오케스트레이션 워크플로란?
오케스트레이션 워크플로는 Azure AI 언어에서 제공하는 기능 중 하나입니다. 기계 학습 인텔리전스를 적용하여 CLU(대화형 Language Understanding),, 질문 답변 프로젝트 및 LUIS 애플리케이션을 연결하는 오케스트레이션 모델을 빌드할 수 있도록 하는 클라우드 기반 API 서비스입니다. 오케스트레이션 워크플로를 만들어 개발자는 반복적으로 발화에 태그를 지정하고 모델 성능을 학습 및 평가한 후 사용 가능하게 만들 수 있습니다. 모델 빌드 및 사용자 지정을 간소화하기 위해 서비스는 언어 스튜디오를 통해 액세스할 수 있는 사용자 지정 웹 포털을 제공합니다. 이 빠른 시작의 단계를 수행하여 서비스를 쉽게 시작할 수 있습니다.
이 설명서에는 다음과 같은 문서 유형이 포함되어 있습니다.
- 빠른 시작은 서비스에 대한 요청을 수행하는 과정을 안내하는 시작 지침입니다.
- 개념은 서비스 기능에 대한 설명을 제공합니다.
- 방법 가이드에는 보다 구체적이거나 사용자 지정된 방식으로 서비스를 사용하기 위한 지침이 포함되어 있습니다.
사용 시나리오 예제
오케스트레이션 워크플로는 다양한 업계 분야의 여러 시나리오에서 사용할 수 있습니다. 다음은 몇 가지 예입니다.
엔터프라이즈 챗봇
대기업에서 엔터프라이즈 챗봇은 다양한 직원 업무를 처리할 수 있습니다. 사용자 지정 질문 답변 기술 자료에서 제공하는 질문과 대답, 대화 언어 이해에서 제공하는 일정별 기술 및 LUIS에서 제공하는 인터뷰 피드백 기술을 처리할 수 있습니다. 봇은 들어오는 요청을 올바른 서비스로 적절하게 라우팅할 수 있어야 합니다. 오케스트레이션 워크플로를 사용하면 엔터프라이즈 봇에 전원을 공급하기 위해 들어오는 요청의 라우팅을 적절하게 처리하는 하나의 프로젝트에 이러한 기술을 연결할 수 있습니다.
프로젝트 개발 수명 주기
오케스트레이션 워크플로 프로젝트를 만드는 데는 일반적으로 여러 단계가 포함됩니다.
모델을 최대한 활용하려면 다음 단계를 수행합니다.
스키마 정의: 데이터를 파악하고 사용자의 입력 발화에서 인식해야 하는 작업 및 관련 정보를 정의합니다. 사용자의 발화 및 오케스트레이션 프로젝트에 연결하려는 프로젝트에 할당할 의도를 만듭니다.
데이터 레이블 지정: 데이터 태그 지정의 품질은 모델 성능을 결정하는 데 중요한 요소입니다.
모델 학습: 모델은 태그가 지정된 데이터에서 학습을 시작합니다.
모델의 성능 보기: 모델에 대한 평가 세부 정보를 확인하여 새 데이터에 도입 시 모델의 성능을 확인합니다.
모델 개선: 모델의 성능을 검토한 후 모델을 개선할 수 있는 방법을 알아볼 수 있습니다.
모델: 모델을 배포하면 Prediction API를 통해 사용할 수 있습니다.
의도 예측: 사용자 지정 모델을 사용하여 사용자의 발언에서 의도를 예측합니다.
참조 설명서 및 코드 샘플
오케스트레이션 워크플로를 사용하는 경우 Azure AI 언어에 대한 다음 참조 설명서 및 샘플을 참조하세요.
| 개발 옵션/언어 | 참조 설명서 | 샘플 |
|---|---|---|
| REST API(작성) | REST API 설명서 | |
| REST API(런타임) | REST API 설명서 | |
| C#(런타임) | C# 설명서 | C# 샘플 |
| Python(런타임) | Python 설명서 | Python 샘플 |
책임 있는 AI
AI 시스템에는 기술뿐만 아니라 기술을 사용하는 사람, 영향을 받는 사람, 배포되는 환경이 포함됩니다. 시스템에서 책임 있는 AI 사용 및 배포에 대해 알아보려면 및 오케스트레이션 워크플로에 대한 투명성 참고사항을 읽어보세요. 자세한 내용은 다음 문서를 참조하세요.