Udostępnij za pośrednictwem

Projektowanie za pomocą intencji i modeli jednostek

  • Artykuł

Ważne

Usługa LUIS zostanie wycofana 1 października 2025 r. i od 1 kwietnia 2023 r. nie będzie można utworzyć nowych zasobów usługi LUIS. Zalecamy migrację aplikacji LUIS do interpretacji języka konwersacyjnego, aby korzystać z ciągłej pomocy technicznej i wielojęzycznych możliwości produktów.

Usługa Language Understanding udostępnia dwa typy modeli do definiowania schematu aplikacji. Schemat aplikacji określa, jakie informacje otrzymujesz z przewidywania nowej wypowiedzi użytkownika.

Schemat aplikacji jest tworzony na podstawie modeli tworzonych przy użyciu nauczania maszynowego:

  • Intencje klasyfikują wypowiedzi użytkowników
  • Jednostki wyodrębniają dane z wypowiedzi

Tworzenie korzysta z nauczania maszynowego

Metodologia nauczania maszynowego usługi LUIS umożliwia łatwe uczenie koncepcji maszyny. Zrozumienie uczenia maszynowego nie jest konieczne do korzystania z usługi LUIS. Zamiast tego, jako nauczyciel, komunikuje się z usługą LUIS, podając przykłady koncepcji i wyjaśniając sposób modelowania koncepcji przy użyciu innych powiązanych pojęć. Jako nauczyciel możesz również interaktywnie poprawić model usługi LUIS, identyfikując i naprawiając błędy przewidywania.

Intencje — klasyfikowanie wypowiedzi

Intencja klasyfikuje przykładowe wypowiedzi, aby nauczyć usługę LUIS o intencji. Przykładowe wypowiedzi w intencji są używane jako pozytywne przykłady wypowiedzi. Te same wypowiedzi są używane jako negatywne przykłady we wszystkich innych intencjach.

Rozważ aplikację, która musi określić zamiar zamówienia książki i aplikacji, która potrzebuje adresu wysyłkowego dla klienta. Ta aplikacja ma dwie intencje: OrderBook i ShippingLocation.

Następująca wypowiedź jest pozytywnym przykładem intencji OrderBook i negatywnym przykładem intencji ShippingLocation i None :

Buy the top-rated book on bot architecture.

Jednostki — wyodrębnianie danych

Jednostka reprezentuje jednostkę danych, które mają zostać wyodrębnione z wypowiedzi. Jednostka uczenia maszynowego to jednostka najwyższego poziomu zawierająca podentacje, które są również jednostkami uczenia maszynowego.

Przykładem jednostki uczenia maszynowego jest zamówienie biletu samolotu. Koncepcyjnie jest to jedna transakcja z wieloma mniejszymi jednostkami danych, takimi jak data, godzina, ilość miejsc, typ miejsca, taki jak klasa pierwsza lub autokar, lokalizacja pochodzenia, lokalizacja docelowa i wybór posiłku.

Intencje a jednostki

Intencja jest pożądanym wynikiem całej wypowiedzi, podczas gdy jednostki są fragmentami danych wyodrębnianych z wypowiedzi. Zazwyczaj intencje są powiązane z akcjami, które należy wykonać w aplikacji klienckiej. Jednostki są wymagane do wykonania tej akcji. Z perspektywy programowania intencja wyzwoli wywołanie metody, a jednostki będą używane jako parametry do wywołania tej metody.

Ta wypowiedź musi mieć intencję i może mieć jednostki:

Buy an airline ticket from Seattle to Cairo

Ta wypowiedź ma jedną intencję:

  • Kupowanie biletu lotniczego

Ta wypowiedź może mieć kilka jednostek:

  • Lokalizacje Seattle (źródło) i Kair (miejsce docelowe)
  • Ilość pojedynczego biletu

Dekompozycja modelu jednostki

Usługa LUIS obsługuje dekompozycję modelu za pomocą interfejsów API tworzenia, dzieląc koncepcję na mniejsze części. Dzięki temu można tworzyć modele z ufnością w sposób konstruowania i przewidywania różnych części.

Dekompozycja modelu ma następujące części:

Funkcje

Funkcja to cecha wyróżniająca lub atrybut danych obserwowanych przez system. Funkcje uczenia maszynowego zapewniają usłudze LUIS ważne wskazówki dotyczące tego, gdzie szukać rzeczy, które będą rozróżniać koncepcję. Są to wskazówki, że usługa LUIS może używać, ale nie twardych reguł. Te wskazówki są używane w połączeniu z etykietami w celu znalezienia danych.

Wzorce

Wzorce są zaprojektowane w celu zwiększenia dokładności, gdy kilka wypowiedzi jest bardzo podobnych. Wzorzec pozwala uzyskać większą dokładność dla intencji bez zapewniania wielu dodatkowych wypowiedzi.

Rozszerzanie aplikacji w czasie wykonywania

Schemat aplikacji (modele i funkcje) jest trenowany i publikowany w punkcie końcowym przewidywania. Możesz przekazać nowe informacje wraz z wypowiedzią użytkownika do punktu końcowego przewidywania w celu rozszerzenia przewidywania.

Następne kroki