Najlepsze rozwiązania encji i wypełniania miejsc w Copilot Studio

Czym jest wypełnianie miejsca?

Wypełnianie slotów jest związane z użyciem jednostek , które pozwalają agent łatwiej pozyskiwać i wykorzystywać informacje poprzez identyfikowanie i wyodrębnianie ich z zapytania użytkownika.

Agent zazwyczaj potrzebuje kilku informacji od użytkownika, aby wykonać swoją pracę. Aby uzyskać te informacje, zazwyczaj zadajesz osobne pytania, po jednym dla każdego faktu, którego potrzebuje agent. Podczas używania encji w pytaniach Copilot Studio wykrywa wymagane informacje i pominie pytania, w których będzie można zidentyfikować informacje w wyzwalaniu zapytania użytkownika.

Na przykład, gdy użytkownik: Chcę zamówić 3 duże niebieskie koszulki

Naturalne rozumienie języka (NLU) Copilot Studio może natychmiast zrozumieć:

• Temat jest Porządek
• Ilość to 3
• Kolor jest niebieski
• Typ przedmiotu to T-Shirt

Agent może wtedy pominąć niepotrzebne pytania. Jeśli brakuje pewnych informacji, na przykład Rozmiar, przed kontynuowaniem zada pytania bez odpowiedzi. Wypełnianie slotów pozwala Twojemu agent łatwiej zdobywać i wykorzystywać informacje oraz zmniejsza liczbę pytań, które musisz zadać.

Najpierw należy zdefiniować encje, których chcesz użyć, i ich typy.

Określanie encji

Copilot Studio udostępnia kilka wbudowanych encji dla najczęściej spotykanych spraw,takich jak Poczta e-mail, Data i godzina, Nazwa osoby, Numer telefonu, Kolor, Kraj, Miejscowość, Numer Pieniądze i inne.

Encje wbudowane są zaawansowane, ponieważ mogą obsługiwać wiele różnych form, w takich informacje są pobierane. Na przykład podczas rozmowy przy użyciu wartości Pieniądze użytkownik może wprowadzić wartość o wartości „100 zł”, „setki złotych” lub „100 złotych”. W modelu NLU w Copilot Studio dedukuje, że wartość pieniężna wynosi 100 dolarów.

Napiwek

Jednak wartości są wprowadzane, jeśli są wymagane w przypadku pytań w przepływie konwersacji, są one przechowywane w zmiennych, których można ponownie używać.

Na przykład w poprzednim przykładzie można zdefiniować własne encje niestandardowe, takie jak Typ elementu. Encje niestandardowe mogą mieć dwa typy:

• Zamknięta lista: dla wstępnie zdefiniowanej listy wartości.
• Regularne wyrażenia (RegEx): aby uzyskać informacje pasujące do określonego wzorca. RegEx jest idealne, gdy trzeba przechwytywać dane, które zawsze mają ten sam format (na przykład INC00001 dla numeru biletu)

Ulepszanie środowiska użytkownika

Korzystanie z obiektów ułatwia pracę, umożliwiając Copilot Studio bardziej inteligentne zbieranie informacji na temat zapytań użytkowników. Co więcej, ułatwia to użytkownikom dostęp do informacji, ponieważ encje mogą znajdować i przechowywać informacji na temat zapytań użytkowników, a następnie udostępniać w dalszej części rozmowy. Encje poprawiają wrażenia użytkownika — sprawiają, że agent wydają się mądrzejsze — a używanie ich, gdy tylko jest to możliwe, jest zdecydowanie najlepszą praktyką.

Najlepsze rozwiązania encji

Użyj synonimów

Do wartości zamkniętych encji listy można dodać synonimy, aby ręcznie rozwinąć logikę dopasowania dla poszczególnych elementów na liście encji. Na przykład w elemencie trekking można dodać jako synonimy trekking i wędrówki.

Napiwek

• Używanie synonimów może także ułatwić wyzwolenie tematu, ponieważ zwiększa się wagę wyrażenia wyzwalania, dodając pokrewne wyrazy jako synonimy zawierającej je encji. Na przykład dla opcji „Skarga” dodaj podobne ujemne wyrazy lub frazy jako synonimy.
• Model NLU generalizuje także wszystkie odmiany encji (czyli wszystkie ich wartości i ich synonimy), na przykład temat wyzwolić frazę zawiera co najmniej jedną odmianę tego obiektu. Innymi słowy, autorzy agent powinni dołączyć jeden przykład fraza wyzwalająca z jednym użyciem tej encji, aby NLU uogólnić na inne warianty encji.

Włącz inteligentne dopasowywanie

Dla każdej zamkniętej encji listy można również włączyć funkcję inteligentnego dopasowywania.

Smart Matching jest częścią inteligencji wspieranej przez model agent's NLU. Po włączeniu tej opcji agent interpretuje dane wejściowe użytkownika przy użyciu logiki rozmytej na podstawie wymienionych elementów w jednostce.

W szczególności agent automatycznie poprawia błędy ortograficzne i semantycznie rozszerza swoją logikę dopasowania. Na przykład agent może automatycznie dopasować "softball" do "baseball".

Użyj wyobraźni dla wyrażeń regularnych

Czasami wyodrębnienie encji z zapytania użytkownika może powodować nieporozumienia dotyczące modelu NLU, zwłaszcza gdy w zapytaniu użytkownika występuje kilka encji tego samego typu.

Na przykład, jeśli użytkownik powie: "Czy możesz przynieść 2 ręczniki i 1 poduszkę do pokoju 101"?

Użycie wbudowanej encji Liczba oznaczałoby błąd między 2, 1 i 101. Aby uniknąć tego nieporozumień, można zdefiniować następujące encje wyrażenia zwykłego:

• Ilość ręczników: [1–9] ręcznik
• Ilość poduszek: [1–9] poduszka
• Numer pokoju: [0–9]{3}

Alternatywa dla encji do przechowywania danych o odwołującej się jednostce

W przypadku dużych lub zmieniających się zestawów danych (na przykład listy produktów lub klientów) zamiast encji zamkniętych list Copilot Studio można używać źródeł zewnętrznych. Należy przekazać dane użytkownika do usługi zewnętrznej przy użyciu Power Automate przepływu w chmurze.

Logika temat może następnie sprawdzić poprawność wyniku (lub poprosić użytkownika o zweryfikowanie go) przed przejściem do przodu w rozmowie.

Dataverse jest dobrym rozwiązaniem do przechowywania takich danych, ponieważ ma wbudowane funkcje wyszukiwania Dataverse, które obsługuje dopasowanie do najlepszych wyników oraz wynik zaufania. Nawet jeśli użytkownik szuka z pełnym zdaniem, może pobrać potencjalne dopasowania.

Porada

Aby przejrzeć przykładową implementację, zobacz Zwracanie listy wyników.