Aktiv inlärning
Med funktionen Aktiva inlärningsförslag kan du förbättra kvaliteten på dina kunskapsbas genom att föreslå alternativa frågor, baserat på användarinlämningar, till ditt fråge- och svarspar. Du kan granska dessa förslag, antingen lägga till dem i befintliga frågor eller avvisa dem.
Din kunskapsbas ändras inte automatiskt. För att eventuella ändringar ska börja gälla måste du godkänna förslagen. De här förslagen lägger till frågor men ändrar eller tar inte bort befintliga frågor.
Kommentar
QnA Maker-tjänsten dras tillbaka den 31 mars 2025. En nyare version av fråge- och svarsfunktionen är nu tillgänglig som en del av Azure AI Language. Information om funktioner för frågesvar i språktjänsten finns i svar på frågor. Från och med den 1 oktober 2022 kommer du inte att kunna skapa nya QnA Maker-resurser. Information om hur du migrerar befintliga QnA Maker-kunskapsbas till frågesvar finns i migreringsguiden.
Vad är aktivt lärande?
QnA Maker lär sig nya frågevariationer med implicit och explicit feedback.
- Implicit feedback – Ranker förstår när en användarfråga har flera svar med poäng som är mycket nära och betraktar detta som feedback. Du behöver inte göra något för att det här ska hända.
- Explicit feedback – När flera svar med liten variation i poäng returneras från kunskapsbas, frågar klientprogrammet användaren vilken fråga som är rätt fråga. Användarens explicita feedback skickas till QnA Maker med tränings-API:et.
Båda metoderna ger rankaren liknande frågor som är klustrade.
Så här fungerar aktiv inlärning
Aktiv inlärning utlöses baserat på poängen för de få svar som returneras av QnA Maker. Om poängskillnaderna mellan QnA-par som matchar frågan ligger inom ett litet intervall anses frågan vara ett möjligt förslag (som en alternativ fråga) för vart och ett av de möjliga QnA-paren. När du har accepterat den föreslagna frågan för ett specifikt QnA-par avvisas den för de andra paren. Du måste komma ihåg att spara och träna efter att du har accepterat förslag.
Aktiv inlärning ger bästa möjliga förslag i fall där slutpunkterna får en rimlig mängd och olika användningsfrågor. När fem eller flera liknande frågor klustras, var 30:e minut, föreslår QnA Maker de användarbaserade frågorna till kunskapsbas designern att acceptera eller avvisa. Alla förslag grupperas efter likhet och de vanligaste förslagen för alternativa frågor visas baserat på frekvensen för specifika frågor från slutanvändarna.
När frågor har föreslagits i QnA Maker-portalen måste du granska och acceptera eller avvisa dessa förslag. Det finns inget API för att hantera förslag.
Så här fungerar QnA Makers implicita feedback
QnA Maker implicita feedback använder en algoritm för att fastställa poäng närhet och gör sedan aktiva inlärningsförslag. Algoritmen för att fastställa närhet är inte en enkel beräkning. Intervallen i följande exempel är inte avsedda att åtgärdas utan bör användas som en guide för att endast förstå effekten av algoritmen.
När en frågas poäng är mycket säker, till exempel 80 %, är poängintervallet för aktivt lärande brett, ungefär inom 10 %. När konfidenspoängen minskar, till exempel 40 %, minskar även poängintervallet, ungefär inom 4 %.
I följande JSON-svar från en fråga till QnA Maker's generateAnswer är poängen för A, B och C nära och skulle betraktas som förslag.
{
"activeLearningEnabled": true,
"answers": [
{
"questions": [
"Q1"
],
"answer": "A1",
"score": 80,
"id": 15,
"source": "Editorial",
"metadata": [
{
"name": "topic",
"value": "value"
}
]
},
{
"questions": [
"Q2"
],
"answer": "A2",
"score": 78,
"id": 16,
"source": "Editorial",
"metadata": [
{
"name": "topic",
"value": "value"
}
]
},
{
"questions": [
"Q3"
],
"answer": "A3",
"score": 75,
"id": 17,
"source": "Editorial",
"metadata": [
{
"name": "topic",
"value": "value"
}
]
},
{
"questions": [
"Q4"
],
"answer": "A4",
"score": 50,
"id": 18,
"source": "Editorial",
"metadata": [
{
"name": "topic",
"value": "value"
}
]
}
]
}
QnA Maker vet inte vilket svar som är det bästa svaret. Använd QnA Maker-portalens lista med förslag för att välja det bästa svaret och träna igen.
Så här ger du explicit feedback med train-API:et
QnA Maker behöver explicit feedback om vilket av svaren som var det bästa svaret. Hur det bästa svaret bestäms är upp till dig och kan inkludera:
- Användarfeedback och välj ett av svaren.
- Affärslogik, till exempel att fastställa ett acceptabelt poängintervall.
- En kombination av både användarfeedback och affärslogik.
Använd tränings-API:et för att skicka rätt svar till QnA Maker när användaren har valt det.
Uppgradera körningsversionen för att använda aktiv inlärning
Active Learning stöds i körningsversion 4.4.0 och senare. Om din kunskapsbas har skapats i en tidigare version uppgraderar du körningen så att den här funktionen används.
Aktivera aktiv inlärning för alternativa frågor
Aktiv inlärning är inaktiverad som standard. Aktivera den för att se föreslagna frågor. När du har aktiverat aktiv inlärning måste du skicka information från klientappen till QnA Maker. Mer information finns i Arkitekturflöde för att använda GenerateAnswer och Träna API:er från en robot.
Välj Publicera för att publicera kunskapsbas. Aktiva inlärningsfrågor samlas endast in från förutsägelseslutpunkten för GenerateAnswer API. Frågorna till testfönstret i QnA Maker-portalen påverkar inte aktiv inlärning.
Om du vill aktivera aktiv inlärning i QnA Maker-portalen går du till det övre högra hörnet, väljer ditt namn och går till Tjänstinställningar.
Leta reda på QnA Maker-tjänsten och växla sedan Active Learning.
Kommentar
Den exakta versionen på föregående bild visas endast som ett exempel. Din version kan vara annorlunda.
När Active Learning har aktiverats föreslår kunskapsbas nya frågor med jämna mellanrum baserat på frågor som skickas in av användaren. Du kan inaktivera Active Learning genom att växla inställningen igen.
Granska föreslagna alternativa frågor
Granska alternativa föreslagna frågor på sidan Redigera för varje kunskapsbas.