Copilot Studio의 엔터티 및 슬롯 채우기 모범 사례

아티클
12/09/2024

슬롯 채우기란 무엇입니까?

슬롯 채우기는 에이전트가 사용자 쿼리에서 정보를 식별하고 추출하여 보다 쉽게 정보를 획득하고 사용할 수 있게 해주는 엔터티 사용과 관련이 있습니다.

에이전트는 일반적으로 작업을 수행하기 위해 사용자로부터 여러 가지 정보를 얻어야 합니다. 이 정보를 얻으려면 일반적으로 에이전트에 필요한 각 사실에 대해 하나씩 별도의 질문을 해야 합니다. 질문에 엔터티를 사용하면 Copilot Studio가 필요한 정보를 감지하고 트리거 사용자 쿼리에서 정보를 식별할 수 있는 질문을 건너뜁니다.

예를 들어, 사용자가 다음과 같이 질문하는 경우: 큰 파란색 티셔츠 3장을 주문하고 싶습니다.

Copilot Studio 자연어 이해(NLU)는 다음을 즉시 이해할 수 있습니다.

토픽는 주문입니다
수량은 3입니다
색상은 파란색입니다
품목 유형은 티셔츠입니다.

그러면 에이전트는 불필요한 질문을 건너뛸 수 있습니다. 예를 들어 크기와 같은 일부 정보가 누락된 경우 계속 진행하기 전에 답변되지 않은 질문을 합니다. 슬롯 채우기를 사용하면 에이전트가 정보를 더 쉽게 획득하고 활용할 수 있으며 질문해야 할 질문 수가 줄어듭니다.

먼저 사용할 엔터티와 해당 유형을 정의합니다.

엔터티 정의

Copilot Studio는 이메일, 날짜와 시간, 사람 이름, 전화 번호, 색상, 국가, 도시, 숫자, 돈 등 가장 일반적인 사용 사례에 대해 여러 기본 제공 엔터티를 제공합니다.

기본 제공 엔터티는 정보가 취할 수 있는 형식의 다양한 변형을 처리할 수 있으므로 강력합니다. 예를 들어 대화에서 돈을 사용할 때 사용자는 "$100", "a hundred dollars" 또는 "100 dollars"로 값을 입력할 수 있습니다. Copilot Studio의 NLU 모델은 그 값이 100달러의 금전적 가치임을 알아냅니다.

팁

그러나 대화 흐름에서 질문과 함께 요청되는 한 값은 입력되며 재사용할 수 있는 변수에 저장됩니다.

이전 예시의 항목 유형과 같은 고유한 사용자 지정 엔터티를 정의할 수도 있습니다. 사용자 지정 엔터티는 두 가지 유형일 수 있습니다.

닫힌 목록: 미리 정의된 값 목록용.
정규식 (RegEx): 특정 패턴과 일치하는 정보용. RegEx는 항상 동일한 형식(예: 티켓 번호의 경우 INC000001)을 따르는 데이터를 캡처해야 하는 경우 이상적

사용자 경험 개선

엔터티를 사용하면 Copilot Studio가 사용자 쿼리에서 정보를 보다 지능적으로 수집할 수 있으므로 삶이 더 단순해집니다. 더 중요한 것은 엔터티가 사용자 쿼리에서 정보를 찾아 저장한 다음 나중에 대화에서 해당 정보를 사용할 수 있기 때문에 사용자의 삶을 더 좋게 만든다는 것입니다. 엔티티는 사용자 경험을 개선하고 에이전트를 더욱 똑똑하게 보이게 하며, 가능한 한 엔티티를 사용하는 것이 확실히 모범 사례입니다.

엔터티 모범 사례

동의어 사용

닫힌 목록 엔터티 값에 동의어를 추가하여 엔터티 목록의 각 항목에 대한 일치 논리를 수동으로 확장할 수 있습니다. 예를 들어 "하이킹" 항목에 "트래킹"과 "등산"을 동의어로 추가할 수 있습니다.

팁

동의어를 사용하면 토픽 트리거링에 도움이 될 수 있습니다. 관련 단어를 포함된 엔터티의 동의어로 추가하여 트리거 구문의 가중치를 증가시키기 때문입니다. 예를 들어 "불만" 옵션의 경우 유사한 부정적인 단어나 문구를 동의어로 추가합니다.
또한 NLU 모델은 토픽 트리거 문구에 이 엔터티의 변형이 하나 이상 포함되는 경우 모든 엔터티 변형(즉, 모든 값과 동의어)에 대해 일반화합니다. 다시 말해, 에이전트 작성자는 다른 엔터티 변형을 일반화하기 위해 NLU에 대해 이 엔터티를 한 번 사용한 트리거 문구의 한 가지 예를 포함해야 합니다.

스마트 매칭 사용

각 닫힌 목록 엔터티에 대해 스마트 매칭을 활성화할 수도 있습니다.

스마트 매칭은 에이전트's NLU 모델이 지원하는 인텔리전스의 일부입니다. 이 옵션을 활성화하면 에이전트는 엔터티에 나열된 항목을 기반으로 퍼지 논리를 사용하여 사용자 입력을 해석합니다.

특히, 에이전트는 자동으로 철자 오류를 수정하고 일치 논리를 의미적으로 확장합니다. 예를 들어, 에이전트는 자동으로 "소프트볼" 을 "야구"와 일치시킬 수 있습니다.

정규식으로 창의력 발휘

경우에 따라 사용자 쿼리에서 엔터티를 추출하면 특히 사용자 쿼리에 동일한 유형의 엔터티가 여러 개 있는 경우 NLU 모델에 혼동이 발생할 수 있습니다.

예를 들어, 사용자가 "101호실에 수건 2개와 베개 1개를 가져다 줄 수 있나요?"라고 묻는다면?

기본 제공 숫자 엔터티를 사용하면 2, 1 및 101 간에 혼동될 수 있습니다. 이 혼란을 해결하기 위해 다음 정규식 엔터티를 정의할 수 있습니다.

수건 수량: [1-9] 수건
베개 수량: [1-9] 베개
방 번호: [0-9]{3}

참조 데이터를 저장하는 엔터티의 대안

규모가 크거나 진화하는 데이터 세트(예: 제품 또는 고객 목록)의 경우 Copilot Studio 닫힌 목록 엔터티를 사용하는 대신 외부 소스를 확인하는 것이 좋습니다. Power Automate 클라우드 흐름을 사용하여 사용자 발화를 외부 서비스에 전달해야 합니다.

토픽 논리는 대화를 진행하기 전에 결과의 정확성을 검증하거나 사용자에게 검증을 요청할 수 있습니다.

Dataverse는 신뢰도 점수와 함께 최상의 결과를 반환하기 위해 퍼지 매칭을 지원하는 Dataverse 검색 기능이 내장되어 있으므로 이러한 데이터를 저장하기에 좋은 후보입니다. 완전한 문장으로 검색하더라도 잠재적인 일치 항목을 검색할 수 있습니다.

팁

샘플 구현을 검토하려면 결과 목록 반환을 참조하세요.

다음을 통해 공유