Optimera utlösande fraser och förstå naturligt språk
Vad är utlösandefraser i Copilot Studio
Utlösande fraser tränar din agents modell för naturlig språkförståelse (NLU).
Utlösarfraser konfigureras på ämnesnivå och anger för agenten vilka typiska användaruttryck som ska utlösa ett specifikt ämne.
Utlösande fraser avbildar vanligtvis hur en användare skulle fråga om ett problem eller en fråga. Till exempel ”problem med ogräs i gräsmattan”
Dricks
- När man skapar ett nytt ämne behöver en tillverkare bara ge några exempelfraser (helst mellan fem och tio). När agenten används parsar AI vad användaren säger och utlöser det ämne som ligger närmast användarens talindata.
- Mer information om effektiva utlösande fraser finns i Välja effektiva utlösande fraser.
Vikten av det utlösande sammanhanget
Copilot Studio NLU beter sig olika baserat på konversationstillståndet, vilket ibland kan leda till olika beteenden för samma användarens talindata.
Följande är de olika konversationstillstånd:
- Konversationens början: Agenten har inget sammanhang och förväntas därför antingen svara på en användares talindata genom att antingen utlösa ett ämne direkt (avsiktsigenkänning), utlösa en tvetydighetsfråga av typen "menade du" (flera matchande ämnen) bland avsiktskandidatarna om det finns flera matchande ämnen, eller gå till ett reservavsnitt om avsikten inte identifieras.
- När ett ”menade du” (flera matchande ämnen) utlöses: NLU optimeras för att matcha ett av de ämnen som föreslås, med högre tröskelvärden för att lämna alternativen som visas.
- Växla från ett aktuellt ämne: Om NLU försöker fylla en plats i ett ämne och användaren ger en användarfråga som kan utlösa ytterligare ett ämne (ämnesväxling).
På skiljetecken
NNA-modellen är oberoende av skiljetecken, inklusive frågetecken.
Skapa nya utlösande fraser
Om det är möjligt kan du börja med riktiga produktionsdata över att skapa egna utlösande fraser. De bästa utlösande fraserna är de som liknar faktiska data som kommer från användare. Dessa fraser är de som användarna ställer till en distribuerad agent.
Du behöver inte lämna specifika ord utanför modellen: modellen har utformats för att minska vikten av onödiga ord, till exempel stoppord (ord som filtreras bort innan naturligt språkdata bearbetas eftersom de inte används för att de används för att användas).
Optimera utlösande fraser
| # | Dricks | Exempel |
|---|---|---|
| 1 | Ha minst 5-10 utlösande fraser per ämne Iterera och lägg till fler saker som du lär dig av användare. |
Hitta min närmaste butik Kontrollera butikens plats Hitta en butik Hitta din närmaste plats Lagra nära mig |
| 2 | Variera meningsstruktur och viktiga termer I modellen beaktas automatiskt variationer av dessa fraser. |
När har ni stängt Dagliga öppettider |
| 3 | Använd korta utlösande fraser Färre än 10 ord. |
När har ni öppet? |
| 4 | Undvik utlösande fraser med ett enda ord Detta ökar vikten för specifika ord i ämne utlöses. Det kan leda till förvirring mellan liknande ämnen. |
Store |
| 5 | Använd fullständiga fraser | Kan jag få prata med en mänsklig assistent |
| 6 | Har unika verb och substantiv eller kombinationer av dessa | Jag behöver kundtjänst Jag vill prata med en konsult |
| 7 | Undvik att använda samma entitet Du behöver inte använda alla exempel från entitetsvärdet. NLU tar automatiskt hänsyn till alla variationer. |
Jag vill beställa en hamburgare Jag vill gärna ha en pizza Jag vill ha kycklingnuggets |
Balansera antalet utlösande fraser per ämne
Försök att balansera antalet utlösande fraser mellan ämnen.
Dricks
På så sätt övervikter inte NLU-funktionerna ett ämne jämfört med ett annat baserat på de konfigurerade utlösande fraserna.
Bedöma effekten av dina förändringar
När du uppdaterar utlösande fraser eller när du kopplar ihop eller delar avsnitt kan du utvärdera ändringarna på flera olika sätt:
- En omedelbar förändring i agentens beteende, som kan observeras via arbetsytan "testa agent" (till exempel ett ämne som nu utlöses eller inte baseras på uppdateringar av utlösande fraser).
- En ändring efter agentens implementering och riktad trafik, vilket innebär högre eller lägre avböjningsfrekvenser (icke-eskalering). Detta kan du se på fliken Analys Copilot Studio.
Dricks
Du kan testa ämnesutlösning och hur din NLU-modell presterar mot testdata i bulk, genom att använda Copilot Test Framework.
Fastän underliggande funktioner och komponenter som används för att skapa Copilot Test Framework (till exempel interagera och Direct Line API)-komponentramverket stöds fullt ut, representerar själva Copilot Test Framework exempelimplementeringar av dessa funktioner.
Våra kunder och på communityn kan använda och justera Copilot Test Framework för att implementera masstester. Om du får problem med Copilot Test Framework kan du rapportera problemet här: https://aka.ms/PVASamples. (Microsoft Support hjälper dig inte med problem som är relaterade till dessa prov. Däremot hjälper man dig med närliggande, underliggande plattforms- och funktionsproblem.)