Návrh s využitím modelů záměrů a entit

  • Článek

Důležité

Služba LUIS bude vyřazena 1. října 2025 a od 1. dubna 2023 nebudete moct vytvářet nové prostředky luis. Doporučujeme migrovat aplikace LUIS na konverzační jazyk, abyste mohli využívat výhod trvalé podpory produktů a možností více jazyků.

Porozumění jazyku poskytuje dva typy modelů, abyste mohli definovat schéma aplikace. Schéma aplikace určuje, jaké informace obdržíte z předpovědi promluvy nového uživatele.

Schéma aplikace je vytvořené z modelů, které vytvoříte pomocí strojového učení:

  • Záměry klasifikují promluvy uživatelů
  • Entity extrahují data z promluvy

Vytváření pomocí strojového učení

Metodologie strojového učení služby LUIS umožňuje snadno vyučovat koncepty na stroji. Při používání služby LUIS není potřeba porozumět strojovému učení . Místo toho jako učitel sdělíte službě LUIS koncept tím, že poskytnete příklady tohoto konceptu a vysvětlíte, jak by se měl koncept modelovat pomocí dalších souvisejících konceptů. Jako učitel můžete také interaktivně vylepšovat model služby LUIS tím, že identifikujete a opravíte chyby predikce.

Záměry klasifikující výroky

Záměr klasifikuje ukázkové promluvy pro výuku služby LUIS o záměru. Ukázkové promluvy v rámci záměru se používají jako pozitivní příklady promluvy. Stejné promluvy se používají jako negativní příklady ve všech ostatních záměrech.

Představte si aplikaci, která potřebuje určit záměr uživatele objednat knihu, a aplikaci, která potřebuje dodací adresu pro zákazníka. Tato aplikace má dva záměry: OrderBook a ShippingLocation.

Následující promluva je pozitivním příkladem záměru OrderBook a negativním příkladem záměrů ShippingLocation a None :

Buy the top-rated book on bot architecture.

Entity extrahující data

Entita představuje jednotku dat, která chcete extrahovat z promluvy. Entita strojového učení je entita nejvyšší úrovně obsahující subentity, které jsou také entitami strojového učení.

Příkladem entity strojového učení je objednávka lístku letadla. Koncepčně se jedná o jednu transakci s mnoha menšími jednotkami dat, jako je datum, čas, množství licencí, typ místa, jako je první třída nebo trenér, místo původu, cílové místo a výběr jídla.

Záměry a entity

Záměr je požadovaný výsledek celé promluvy, zatímco entity jsou části dat extrahovaných z promluvy. Záměry jsou obvykle svázány s akcemi, které by klientská aplikace měla provést. Entity jsou informace potřebné k provedení této akce. Z programovacího hlediska by záměr aktivoval volání metody a entity by se použily jako parametry pro volání této metody.

Tato promluva musí mít záměr a může obsahovat entity:

Buy an airline ticket from Seattle to Cairo

Tato promluva má jediný záměr:

  • Nákup letenky

Tato promluva může mít několik entit:

  • Umístění Seattlu (původ) a Káhiry (cíl)
  • Množství jednoho lístku

Rozklad modelu entit

SLUŽBA LUIS podporuje rozklad modelu pomocí rozhraní API pro vytváření a rozděluje koncept na menší části. To vám umožní vytvářet modely s jistotou v tom, jak se různé části vytvářejí a predikují.

Rozklad modelu má následující části:

Funkce

Funkce je rozlišující vlastnost nebo atribut dat, které váš systém sleduje. Funkce strojového učení poskytují službě LUIS důležité informace o tom, kde hledat věci, které odliší koncept. Jsou to nápovědy, které služba LUIS může použít, ale ne pevná pravidla. Tyto nápovědy se používají ve spojení s popisky k vyhledání dat.

Vzory

Vzory jsou navrženy tak, aby zlepšily přesnost, když je několik promluv velmi podobných. Vzor umožňuje získat větší přesnost záměru, aniž byste museli poskytovat mnohem více promluv.

Rozšíření aplikace za běhu

Schéma aplikace (modely a funkce) se trénuje a publikuje do koncového bodu předpovědi. Do koncového bodu predikce můžete předat nové informace spolu s promluvou uživatele a rozšířit tak predikci.

Další kroky