Partilhar via

Projete com intenção e modelos de entidade

  • Artigo

Importante

O LUIS será aposentado em 1º de outubro de 2025 e a partir de 1º de abril de 2023 você não poderá criar novos recursos do LUIS. Recomendamos migrar seus aplicativos LUIS para o entendimento de linguagem conversacional para se beneficiar do suporte contínuo ao produto e dos recursos multilíngues.

O entendimento de linguagem fornece dois tipos de modelos para você definir o esquema do aplicativo. O esquema do aplicativo determina quais informações você recebe da previsão de uma nova emissão de usuário.

O esquema do aplicativo é criado a partir de modelos criados usando o ensino de máquina:

A criação usa o ensino de máquina

A metodologia de ensino de máquina da LUIS permite que você ensine facilmente conceitos a uma máquina. Compreender o aprendizado de máquina não é necessário para usar o LUIS. Em vez disso, você, como professor, comunica um conceito ao LUIS fornecendo exemplos do conceito e explicando como um conceito deve ser modelado usando outros conceitos relacionados. Você, como professor, também pode melhorar o modelo do LUIS interativamente, identificando e corrigindo erros de previsão.

Intenções classificam expressões

Uma intenção classifica enunciados de exemplo para ensinar LUIS sobre a intenção. Exemplos de enunciados dentro de uma intenção são usados como exemplos positivos do enunciado. Estes mesmos enunciados são usados como exemplos negativos em todos os outros propósitos.

Considere um aplicativo que precisa determinar a intenção de um usuário de solicitar um livro e um aplicativo que precisa do endereço de entrega para o cliente. Este aplicativo tem duas intenções: OrderBook e ShippingLocation.

O enunciado a seguir é um exemplo positivo para a OrderBook intenção e um exemplo negativo para a ShippingLocation e None intenções:

Buy the top-rated book on bot architecture.

Entidades extraem dados

Uma entidade representa uma unidade de dados que você deseja extrair do enunciado. Uma entidade de aprendizado de máquina é uma entidade de nível superior que contém subentidades, que também são entidades de aprendizado de máquina.

Um exemplo de uma entidade de aprendizado de máquina é um pedido de uma passagem de avião. Conceitualmente, esta é uma transação única com muitas unidades menores de dados, como data, hora, quantidade de assentos, tipo de assento, como primeira classe ou ônibus, local de origem, local de destino e escolha de refeição.

Intenções versus entidades

Uma intenção é o resultado desejado de todo o enunciado, enquanto as entidades são pedaços de dados extraídos do enunciado. Normalmente, as intenções estão ligadas a ações, que o aplicativo cliente deve tomar. As entidades são informações necessárias para executar esta ação. De uma perspetiva de programação, uma intenção acionaria uma chamada de método e as entidades seriam usadas como parâmetros para essa chamada de método.

Este enunciado deve ter uma intenção e pode ter entidades:

Buy an airline ticket from Seattle to Cairo

Este enunciado tem uma única intenção:

  • Comprar um bilhete de avião

Este enunciado pode ter várias entidades:

  • Localizações de Seattle (origem) e Cairo (destino)
  • A quantidade de um bilhete único

Decomposição do modelo de entidade

O LUIS suporta a decomposição de modelos com as APIs de criação, dividindo um conceito em partes menores. Isto permite-lhe construir os seus modelos com confiança na forma como as várias peças são construídas e previstas.

A decomposição do modelo tem as seguintes partes:

Funcionalidades

Um recurso é um traço distintivo ou atributo de dados que seu sistema observa. Os recursos de aprendizado de máquina dão ao LUIS pistas importantes sobre onde procurar coisas que distinguirão um conceito. São dicas que o LUIS pode usar, mas não regras rígidas. Essas dicas são usadas em conjunto com os rótulos para encontrar os dados.

Padrões

Os padrões são projetados para melhorar a precisão quando vários enunciados são muito semelhantes. Um padrão permite-lhe obter maior precisão numa intenção sem fornecer demasiadas expressões.

Estendendo o aplicativo em tempo de execução

O esquema do aplicativo (modelos e recursos) é treinado e publicado no ponto de extremidade de previsão. Você pode passar novas informações, juntamente com o enunciado do usuário, para o ponto de extremidade de previsão para aumentar a previsão.

Próximos passos