Dela via

Entiteter och bästa praxis för platsfyllning i Copilot Studio

  • Artikel

Vad är platsfyllning?

Fackfyllning är relaterat till användningen av entiteter som gör att en handläggare kan hämta och använda information enklare genom att identifiera och extrahera dem från användarfrågan.

En handläggare behöver vanligtvis flera delar av information från en användare för att göra sitt jobb. För att få den här informationen ställer du vanligtvis separata frågor, en för varje faktum som handläggare behöver. När du använder entiteter i dina frågor identifierar Copilot Studio den information som krävs och hoppar över de frågor där informationen kunde identifieras i den utlösande användarfrågan.

Till exempel, när en användare frågar: Jag skulle vilja beställa 3 stora blå t-shirts

Copilot Studio Naturlig språkförståelse (NLU) kan omedelbart förstå:

  • Ämne är Ordning
  • Kvantiteten är 3
  • Färgen är blå
  • Artikeltyp är T-shirt

Handläggare kan då hoppa över onödiga frågor. Om en del information saknas, till exempel Storlek, får du frågor som inte besvarats innan du går vidare. Genom att fylla i luckor kan dina handläggare lättare skaffa och använda information och minskar antalet frågor du behöver ställa.

Du anger först vilka entiteter du vill använda och vilka typer av entiteter du vill använda.

Definiera entiteter

Copilot Studio innehåller flera inbyggda entiteter för de vanligaste användningsfallen som E-post, Datum och tid, Personnamn, Telefonnummer, Färg, Land, Ort, Nummer, Belopp, etc.

Inbyggda entiteter är kraftfulla eftersom de kan hantera många variationer av formuläret en information kan ta. Om användaren till exempel använder Belopp i en konversation kan han eller hon ange ett värde som "100 $" eller "hundra dollar" eller "100 dollar". NLU-modellen i Copilot Studio visar att värdet är ett penningvärde på 100 dollar.

Dricks

Men värden anges och så länge de efterfrågas med frågor i konversationsflödet lagras de i variabler som du kan använda om.

Du kan också definiera egna entiteter, till exempel Objekttyp i exemplet ovan. Egna entiteter kan vara av två typer:

  • Stängd lista: för en fördefinierad lista med värden.
  • Reguljära uttryck (RegEx): för information som matchar ett visst mönster. RegEx är idealisk när du behöver samla in data som alltid följer samma format (till exempel INC000001 för ett ärendenummer)

Förbättra användarupplevelsen

Om du använder entiteter blir det enklare att låta Copilot Studio samla in information från användarfrågor på ett mer intelligent sätt. Ännu viktigare är att det gör livet bättre för användarna, eftersom entiteter kan hitta och lagra information från användarfrågor och sedan göra informationen tillgänglig senare i konversationen. Enheter förbättrar användarupplevelsen – de får dina handläggare att verka smartare – och att använda dem när det är möjligt är definitivt en bästa praxis.

Metodtips för entitet

Använda synonymer

Du kan lägga till synonymer till värden för stängda listentiteter för att manuellt expandera matchningslogiken för varje objekt i entitetens lista. Till exempel i objektet "vandring" kan du lägga till "trekking" och "bergsklättring" som synonymer.

Dricks

  • Om du använder synonymer kan det också hjälpa till att utlösa ämne, eftersom de ökar vikten av en utlösarfras genom att lägga till relaterade ord som synonymer för en enhet den innehåller. För alternativet Klagomål lägger du till exempel till liknande negativa ord eller fraser som synonymer.
  • NLU-modellen generaliserar även för alla entitetsvarianter (d.v.s. alla värden och deras synonymer) om ett ämnes utlösarfras innehåller minst en del av entiteten. Med andra ord bör handläggare författare inkludera ett exempel på en utlösande fras med en användning av den här entiteten för NLU för att generalisera om andra entitetsvarianter.

Aktivera smart matchning

För varje stängd listentitet kan du även aktivera Smart matchning.

Smart Matching är en del av den intelligens som stöds av handläggare's NLU-modellen. När det här alternativet är aktiverat handläggare tolkar användarens indata med hjälp av fuzzy-logik, baserat på de listade objekten i entiteten.

I synnerhet korrigerar handläggare automatiskt felstavningar och utökar sin matchningslogik semantiskt. Till exempel kan handläggare automatiskt matcha "softball" med "baseball".

Var kreativ med reguljära uttryck

Ibland kan extraktion av en entitet från en användarfråga leda till förvirring för NLU-modellen, särskilt när det finns flera entiteter av samma typ i användarfrågan.

Om en användare till exempel säger: "kan du ta med 2 handdukar och 1 kudde till rum 101"?

Om du använder den inbyggda entiteten Tal kan du förväxlas med 2, 1 och 101. Du kan undvika den här förvirringen genom att definiera följande entiteter för reguljärt uttryck:

  • Antal handdukar: [1-9] handduk
  • Antal handdukar: [1-9] kudde
  • Rumsnummer: [0-9]{3}

Alternativ till entiteter för att lagra refererande data

För stora eller föränderliga datamängder (till exempel en lista över produkter eller kunder), istället för att använda Copilot Studio stängda listenheter, kanske du vill kontrollera externa källor. Du måste skicka användaren vidare till den externa tjänsten med ett Power Automate molnflöde.

Din ämne logik kan sedan verifiera att resultatet är korrekt (eller be användaren verifiera det) innan vi går vidare i konversationen.

Dataverse är en bra kandidat att lagra sådana data, eftersom den har en inbyggd funktion Dataverse Sök som stöder fuzzy-matchning för att ge de bästa resultaten tillsammans med en konfidenspoäng. Även om du söker med en fullständig mening kan den hämta potentiella matchningar.

Tips!

Information om hur du granskar en exempelimplementering finns i Returnera en lista med resultat.