한 자세한 내용은 엔터티 구성 요소를 참조하세요.

엔터티 역할은 어떻게 CLU로 이전되나요?

역할은 레이블이 지정된 발화와 함께 고유한 엔터티로 이전됩니다. 각 역할의 엔터티 형식은 채워질 엔터티 구성 요소를 결정합니다. 예를 들어 list 엔터티 역할은 역할과 이름이 같은 엔터티로 이전되고 list 구성 요소가 채워집니다.

엔터티 기능은 CLU에서 어떻게 이전되나요?

의도의 기능으로 사용되는 엔터티는 이전되지 않습니다. 다른 엔터티의 기능으로 사용되는 엔터티는 엔터티의 관련 구성 요소를 채웁니다. 예를 들어 SizeList라는 목록 엔터티가 Size라는 기계 학습 엔터티의 기능으로 사용된 경우 Size 엔터티는 CLU로 이전되고 SizeList의 목록 값이 해당 목록 구성 요소에 추가됩니다. 사전 빌드 엔터티와 정규식 엔터티도 마찬가지입니다.

CLU의 엔터티 신뢰도 점수는 어떻게 다른가요?

추출된 엔터티는 100% 신뢰도 점수를 가지므로 엔터티 간 결정을 내리는 데 엔터티 신뢰도 점수를 사용하면 안 됩니다.

대화 언어 이해는 다국어를 어떻게 이해하나요?

대화 언어 이해 프로젝트는 여러 언어의 발화를 허용합니다. 뿐만 아니라 모델을 한 언어로 학습시키고 다른 언어로 예측하도록 확장할 수 있습니다.

예시:

학습 발화(영어): How are you?

레이블이 지정된 의도: 인사말

런타임 발화(프랑스어): Comment ça va?

예측된 의도: 인사말

CLU의 정확도가 LUIS보다 어떻게 더 나은가요?

CLU는 최첨단 모델을 사용하여 다양한 의도 분류 및 엔터티 추출 모델의 기계 학습 성능을 향상시킵니다.

이러한 모델은 사소한 변화에 민감하지 않으므로 문장 부호 정규화, 분음 부호 정규화, 단어 형식 정규화 및 모든 학습 데이터 사용 설정이 필요하지 않습니다.

또한 새 모델은 의미상 유사한 단어를 제공하여 정확도를 높이기 위해, 사용자에게 더 이상 추가 정보를 요구하지 않는 구 목록 기능을 지원하지 않습니다. 그리고 패턴은 새 모델 패러다임에 필요 없는 규칙 기반 매칭 기술을 사용하여 의도 분류를 향상하는 데 사용되었습니다. 아래 질문에 자세한 내용이 설명되어 있습니다.

LUIS에서 사용하는 기능이 없으면 어떻게 해야 하나요?

LUIS에는 있지만 CLU에서는 더 이상 사용할 수 없는 여러 기능이 있습니다. 그 중에는 기능 엔지니어링, 패턴 및 pattern.any 엔터티, 정형 엔터티가 포함됩니다. LUIS에서 이러한 기능을 사용한 경우 다음 지침을 따릅니다.

  • 패턴: LUIS에서는 정규식 템플릿 발화를 정의하여 의도 분류를 지원하기 위한 패턴이 추가되었습니다. 그 중 하나는 발화 예제 없이 패턴 전용 의도를 정의하는 기능입니다. CLU는 최첨단 모델을 활용하여 일반화할 수 있습니다. CLU의 의도와 일치하는 특정 패턴에 몇 가지 발화를 제공할 수 있으며, 따라서 패턴 템플릿 발화 없이도 다른 패턴을 상위 의도로 분류할 수 있습니다. 이렇게 하면 LUIS에서 제한되었던 이러한 패턴을 공식화하기 위한 요구 사항이 간소화되고, 더 나은 의도 분류 환경이 제공됩니다.

  • 구 목록 기능: 기능을 연결하는 기능은 사용할 주요 요소/기능을 강조 표시하여 의도 분류를 지원하기 위해 주로 발생했습니다. CLU에서 사용되는 심층 모델은 언어에 내재된 요소를 이미 식별할 수 있으므로 이 기능은 더 이상 필요 없습니다. 따라서 이러한 기능을 제거해도 모델의 분류 기능에는 영향을 주지 않습니다.

  • 정형 엔터티: 정형 엔터티를 정의하는 기능은 주로 발화를 다단계 구문 분석할 수 있도록 하는 것이었습니다. 하위 엔터티의 다양한 가능성으로 인해 LUIS는 다양한 엔터티 조합을 정의하고 모델에 예제로 제시해야 했습니다. CLU에서는 겹치는 학습 구성 요소가 지원되지 않으므로 이러한 정형 엔터티는 더 이상 지원되지 않습니다. 이러한 정형 추출을 처리하는 몇 가지 가능한 방법이 있습니다.

    • 모호하지 않은 추출: 대부분의 경우 리프 엔터티를 찾으면 전체 범위 내에서 필요한 항목을 이해하기에 충분합니다. 예를 들어 원본과 대상에 완전히 걸쳐 있는 Trip(런던에서 뉴욕으로 또는 집에서 회사로)과 같은 정형 엔터티는 원본 및 대상에 대해 예측된 개별 범위로 식별할 수 있습니다. 이들이 개별 예측으로 존재하면 Trip 엔터티를 알 수 있습니다.
    • 모호한 추출: 서로 다른 하위 엔터티의 경계가 명확하지 않을 때 사용합니다. "페퍼로니 피자와 치즈를 추가한 채식 피자를 주문하고 싶습니다"를 예로 들어 보겠습니다. 다양한 피자 종류와 토핑 수정을 추출할 수 있지만, 컨텍스트 없이 추출하면 치즈를 어디에 추가하는지 모호해질 수 있습니다. 이 경우 범위의 한도는 컨텍스트 기반이며 이를 확인하려면 ML이 필요합니다. 모호한 추출의 경우 다음 방법 중 하나를 사용할 수 있습니다.
  1. 하위 엔터티를 동일한 엔터티 내의 다른 엔터티 구성 요소로 결합합니다.

예시:

LUIS 구현:

  • 피자 주문(엔터티)
    • 크기(하위 엔터티)
    • 수량(하위 엔터티)

CLU 구현:

  • 피자 주문(엔터티)
    • 크기(목록 엔터티 구성 요소: 소, 중, 대)
    • 수량(사전 빌드 엔터티 구성 요소: 수)

CLU에서는 크기와 수량을 포함한 피자 주문의 전체 범위에 레이블을 지정합니다. 그러면 크기를 나타내는 목록 키와 동일한 엔터티 개체의 수량을 나타내는 숫자 값을 사용하여 피자 주문이 반환됩니다.

  1. 엔터티에 여러 수준의 깊이가 포함된 더 복잡한 문제의 경우 엔터티 구조의 깊이 수준마다 프로젝트를 만들 수 있습니다. 이렇게 하면 다음 중에 선택할 수 있습니다.
  • 각 프로젝트에 발화를 전달합니다.
  • 단계 진행 CLU에서 각 프로젝트의 분석을 결합합니다.

이 개념에 대한 자세한 예제는 GitHub에서 제공하는 피자 샘플 프로젝트를 확인하세요.

CLU에서는 버전을 어떻게 관리하나요?

CLU는 모델을 학습시키는 데 사용되는 데이터 자산을 저장합니다. 언제든지 모델의 자산을 내보내거나 다시 프로젝트에 로드할 수 있습니다. 따라서 모델은 프로젝트의 여러 버전으로 작동합니다.

Language Studio를 사용하거나 프로그래밍 방식으로 CLU 프로젝트를 내보내고 다양한 버전의 자산을 로컬에 저장할 수 있습니다.

CLU 분류가 LUIS와 다른 이유는 무엇인가요? 없음 분류는 어떤 방식으로 작동하나요?

CLU는 이진 분류가 아닌 다중 분류를 사용하여 모델을 학습시키는 다른 방법을 제공합니다. 결과적으로 점수 해석이 다르며 학습 옵션 간에도 다릅니다. 더 나은 결과를 얻을 가능성이 있지만, 점수의 차이를 관찰하고 의도 예측을 수락하는 새로운 임계값을 결정해야 합니다. 프로젝트 설정에서 없음 의도에 대한 신뢰도 점수 임계값을 쉽게 추가할 수 있습니다. 그러면 상위 의도가 제공된 신뢰도 점수 임계값을 초과하지 않으면 없음이 상위 의도로 반환됩니다.

CLU 모델은 LUIS보다 많은 데이터가 필요한가요?

새로운 CLU 모델은 LUIS보다 언어의 의미를 더 정확하게 이해하며, 따라서 모델이 훨씬 적은 데이터로 일반화할 수 있습니다. 데이터 양을 줄이는 것을 목표로 해서는 안 되지만, LUIS에 비해 CLU의 변형 및 동의어에 대한 성능과 복원력이 향상될 것으로 기대할 수 있습니다.

LUIS 앱을 마이그레이션하지 않으면 삭제되나요?

기존 LUIS 애플리케이션은 2025년 10월 1일까지 사용할 수 있습니다. 그 후에는 더 이상 해당 애플리케이션을 사용할 수 없고, 서비스 엔드포인트가 더 이상 작동하지 않으며, 애플리케이션이 영구적으로 삭제됩니다.

.LU 파일이 CLU에서 지원되나요?

JSON 형식만 CLU에서 지원됩니다. .LU 파일을 LUIS로 가져온 후 JSON 형식으로 내보내거나, 애플리케이션에 대해 위의 마이그레이션 단계를 수행할 수 있습니다.

CLU의 서비스 제한 사항은 무엇인가요?

자세한 내용은 서비스 제한 문서를 참조하세요.

LUIS에서 CLU로 애플리케이션을 마이그레이션하는 경우 코드를 리팩터링해야 하나요?

CLU 애플리케이션의 API 개체는 LUIS와 다르므로 코드 리팩터링이 필요합니다.

LUIS 프로그래밍 방식 및 런타임 API를 사용하는 경우 해당 API로 바꿀 수 있습니다.

CLU는 CLU 제작 API: 발화 추가, 엔터티 삭제 및 의도 이름 바꾸기와 같은 개별 작업에 대한 LUIS의 특정 CRUD API 대신 동일한 이름을 사용하여 프로젝트의 전체 콘텐츠를 대체하는 가져오기 API를 제공합니다. 서비스에서 LUIS 프로그래밍 API를 사용하여 다른 고객을 위한 플랫폼을 제공한 경우 이 새로운 디자인 패러다임을 고려해야 합니다. 프로젝트 나열, 학습, 배포 및 삭제와 같은 다른 모든 API를 사용할 수 있습니다. 가져오기 및 배포와 같은 작업에 대한 API는 LUIS처럼 동기 작업이 아닌 비동기 작업입니다.

CLU 런타임 API: 새 API 요청 및 응답에는 쿼리, 예측, 상위 의도, 의도, 엔터티 및 해당 값과 같은 많은 동일한 매개 변수가 포함됩니다. CLU 응답 개체는 보다 간단한 접근 방식을 제공합니다. 엔터티 예측은 발화 텍스트 내에 있으므로 제공되며, 확인 또는 목록 키와 같은 추가 정보는 extraInformation 및 resolution이라는 추가 매개 변수에 제공됩니다.

.NET 또는 Python CLU 런타임 SDK를 사용하여 LUIS 런타임 SDK를 대체할 수 있습니다. 현재 CLU에 사용할 수 있는 제작 SDK는 없습니다.

CLU에서 학습 시간은 어떻게 다른가요? 표준 교육은 고급 교육과 어떻게 다른가요?

CLU는 영어로 학습시키고 배우는 표준 교육을 제공하며 LUIS의 학습 시간과 비슷합니다. 또한 학습을 지원되는 다른 언어로 확장할 때 훨씬 더 긴 기간이 소요되는 고급 학습을 제공합니다. 학습 API는 계속해서 비동기 프로세스이며, 솔루션에 사용하는 DevOps 프로세스의 변경 내용을 평가해야 합니다.

CLU의 환경은 LUIS에 비해 어떻게 바뀌었나요? 개발 수명 주기는 어떻게 다른가요?

LUIS에서는 빌드-학습-테스트-게시의 순서로 진행하는 반면, CLU에서는 빌드-학습-평가-배포-테스트의 순서로 진행합니다.

  1. 빌드: CLU에서는 학습 전에 의도, 엔터티 및 발화를 정의할 수 있습니다. 또한 CLU는 모델 평가에 사용할 애플리케이션을 빌드할 때 테스트 데이터를 지정할 수 있는 기능을 제공합니다. 평가에서는 모델이 테스트 데이터에서 얼마나 잘 수행되는지 평가하고 정밀도, 재현율 및 F1 메트릭을 제공합니다.
  2. 학습: 학습시킬 때마다 이름이 있는 모델을 만듭니다. 이미 학습된 모델을 덮어쓸 수 있습니다. 표준 또는 고급 학습을 지정하고, 평가에 테스트 데이터를 사용할 것인지 아니면 테스트 데이터 중 일부를 학습에서 제외하고 테스트 데이터로 사용할 것인지 결정할 수 있습니다. 학습이 완료되면 모델이 외부에서 얼마나 잘 수행되는지 평가할 수 있습니다.
  3. 배포: 학습이 완료되고 이름이 있는 모델이 생겼으면 모델을 배포하여 예측에 사용할 수 있습니다. 배포의 이름도 지정되며 배포에 할당된 모델이 있습니다. 동일한 모델에 대해 여러 배포가 있을 수 있습니다. 배포를 다른 모델로 덮어쓰거나 프로젝트의 다른 배포와 모델을 교환할 수 있습니다.
  4. 테스트: 배포가 완료되면 배포 엔드포인트를 통해 예측에 사용할 수 있습니다. 배포 테스트 페이지의 스튜디오에서 테스트할 수도 있습니다.

이 프로세스는 애플리케이션 ID가 모든 항목에 연결되고 스테이징 또는 프로덕션 슬롯에 애플리케이션 버전을 배포하는 LUIS와는 대조적입니다.

이렇게 하면 사용하는 DevOps 프로세스에 영향을 줍니다.

CLU가 컨테이너를 지원하나요?

아니요, CLU를 컨테이너로 내보낼 수 없습니다.

마이그레이션 후 CLU에서 LUIS 애플리케이션의 이름은 어떻게 지정되나요?

LUIS 애플리케이션 이름의 특수 문자는 제거됩니다. 지워진 이름 길이가 50자를 초과하면 추가 문자가 제거됩니다. 특수 문자를 제거한 후의 이름이 비어 있는 경우(예: LUIS 애플리케이션 이름이 @@인 경우) untitled가 새 이름으로 지정됩니다. 이름이 같은 대화 언어 이해 프로젝트가 이미 있는 경우 처음 중복될 때는 마이그레이션된 LUIS 애플리케이션에 _1이 추가되고 이후 중복될 때마다 1씩 증가합니다. 새 이름의 길이가 50자이고 이름을 바꿔야 하는 경우 숫자를 연결하고 50자 제한을 초과하지 않도록 마지막 1~2자가 제거됩니다.

LUIS Q&A에서 마이그레이션

이 문서에서 답변을 찾을 수 없는 질문이 있는 경우 Microsoft Q&A 스레드에 질문을 남겨 주세요.

다음 단계