แชร์ผ่าน

ตัวเลือกการรับรู้จุดประสงค์และการแยกเอนทิตีสำหรับเวิร์กโหลดแอปพลิเคชันอัจฉริยะของคุณ

  • บทความ

การรับรู้จุดประสงค์และการแยกเอนทิตีเป็นองค์ประกอบสำคัญของการทำความเข้าใจภาษาธรรมชาติ

การรับรู้จุดประสงค์เกี่ยวข้องกับการระบุเป้าหมายหรือวัตถุประสงค์ของผู้ใช้ที่อยู่เบื้องหลังการป้อนข้อมูลของพวกเขา ตัวอย่างเช่น หากผู้ใช้พูดว่า "ฉันต้องการจองเที่ยวบิน" จุดประสงค์คือการจองเที่ยวบิน การรับรู้จุดประสงค์ช่วยให้เอเจนต์เข้าใจว่าต้องดำเนินการใดตามคำขอของผู้ใช้

การแยกเอนทิตีเกี่ยวข้องกับการระบุและดึงข้อมูลเฉพาะจากข้อมูลที่ผู้ใช้ เอนทิตีสามารถเป็นสิ่งต่างๆ เช่น วันที่ ชื่อ ตำแหน่งที่ตั้ง หรือข้อมูลอื่นๆ ที่เกี่ยวข้อง ตัวอย่างเช่น ในประโยค "จองเที่ยวบินไปนิวยอร์กในวันที่ 15 กันยายน" "นิวยอร์ก" และ "15 กันยายน" เป็นเอนทิตี

เอเจนต์ใช้จุดประสงค์เพื่อทำความเข้าใจเป้าหมายของผู้ใช้ และเอนทิตีเพื่อระบุรายละเอียดเฉพาะที่จำเป็นในการทำงานให้เสร็จสมบูรณ์ การรับรู้จุดประสงค์และการแยกเอนทิตีจึงช่วยให้เอเจนต์สามารถตอบคำถามของผู้ใช้ได้อย่างถูกต้องและมีประสิทธิภาพ

เมื่อออกแบบเวิร์กโหลดแอปพลิเคชันอัจฉริยะ คุณต้องเลือกตัวเลือกที่ดีที่สุดสำหรับการรับรู้จุดประสงค์และการแยกเอนทิตี เพื่อให้แน่ใจว่าเวิร์กโหลดแอปพลิเคชันอัจฉริยะของคุณจะมอบประสบการณ์การใช้งานที่ดีแก่ให้ผู้ใช้

คำนิยาม

เงื่อนไข ข้อกำหนด
NLU ความเข้าใจภาษาธรรมชาติเป็นส่วนย่อยของการประมวลผลภาษาธรรมชาติใน AI ที่เน้นความเข้าใจในการอ่านด้วยเครื่อง
CLU ความเข้าใจภาษาสนทนาเป็นคุณลักษณะของ Azure AI ที่ช่วยให้สามารถสร้างโมเดล NLU แบบกำหนดเองได้
LLM โมเดลภาษาขนาดใหญ่เป็นโมเดล AI ประเภทหนึ่งที่ออกแบบมาเพื่อทำความเข้าใจและสร้างภาษามนุษย์
GPT โปรแกรมแปลงที่ถูกฝึกเบื้องต้นแบบสร้างสรรค์ หมายถึงตระกูลของโมเดลภาษาขนาดใหญ่ที่ใช้สถาปัตยกรรมของโปรแกรมแปลงเพื่อทำความเข้าใจและสร้างข้อความที่เหมือนมนุษย์
การเชื่อมโยงแบบไดนามิก การเชื่อมโยงแบบไดนามิกเป็นวิธีการทำให้ทริกเกอร์เป็นแบบอัตโนมัติสำหรับการดำเนินการที่สร้างอัตโนมัติ แทนที่จะกำหนดทุกหัวข้อหรือข้อความทริกเกอร์ที่เป็นไปได้ด้วยตนเอง การเชื่อมโยงแบบไดนามิกช่วยให้ AI สามารถกำหนดหัวข้อหรือการดำเนินการของปลั๊กอินที่ต้องเรียกตามบริบทของการสนทนา

การเลือกตัวเลือกที่เหมาะสมสำหรับการรับรู้จุดประสงค์และการแยกเอนทิตีในเวิร์กโหลดแอปพลิเคชันอัจฉริยะของคุณเกี่ยวข้องกับข้อควรพิจารณาที่สำคัญหลายประการ:

  • เอนทิตีที่สร้างไว้ล่วงหน้าเทียบกับเอนทิตีแบบกำหนดเอง: ประเมินว่าเอนทิตีที่สร้างไว้ล่วงหน้าซึ่งจัดหาโดย Microsoft Copilot Studio ตรงตามความต้องการของคุณหรือไม่ เอนทิตีที่สร้างไว้ล่วงหน้าครอบคลุมชนิดข้อมูลทั่วไป เช่น วันที่ ตัวเลข และชื่อ หากแอปพลิเคชันของคุณต้องการความรู้เฉพาะสาขา คุณอาจต้องสร้างเอนทิตีแบบกำหนดเอง

  • ความซับซ้อนของอินพุตของผู้ใช้: พิจารณาความซับซ้อนและความผันผวนของอินพุตของผู้ใช้ สำหรับสถานการณ์ที่ตรงไปตรงมา เอนทิตีที่สร้างไว้ล่วงหน้าอาจเพียงพอ สำหรับการโต้ตอบที่ซับซ้อนมากขึ้น อาจจำเป็นต้องใช้เอนทิตีแบบกำหนดเองและการกำหนดค่าขั้นสูง เช่น นิพจน์ปกติ (regex)

  • การเติมช่องว่าง: พิจารณาว่าแอปพลิเคชันของคุณต้องการการเติมช่องว่างเชิงรุกหรือไม่ โดยที่เอเจนต์จะค้นหาและกรอกข้อมูลที่ขาดหายไปจากอินพุตของผู้ใช้ การเติมช่องว่างสามารถปรับปรุงประสบการณ์ของผู้ใช้ได้ โดยลดความจำเป็นในการถามคำถามติดตามผล

  • ประสิทธิภาพและความสามารถในการปรับขนาด: ประเมินประสิทธิภาพและความสามารถในการปรับขนาดของวิธีการที่คุณเลือก เอนทิตีแบบกำหนดเองและการกำหนดค่าที่ซับซ้อนมักต้องการความสามารถในการประมวลผลมากขึ้นและอาจส่งผลต่อเวลาตอบ

  • บำรุงรักษาง่าย: พิจารณาความง่ายในการบำรุงรักษาและอัปเดตเอนทิตีของคุณ เอนทิตีที่สร้างไว้ล่วงหน้าจะจัดการได้ง่ายกว่า ในขณะที่เอนทิตีแบบกำหนดเองต้องการการปรับเปลี่ยนอย่างต่อเนื่องเมื่อแอปพลิเคชันของคุณพัฒนาขึ้น

เลือกระหว่าง NLU, Azure CLU มาตรฐานหรือการเชื่อมโยงแบบไดนามิก

ใน Copilot Studio การทริกเกอร์หัวข้อหรือการดำเนินการสามารถทำได้โดยใช้โมเดล NLU มาตรฐาน รวมหรือการแทนที่ด้วยโมเดล Azure CLU แบบกำหนดเอง หรือโดยการแทนที่โมเดล NLU ทั้งหมดด้วย การเชื่อมโยงแบบไดนามิก ซึ่งเป็นโมเดลที่ใช้โมเดลภาษาขนาดใหญ่ GPT

โมเดล NLU มาตรฐาน โมเดล Azure CLU แบบกำหนดเอง การเชื่อมโยงแบบไดนามิก
ข้อดี โมเดลเริ่มต้นที่พร้อมใช้งานทันทีซึ่งมาพร้อมกับการฝึกล่วงหน้า มีเอนทิตีที่กำหนดไว้ล่วงหน้าหลายประเภท

การกำหนดค่าทำได้โดยการเพิ่มข้อความทริกเกอร์และเอนทิตีที่กำหนดเอง (ทั้งรายการแบบปิดที่มีค่าและคำพ้องความหมาย หรือนิพจน์ปกติ)		 รองรับภาษามากขึ้นด้วยโมเดลแบบเนทีฟ

รองรับการปรับแต่งโมเดลการที่จะทริกเกอร์จุดประสงค์เพื่อให้การรับรู้จุดประสงค์ที่ดีขึ้นหรือเพื่อตอบสนองความต้องการเฉพาะของอุตสาหกรรม

อนุญาตให้มีการแยกเอนทิตีที่ซับซ้อน (ตัวอย่างเช่น ชนิดเดียวกัน)

การแยกเอนทิตียังสามารถใช้ NLU มาตรฐานของ Copilot Studio ได้ด้วย		 ใช้โมเดลภาษาขนาดใหญ่ GPT และได้รับการฝึกล่วงหน้าในขอบเขตข้อมูลที่กว้างขึ้น

สามารถจัดการจุดประสงค์และหัวข้อลูกโซ่และ/หรือปลั๊กอินได้หลายอย่าง

สร้างคำถามโดยอัตโนมัติสำหรับข้อมูลอินพุตที่ขาดหายไป และตอบเอนทิตีและคำถามที่ซับซ้อนจากบริบทการสนทนา

การกำหนดค่าทำได้โดยการอธิบายหัวข้อ การทำงานของปลั๊กอิน ข้อมูลอินพุต และเอาต์พุต
ข้อเสีย การจดจำความตั้งใจเดียวต่อการสืบค้น

ไม่สามารถขยายได้ คุณไม่สามารถปรับเปลี่ยนลักษณะการทำงานของโมเดลหรือปรับแต่งโมเดลได้ มีให้ตามที่เป็นอยู่

การเติมช่องว่างของเอนทิตีหลายชนิดด้วยชนิดเดียวกันในคิวรีเดียวกันต้องมีการแยกความหมายที่แตกต่างกันสำหรับแต่ละเอนทิตี (ตัวอย่างเช่น เมืองต้นทางและปลายทาง)		 การจดจำความตั้งใจเดียวต่อการสืบค้น

การกำหนดค่าทำได้ใน Azure โดยมีค่าใช้จ่ายเพิ่มเติม

มีขีดจำกัดการให้บริการของตัวเองที่ต้องประเมิน

จุดประสงค์ของ Azure CLU และหัวข้อ Copilot Studio ต้องประสานกันอย่างระมัดระวัง		 เนื่องจากเป็นคุณลักษณะ AI สร้างสรรค์ อัตราการใช้สิทธิการใช้งานของข้อความจึงสูงกว่าการทริกเกอร์หัวข้อปกติ

ข้อความทริกเกอร์และการเติมช่อง

เมื่อพัฒนาเวิร์กโหลดของแอปพลิเคชันอัจฉริยะ ให้ใช้ความสามารถดั้งเดิมเพื่อปรับปรุงการรับรู้จุดประสงค์และทำให้การสนทนามีประสิทธิภาพมากขึ้น เริ่มต้นด้วยการระบุข้อความทริกเกอร์หัวข้อจากฐานข้อมูลคำถามที่ถามบ่อยที่มีอยู่ และการถอดความการแชทเพื่อให้แน่ใจว่าข้อความที่คาดการณ์ไว้มีความเกี่ยวข้องและถูกต้อง พิจารณาว่าคุณจะใช้เอนทิตีอย่างไร ตัวอย่างเช่น คุณจะใช้นิพจน์ปกติเพื่อค้นหารหัสคำสั่งซื้อ เอนทิตีที่สร้างไว้ล่วงหน้าสำหรับอีเมล หรือรายการแบบปิดสำหรับชนิดการดำเนินการที่มีคำพ้องความหมาย นอกจากนี้ ให้วางแผนวิธีที่คุณจะทดสอบทริกเกอร์หัวข้อด้วยข้อความตัวอย่างเพื่อตรวจสอบและปรับแต่งความถูกต้องของกระบวนการการรับรู้จุดประสงค์และการแยกเอนทิตีของคุณ เรียนรู้เพิ่มเติมใน ข้อควรพิจารณาในการปรับใช้งานและการทดสอบ

ข้อความทริกเกอร์

ข้อความทริกเกอร์ฝึกโมเดล NLU ของเอเจนต์ของคุณ ช่วยให้เอเจนต์รับรู้และตอบสนองต่อคำพูดของผู้ใช้ได้อย่างถูกต้องโดยการกำหนดข้อความเฉพาะที่กระตุ้นหัวข้อเฉพาะ การกำหนดค่าที่เหมาะสมของข้อความทริกเกอร์เหล่านี้ช่วยให้มั่นใจได้ว่าเอเจนต์สามารถระบุจุดประสงค์ของผู้ใช้ได้อย่างถูกต้องและตอบอย่างเหมาะสม เมื่อเอเจนต์ไม่แน่ใจว่าจะทริกเกอร์หัวข้อใด ก็สามารถแนะนำตัวเลือกหัวข้อที่เป็นไปได้สูงสุดสามรายการ (หัวข้อของระบบที่ตรงกันหลายหัวข้อ) หรือย้อนกลับไปเป็นคำตอบเริ่มต้นหากไม่มีการระบุหัวข้อ กลไกนี้ช่วยรักษาการไหลของการสนทนาและทำให้มั่นใจได้ว่าเอเจนต์สามารถจัดการข้อมูลอินพุตของผู้ใช้ที่หลากหลายได้อย่างมีประสิทธิภาพ

การแนกเอนทิตีและการเติมช่อง

การแยกเอนทิตีและการเติมช่องเป็นองค์ประกอบสำคัญในการพัฒนาเอเจนต์ที่มีประสิทธิภาพ กระบวนการเหล่านี้ช่วยให้เอเจนต์สามารถรับและใช้ข้อมูลได้อย่างมีประสิทธิภาพโดยการระบุและการแยกรายละเอียดที่เกี่ยวข้องจากการสอบถามของผู้ใช้

การแยกเอนทิตี เกี่ยวข้องกับการแยกวิเคราะห์ข้อมูลที่ผู้ใช้ป้อนเพื่อระบุข้อมูลเฉพาะ ตัวอย่างเช่น ในการสอบถาม "ฉันต้องการสั่งซื้อเสื้อยืดสีน้ำเงินขนาดใหญ่สามตัว" โมเดล NLU ของเอเจนต์ควรแยกเอนทิตีต่อไปนี้:

  • ปริมาณ: 3
  • สี: น้ำเงิน
  • ขนาด: ใหญ่
  • ชนิดของสินค้า: เสื้อยืด

การเติมช่องว่าง เป็นกระบวนการใช้เอนทิตีที่แยกออกมาเพื่อกรอกข้อมูลที่จำเป็นสำหรับงานที่กำหนด ในตัวอย่างนี้ เอเจนต์จะรับรู้หัวข้อเป็นคำสั่งซื้อและเติมเอนทิตีที่แยกแล้วลงในช่องว่างที่กำหนด เอเจนต์สามารถเข้าใจคำขอของผู้ใช้ได้โดยไม่ต้องถามคำถามเพิ่มเติม ทำให้การโต้ตอบคล่องตัวขึ้น

การแยกเอนทิตีและการเติมช่องว่างช่วยให้เอเจนต์สามารถจัดการคำถามที่ซับซ้อนได้อย่างมีประสิทธิภาพมากขึ้น ให้การตอบที่ถูกต้องและเกี่ยวข้องตามบริบท และปรับปรุงประสบการณ์ของผู้ใช้

เรียนรู้เพิ่มเติม:

การรวม Microsoft Copilot Studio กับ Azure CLU

การรวมโมเดล CLU เข้ากับเอเจนต์ Copilot Studio สามารถเพิ่มความสามารถของเอเจนต์ได้อย่างมาก การรวมนี้เกี่ยวข้องกับการแมปจุดประสงค์ของ Azure CLU กับหัวข้อต่างๆ ของ Copilot Studio ทำให้เอเจนต์เข้าใจและตอบสนองต่อจุดประสงค์ของผู้ใช้ได้แม่นยำยิ่งขึ้น นอกจากนี้ เอนทิตีที่สร้างไว้ล่วงหน้าของ Copilot Studio ยังสามารถใช้ควบคู่ไปกับเอนทิตี Azure CLU ซึ่งเป็นเฟรมเวิร์กที่แข็งแกร่งสำหรับการแยกเอนทิตี

เมื่อพิจารณาการผนวกรวมนี้ สิ่งสำคัญคือต้องประเมินว่าเวิร์กโหลดแอปพลิเคชันอัจฉริยะของคุณต้องการ Azure CLU หรือไม่ ตัวอย่างเช่น Azure CLU รองรับภาษาเพิ่มเติม พจนานุกรมเฉพาะอุตสาหกรรม และการแยกเอนทิตีที่ซับซ้อน ซึ่งอาจจำเป็นสำหรับแอปพลิเคชันของคุณ การแยกเอนทิตีแบบกำหนดเองด้วย Azure CLU ยังสามารถเปิดใช้งานการเติมช่องว่างแบบเงียบหรือแบบ "โชคดี" ซึ่งช่วยให้เอเจนต์สามารถจัดการสถานการณ์ต่างๆ เช่น การระบุทั้งเมืองต้นทางและปลายทางในข้อความเดียวโดยไม่ต้องถามคำถามติดตามผล

สิ่งสำคัญอีกประการหนึ่งคือการทำให้แน่ใจว่าโควต้าและขีดจำกัดบริการ Azure CLU สอดคล้องกับการใช้งานเอเจนต์ของคุณ ตัวอย่างเช่น หากคุณคาดว่าจะมีการเรียกน้อยกว่า 1,000 ครั้งที่ต้องใช้การรับรู้จุดประสงค์ต่อนาที คุณอาจตั้งค่า Azure CLU โดยใช้ระดับ S การกำหนดค่านี้ช่วยให้แน่ใจว่าเอเจนต์ของคุณสามารถจัดการกับเวิร์กโหลดที่คาดไว้ได้ไม่เกินขีดจำกัดการบริการหรือเกิดค่าใช้จ่ายที่ไม่คาดคิด

เรียนรู้เพิ่มเติม:

ข้อควรพิจารณาสำหรับโครงสร้างหัวข้อ

การจัดโครงสร้างหัวข้ออย่างมีประสิทธิภาพเป็นสิ่งสำคัญสำหรับการสร้างการสนทนาที่เป็นธรรมชาติและราบรื่น หัวข้อเป็นเส้นทางการสนทนาที่แยกกัน ซึ่งเมื่อรวมกันแล้วจะทำให้ผู้ใช้สามารถโต้ตอบกับเอเจนต์ได้อย่างราบรื่น ต่อไปนี้คือข้อควรพิจารณาที่สำคัญบางประการสำหรับการออกแบบโครงสร้างหัวข้อ:

  • หัวข้อตามทริกเกอร์: หัวข้อเหล่านี้เปิดใช้งานตามคำพูดของผู้ใช้และทำหน้าที่เป็นจุดเริ่มต้น กำหนดข้อความทริกเกอร์ที่ชัดเจนสำหรับหัวข้อเหล่านี้ หากข้อความทริกเกอร์ทับซ้อนกันในหลายหัวข้อ ให้พิจารณาใช้หัวข้อทั่วไปซึ่งสามารถเปลี่ยนเส้นทางไปยังหัวข้อที่เหมาะสมหลังจากถามคำถามที่ชัดเจน ด้วยการแยกเอนทิตีและการเติมช่องว่าง คำถามที่ชัดเจนสามารถถูกข้ามได้หากข้อมูลที่จำเป็นได้รับการระบุไว้แล้ว

  • หัวข้อตามการเปลี่ยนเส้นทาง: หัวข้อเหล่านี้ถูกทริกเกอร์โดยการดำเนินการเปลี่ยนเส้นทาง กิจกรรม หรือเหตุการณ์ และสามารถเรียกโดยหัวข้ออื่นๆ ได้หลายหัวข้อ ควรได้รับการออกแบบให้สามารถนำกลับมาใช้ใหม่ได้และเป็นแบบโมดูลาร์ โดยมีตัวแปรอินพุตและเอาต์พุตเพื่ออำนวยความสะดวกในการรวมกับเส้นทางการสนทนาต่างๆ ได้อย่างราบรื่น

  • หัวข้อที่มีทริกเกอร์คู่: บางหัวข้อสามารถทริกเกอร์ผ่านการรับรู้จุดประสงค์หรือโดยการเปลี่ยนเส้นทางโดยตรง ความยืดหยุ่นนี้ช่วยให้การสนทนามีการปรับเปลี่ยนได้และตอบสนองได้มากขึ้น

  • การเพิ่มความสามารถในการสนทนาและทางเลือกสำรอง: สร้างหัวข้อสำรองในการสนทนาสำหรับสถานการณ์ที่ไม่มีหัวข้อที่ตรงกันถูกทริกเกอร์โดยการสอบถามของผู้ใช้ หัวข้อเหล่านี้สามารถให้คำตอบทั่วไปหรือแนะนำหัวข้อที่เกี่ยวข้องเพื่อรักษาโฟลว์ของการสนทนา

แนวทางการออกแบบ:

  • หัวข้อที่กำหนดเองสำหรับสถานการณ์สำคัญ: พัฒนาหัวข้อที่กำหนดเองสองสามหัวข้อสำหรับสถานการณ์สำคัญด้วยข้อความทริกเกอร์และการเปลี่ยนเส้นทางที่เกี่ยวข้อง ใช้โครงสร้างหัวข้อหลักและรองเพื่อจัดการการโต้ตอบที่ซับซ้อน สำหรับจุดประสงค์ที่ไม่รู้จัก ให้ใช้คำตอบที่สร้างอัตโนมัติและกลไกทางเลือก

  • หัวข้อแก้ความกำกวม: วางแผนที่จะใช้หัวข้อแก้ความกำกวมสำหรับการดำเนินการที่ต้องการคำถามที่ชัดเจน ตัวอย่างเช่น การดำเนินการของบัญชีผู้ใช้อาจต้องมีการชี้แจงเกี่ยวกับชนิดของการดำเนินการ (เช่น สร้าง ปลดล็อก ระงับ) และระบบที่เกี่ยวข้อง (เช่น SAP, ServiceNow, Microsoft)

  • หลีกเลี่ยงการทำซ้ำ: เพื่อหลีกเลี่ยงการทำซ้ำเนื้อหา ให้สร้างหัวข้อที่ใช้ซ้ำได้สำหรับเส้นทางการโต้ตอบที่ต้องทำซ้ำ หัวข้อที่ใช้ซ้ำได้เหล่านี้สามารถเรียกได้โดยหัวข้อหลัก และเมื่อเสร็จแล้ว การสนทนาสามารถเรียกตรรกะของหัวข้อหลักต่อได้

เรียนรู้เพิ่มเติม:

การจัดการกับจุดประสงค์ที่ไม่รู้จัก

การจัดการจุดประสงค์ที่ไม่รู้จักอย่างมีประสิทธิภาพช่วยให้มั่นใจได้ถึงประสบการณ์การใช้งานที่ราบรื่น จุดประสงค์ที่ไม่รู้จักเกิดขึ้นเมื่อเอเจนต์ไม่เข้าใจคำพูดของผู้ใช้ และไม่มีความมั่นใจเพียงพอที่จะทริกเกอร์หัวข้อที่มีอยู่ ต่อไปนี้เป็นคำแนะนำบางประการสำหรับการจัดการสถานการณ์เหล่านี้:

  • การจัดการจุดประสงค์ที่ไม่รู้จัก: ในขั้นต้น ให้นำจุดประสงค์ที่ไม่รู้จักไปยังหัวข้อของระบบส่งเสริมการสนทนา ซึ่งจะค้นหาคำตอบในเว็บไซต์สาธารณะและแหล่งข้อมูลขององค์กร เช่น ไซต์ SharePoint หากไม่พบข้อมูลที่เกี่ยวข้อง ระบบก็สามารถถอยกลับไปใช้ประสบการณ์แบบ ChatGPT ได้โดยใช้พร้อมท์ของระบบที่กำหนดเองด้วยโมเดล Azure OpenAI GPT-4 วิธีการนี้ช่วยให้แน่ใจว่าผู้ใช้จะได้รับคำตอบที่เป็นประโยชน์แม้ว่าจะไม่ได้วางแผนการสอบถามก็ตาม

  • การรวมกับระบบภายนอก: พิจารณาว่าคุณกำลังรวมเข้ากับระบบภายนอกในลักษณะเป็นส่วนหนึ่งของกลยุทธ์ทางเลือกของคุณหรือไม่ ตัวอย่างเช่น การรวมกับโมเดล Azure OpenAI GPT-4 โดยใช้การร้องขอทาง HTTP เพื่อมอบประสบการณ์ที่เหมือน ChatGPT ที่เป็นไปตามข้อกำหนด

  • การตรวจสอบการใช้ทางเลือกสำรอง: ตรวจสอบเปอร์เซ็นต์ของการสนทนาที่กระทบกับทางเลือกสำรองอย่างสม่ำเสมอ ใช้ข้อมูลเชิงลึกเหล่านี้เพื่อเพิ่มข้อมูลให้กับหัวข้อที่มีอยู่หรือสร้างหัวข้อใหม่ เพื่อให้มั่นใจว่าเอเจนต์ปรับปรุงความสามารถในการทำความเข้าใจและการตอบอย่างต่อเนื่อง

  • หัวข้อสำรองและคำตอบที่สร้างอัตโนมัติ: หัวข้อของระบบสำรอง จะถูกทริกเกอร์เมื่อไม่มีการระบุหัวข้อที่ตรงกัน หากเปิดใช้งาน คำตอบที่สร้างอัตโนมัติ หัวข้อของการส่งเสริมการสนทนาจะทริกเกอร์ในเหตุการณ์ที่ไม่รู้จักจุดประสงค์ก่อน ตามด้วยหัวข้อสำรองตามต้องการ วิธีการแบบเลเยอร์นี้ช่วยจัดการจุดประสงค์ที่ไม่รู้จักได้อย่างมีประสิทธิภาพ

  • ใช้การส่งเสริมการสนทนาและทางเลือกสำรอง: ใช้ คำตอบที่สร้างอัตโนมัติ เพื่อค้นหาแหล่งข้อมูลต่างๆ หรือรวมเข้ากับระบบอื่นๆ เช่น Azure Cognitive Service for Language บริการนี้สามารถจัดการคู่คำถามและคำตอบจำนวนมากและมีโมเดลคุยเล่นสำหรับคำถามแบบสุ่ม

  • สถานการณ์หลักและหัวข้อที่กำหนดเอง: ตรวจสอบให้แน่ใจว่าสถานการณ์และหัวข้อหลักได้รับการกำหนดไว้อย่างดีและจัดการผ่านหัวข้อที่กำหนดเอง กำหนดผลลัพธ์ของหัวข้อเหล่านี้อย่างชัดเจนเพื่อรักษาขั้นตอนการสนทนาที่มีโครงสร้างและมีประสิทธิภาพ

การแปลเป็นภาษาท้องถิ่นและภาษา

เมื่อสร้างเอเจนต์ ให้พิจารณาภาษาและตลาดที่เวิร์กโหลดของแอปพลิเคชันอัจฉริยะของคุณต้องรองรับ การแปลเป็นภาษาท้องถิ่นและการสนับสนุนภาษาเป็นปัจจัยสำคัญเพื่อให้แน่ใจว่าเวิร์กโหลดแอปพลิเคชันอัจฉริยะของคุณตรงตามความต้องการของฐานผู้ใช้ที่หลากหลาย นี่คือแนวทางที่แนะนำบางส่วน:

  • หนึ่งเอเจนต์ต่อภาษา: วิธีการนี้เกี่ยวข้องกับการสร้างเอเจนต์แยกต่างหากสำหรับแต่ละภาษา ช่วยให้มั่นใจได้ว่าเอเจนต์แต่ละรายการได้รับการปรับให้เหมาะสมที่สุดสำหรับภาษาเฉพาะของตน อย่างไรก็ตาม การดูแลรักษาเอเจนต์หลายรายอาจใช้ทรัพยากรสูง

  • หนึ่งเอเจนต์สำหรับหลายภาษา (การแปลที่กำหนดค่า): ด้วยวิธีนี้ เอเจนต์เดียวจะรองรับหลายภาษา โดยมีการแปลให้เป็นส่วนหนึ่งของการกำหนดค่าเอเจนต์ วิธีนี้ต้องมีการอัปเดตคำแปลทุกครั้งที่อัปเดตเอเจนต์หรือมีการเพิ่มเนื้อหาใหม่ มีความสมดุลระหว่างประสิทธิภาพของทรัพยากรและการสนับสนุนภาษา แต่ต้องมีการจัดการการอัปเดตการแปลอย่างรอบคอบ

  • หนึ่งเอเจนต์สำหรับหลายภาษา (การแปลแบบเรียลไทม์): วิธีนี้ใช้เอเจนต์รีเลย์เพื่อให้การแปลแบบเรียลไทม์ในขณะรันไทม์ ช่วยให้สามารถปรับใช้ภาษาต่างๆ ได้อย่างรวดเร็ว และลดความจำเป็นในการอัปเดตคำแปลบ่อยครั้ง อย่างไรก็ตาม การใช้งานดังกล่าวต้องพึ่งพาเอเจนต์รีเลย์ และเลเยอร์การแปลแบบเรียลไทม์ เช่น Azure Service Copilot และ Azure Cognitive Services Translator

ข้อควรพิจารณาที่สำคัญ:

  • ภาษาและตลาด: ภาษาและตลาดที่เอเจนต์ของคุณต้องสนับสนุนมีอิทธิพลต่อกลยุทธ์การแปลของคุณ

  • เอเจนต์ภาษาเดียวเทียบกับหลายภาษา: ตัดสินใจว่าจะพัฒนาเอเจนต์เดียวที่รองรับหลายภาษาหรือเอเจนต์แยกกันสำหรับแต่ละภาษา การตัดสินใจนี้ขึ้นอยู่กับปัจจัยต่างๆ เช่น ความพร้อมใช้งานของทรัพยากร ความสามารถในการบำรุงรักษา และความซับซ้อนของภาษาที่เกี่ยวข้อง

  • การจับเวลาการแปล: พิจารณาว่าควรตั้งค่าการแปลในระหว่างขั้นตอนการกำหนดค่าหรือให้บริการแบบเรียลไทม์ในขณะทำงาน คำแปลที่กำหนดค่าไว้มีความเสถียรและการควบคุม ขณะที่การแปลแบบเรียลไทม์ให้ความยืดหยุ่นและการปรับใช้ที่รวดเร็ว

เรียนรู้เพิ่มเติม: