트리거 문구 및 자연어 이해 최적화
Copilot Studio의 트리거 문구는 무엇입니까
트리거 문구는 에이전트의 자연어 이해(NLU) 모델을 학습합니다.
트리거 문구는 토픽 수준에서 구성되며 특정 토픽이 어떤 일반적인 사용자 발화에 대해 트리거되어야 하는지 에이전트에게 지시합니다.
트리거 문구는 일반적으로 사용자가 문제 또는 문제에 대해 질문하는 방식을 캡처합니다. 예: "잔디에 잡초가 있는 문제"
팁
- 새 토픽을 만들 때 제작자는 몇 가지 샘플 문구(이상적으로는 5~10개)만 제공하면 됩니다. 에이전트를 사용하면 AI는 사용자가 말하는 내용을 구문 분석하고 사용자 발화에 가장 가까운 의미를 트리거합니다.
- 효과적인 트리거 구문에 대한 자세한 내용은 효과적인 트리거 구문 선택을 참조하세요.
트리거 컨텍스트의 중요성
Copilot Studio NLU는 대화 상태에 따라 다르게 동작하므로 동일한 사용자 발화에 대해 다른 동작이 발생할 수 있습니다.
다음은 서로 다른 대화 상태입니다.
- 대화 시작: 에이전트에는 컨텍스트가 없으므로 사용자 발화는 주제를 직접 트리거하거나(인텐트 인식), 일치하는 토픽이 여러 개 있는 경우 인텐트 후보 간에 "did you mean"(여러 토픽 일치) 명확성 질문을 트리거하거나, 인텐트가 인식되지 않는 경우 대체 토픽으로 이동해야 합니다.
- "이것을 의미하셨습니까"(여러 토픽 일치)가 트리거된 후: NLU는 제시된 옵션에서 벗어나기 위해 더 높은 임계값을 사용하여 제안된 주제 중 하나와 일치하도록 최적화합니다.
- 현재 토픽에서 전환: NLU가 토픽의 슬롯을 채우려고 하고 사용자가 다른 토픽(토픽 전환)를 트리거할 수 있는 사용자 쿼리를 제공하는 경우.
구두점
NLU 모델은 물음표를 포함한 구두점에 구애받지 않습니다.
새 트리거 문구 만들기
가능하다면 자신만의 트리거 문구를 만드는 것보다 실제 프로덕션 데이터로 시작하십시오. 가장 좋은 트리거 문구는 사용자로부터 오는 실제 데이터와 유사한 문구입니다. 이러한 구문은 사용자가 배포된 에이전트에 묻는 구문입니다.
특정 단어를 생략할 필요가 없습니다. 이 모델은 불용어(자연어 데이터 처리 전에 필터링되는 단어가 중요하지 않기 때문에 필터링됨)와 같은 불필요한 단어에 가중치를 덜 부여하도록 설계되었습니다.
트리거 문구 최적화
| # | 팁 | 예 |
|---|---|---|
| 1 | 토픽당 트리거 문구가 5-10개 이상 있어야 함 사용자로부터 배우면서 반복하고 추가합니다. |
가장 가까운 매장 찾기 매장 위치 확인 매장 찾기 가장 가까운 위치 찾기 내 근처 매장 |
| 2 | 다양한 문장 구조 및 주요 용어 모델은 이러한 구문의 변형을 자동으로 고려합니다. |
언제 문을 닫나요 일일 영업 시간 |
| 3 | 짧은 트리거 문구 사용 10 단어 미만. |
언제 문을 여나요 |
| 4 | 한 단어 트리거 문구를 피하십시오 이것은 토픽 트리거링에서 특정 단어에 대한 가중치를 증가시킵니다. 비슷한 토픽 사이에 혼동을 일으킬 수 있습니다. |
저장 |
| 5 | 완전한 문구 사용 | 인간 도우미와 대화할 수 있습니까 |
| 6 | 고유한 동사와 명사 또는 이들의 조합이 있습니다 | 고객 서비스가 필요합니다 컨설턴트와 이야기하고 싶습니다 |
| 7 | 동일한 엔터티 변형을 사용하지 마십시오 엔터티 값의 모든 예를 사용할 필요는 없습니다. NLU는 자동으로 모든 변형을 고려합니다. |
햄버거를 주문하고 싶어요 피자를 먹고 싶어요 치킨 너겟을 먹고 싶어요 |
토픽당 트리거 문구 수 균형 맞추기
토픽 사이에 트리거 구문의 수에 균형을 맞추십시오.
팁
그런 식으로 NLU 기능은 구성된 트리거 문구를 기반으로 토픽와 다른 것에 대해 과중하지 않습니다.
변경의 영향 평가
트리거 문구를 업데이트하거나 토픽을 병합 또는 분할할 때 변경 사항을 평가하는 여러 가지 방법이 있습니다.
- "테스트 에이전트" 캔버스를 통해 관찰할 수 있는 에이전트 동작의 즉각적인 변경(예: 현재 트리거되거나 트리거 문구 업데이트를 기반으로 하지 않는 주제).
- 에이전트 배포 후 변경 사항으로, 트래픽에 직면하여 더 높거나 낮은 회피(비에스컬레이션) 속도로 변환됩니다. 이는 Copilot Studio의 분석 탭에서 확인할 수 있습니다.
팁
Copilot 테스트 프레임워크를 활용하여 토픽 트리거링과 NLU 모델이 테스트 데이터에 대해 어떻게 작동하는지 대량으로 테스트할 수 있습니다.
Copilot 테스트 프레임워크(예: Direct Line API와의 상호 작용)를 구축하는 데 사용되는 기본 기능 및 구성 요소가 완벽하게 지원되지만 Copilot 테스트 프레임워크 자체는 이러한 기능의 샘플 구현을 나타냅니다.
고객과 커뮤니티는 Copilot 테스트 프레임워크를 사용하고 조정하여 대량 테스트를 구현할 수 있습니다. Copilot 테스트 프레임워크에 문제가 있는 경우 https://aka.ms/PVASamples에서 문제를 보고하세요. (Microsoft 지원은 이러한 샘플과 관련된 문제에 대해서는 도움을 주지 않지만 관련된 기본 플랫폼 및 기능 문제에 대해서는 도움을 드릴 것입니다.)