Triggerzinnen en natuurlijk taalbegrip optimaliseren
Wat zijn triggerzinnen in Copilot Studio
Triggerzinnen trainen het model voor natuurlijk taalbegrip (NLU) van uw agent.
Triggerzinnen worden op onderwerpniveau geconfigureerd en geven aan de agent door voor welke typische gebruikersuitingen een specifiek onderwerp moet worden geactiveerd.
Triggerzinnen geven doorgaans weer hoe een gebruiker een vraag stelt over een probleem of kwestie. Voorbeeld: 'probleem met onkruid in het gazon'
Tip
- Bij het maken van een nieuwe onderwerp hoeft een maker slechts enkele voorbeeldzinnen te geven (idealiter tussen de vijf en tien). Wanneer agent wordt gebruikt, analyseert de AI wat de gebruiker zegt en wordt het onderwerp geactiveerd dat het dichtst bij de betekenis van de gebruikersuiting ligt.
- Zie Effectieve triggerzinnen kiezen voor meer informatie over effectieve triggerzinnen.
Het belang van context voor triggers
Copilot Studio NLU gedraagt zich anders op basis van de gespreksstatus, wat soms kan leiden tot verschillend gedrag voor dezelfde gebruikersuiting.
Dit zijn de verschillende gespreksstatussen:
- Begin van het gesprek: de agent heeft geen context, dus van een gebruikersuiting wordt verwacht dat deze: een onderwerp rechtstreeks activeert (herkenning van de intentie), een doorverwijsvraag 'bedoelde u' (meerdere onderwerpen overeenkomen) activeert tussen kandidaten voor de intentie als er meerdere overeenkomende onderwerpen zijn, of naar een terugvalonderwerp gaat als de intentie niet wordt herkend.
- Nadat een 'bedoelde u' (Meerdere overeenkomende onderwerpen) is geactiveerd: NLU wordt geoptimaliseerd om een van de voorgestelde onderwerpen te kiezen, met hogere drempels om de weergegeven opties te filteren.
- Schakelen vanuit een huidig onderwerp: als de NLU een plaats in een onderwerp probeert te vullen en de gebruiker een vraag stelt die een ander onderwerp (schakelen naar een ander onderwerp) kan activeren.
Over interpunctie
Het NLU-model is agnostisch voor interpunctie, inclusief vraagtekens.
Nieuwe triggerzinnen maken
Begin zo mogelijk met echte productiegegevens in plaats van uw eigen triggerzinnen te verzinnen. De beste triggerzinnen zijn zinnen die lijken op daadwerkelijke gegevens van gebruikers. Dit zijn de triggerzinnen die gebruikers aan een geïmplementeerde agent stellen.
Het is niet nodig om bepaalde woorden weg te laten: het model is ontworpen om minder waarde te hechten aan overbodige woorden, zoals stopwoorden (woorden die vóór de verwerking van natuurlijke taalgegevens worden uitgefilterd omdat ze onbelangrijk zijn).
Triggerzinnen optimaliseren
| # | Tip | Voorbeelden |
|---|---|---|
| 1 | Gebruik minimaal 5-10 triggerzinnen per onderwerp Herhaal de zinnen en voeg er meer toe terwijl u van gebruikers leert. |
Vind mijn dichtstbijzijnde winkel Winkellocatie controleren Zoek een winkel Vind uw dichtstbijzijnde locatie Winkel bij mij in de buurt |
| 2 | Varieer in zinsbouw en kernbegrippen Het model houdt automatisch rekening met variaties op die zinnen. |
Wanneer zijn jullie gesloten Dagelijkse openingstijden |
| 3 | Gebruik korte triggerzinnen Minder dan 10 woorden. |
Wanneer zijn jullie geopend |
| 4 | Vermijd triggerzinnen van één woord Dit verhoogt het gewicht voor bepaalde woorden bij het activeren van onderwerpen. Het kan verwarring tussen vergelijkbare onderwerpen veroorzaken. |
Opslaan |
| 5 | Gebruik volledige zinnen | Kan ik een menselijke assistent spreken? |
| 6 | Gebruik unieke werkwoorden en zelfstandige naamwoorden of combinaties daarvan | Ik heb de klantenservice nodig Ik wil een adviseur spreken |
| 7 | Vermijd het gebruik van variaties van dezelfde entiteit U hoeft niet alle voorbeelden uit de entiteitswaarde te gebruiken. De NLU houdt automatisch rekening met alle variaties. |
Ik wil een burger bestellen Ik wil graag een pizza Ik wil kipnuggets |
Het aantal triggerzinnen per onderwerp in evenwicht brengen
Probeer een evenwicht te vinden in het aantal triggerzinnen per onderwerp.
Tip
Op die manier weegt het ene onderwerp niet zwaarder dan het andere op basis van de geconfigureerde triggerzinnen.
De impact van uw wijzigingen inschatten
Bij het bijwerken van triggerzinnen of bij het samenvoegen of opsplitsen van onderwerpen zijn er meerdere manieren om de wijzigingen te beoordelen:
- Een onmiddellijke verandering in het gedrag van agent, wat kan worden waargenomen via het canvas 'agent testen' (bijvoorbeeld een onderwerp dat nu wel of niet wordt geactiveerd op basis van updates van de triggerzin).
- Een wijziging na de implementatie van agent en het omgaan met verkeer, wat zich vertaalt in hogere of lagere afbuigingspercentages (niet-escalatie). Dit is te zien op het tabblad Analyse in Copilot Studio.
Tip
U kunt onderwerpactivering testen en met het Copilot Test Framework testen hoe uw NLU-model presteert op basis van testgegevens in bulk.
Hoewel de onderliggende functies en onderdelen die worden gebruikt om het Copilot Test Framework te bouwen (zoals interactie met het Direct Line Component Framework) volledig worden ondersteund, vertegenwoordigt het Copilot Test Framework zelf voorbeeldimplementaties van deze functies.
Onze klanten en community kunnen het Copilot Test Framework gebruiken en aanpassen om bulktesten te implementeren. Als u problemen ondervindt met het Copilot Test Framework, meld het probleem dan hier: https://aka.ms/PVASamples. (Microsoft Ondersteuning helpt u niet met problemen met deze voorbeelden, maar wel met gerelateerde, onderliggende problemen met het platform en functies.)