Optimierung von Auslöser-Phrasen und natürlichem Sprachverständnis

  • Artikel

Wichtig

Power Virtual Agents-Fähigkeiten und -Funktionen sind jetzt Teil von Microsoft Copilot Studio nach erheblichen Investitionen in generative KI und verbesserte Integrationen in Microsoft Copilot.

Einige Artikel und Screenshots beziehen sich möglicherweise auf Power Virtual Agents während wir Dokumentation und Schulungsinhalte aktualisieren.

Was sind Auslöser-Phrasen in Microsoft Copilot Studio?

  • Triggerausdrücke trainieren das Modell für das Verständnis natürlicher Sprache (NLU) Ihres Copiloten.

  • Triggerausdrücke werden auf Thema-Ebene konfiguriert und zeigen dem Copiloten an, für welche typischen Benutzeräußerungen ein bestimmtes Thema ausgelöst werden soll.

  • Auslöser-Phrasen erfassen in der Regel die Art und Weise, wie ein Endbenutzer nach einem Problem oder einer Frage fragen würde. Zum Beispiel: „Problem mit Unkraut im Rasen“

Tipp

Beim Erstellen eines neuen Themas muss ein Ersteller lediglich einige Beispielsätze (idealerweise zwischen fünf und zehn) angeben. Wenn der Copilot verwendet wird, analysiert die KI, was der Benutzende sagt, und löst das Thema aus, das der Bedeutung der Äußerung des Benutzenden am nächsten kommt.

Die Bedeutung des auslösenden Kontexts

Microsoft Copilot Studio NLU verhält sich je nach Status der Unterhaltung unterschiedlich, was manchmal zu unterschiedlichen Verhaltensweisen für dieselbe Benutzeräußerung führen kann.

Im Folgenden finden Sie die verschiedenen Status der Unterhaltung:

  • Beginn der Unterhaltung: Der Copilot hat keinen Kontext, daher wird davon ausgegangen, dass eine Benutzeräußerung entweder direkt ein Thema auslöst (IntentRecognition), eine „Meinten Sie?“-Frage zur Mehrdeutigkeitsvermeidung (mehrere passende Themen) auslöst (IntentCandidates), wenn es mehrere passende Themen gibt, oder einen Fallback auslöst (UnknownIntent), wenn die Absicht nicht erkannt wird.
  • Nachdem ein „Meinten Sie“ (Multiple Topics Matched) ausgelöst wurde: NLU optimiert, um einem der vorgeschlagenen Themen zu entsprechen, mit höheren Schwellenwerten, um aus den präsentierten Optionen herauszukommen.
  • Ausschalten aus einem aktuellen Thema: Wenn die NLU versucht, eine Aufteilung in Bereiche in einem Thema vorzunehmen, und der Benutzer eine Benutzeranfrage stellt, die ein anderes Thema auslösen könnte (Themenwechsel).

Zur Zeichensetzung

Das NLU-Modell ist unabhängig von Interpunktionen, einschließlich Fragezeichen.

Neue Auslöser-Phrasen erstellen

Wenn möglich, sollten Sie mit echten Produktionsdaten beginnen, anstatt eigene Auslöser-Phrasen zu erfinden. Die besten Auslöser-Phrasen sind diejenigen, die den Istwerten der Endbenutzer ähneln. Dies sind die Ausdrücke, mit denen sich Benutzende an einen bereitgestellten Copiloten wenden.

Es ist nicht nötig, bestimmte Wörter wegzulassen: Das Modell ist so konzipiert, dass unnötige Wörter, wie z.B. Stoppwörter (Wörter, die vor der Verarbeitung von natürlichsprachlichen Daten herausgefiltert werden, weil sie unbedeutend sind), weniger Gewicht erhalten.

Optimierung von Auslöser-Phrasen

# Tipp Beispiele
1 Haben Sie mindestens 5-10 Auslöser-Phrasen pro Thema.
Iterieren Sie und fügen Sie weitere hinzu, wenn Sie von den Benutzern lernen.		 Finden Sie den nächstgelegenen Store
Standort des Stores prüfen
Finde einen Store
Finden Sie den nächstgelegenen Standort
Store in meiner Nähe
2 Variable Satzstruktur und Schlüsselbegriffe
Das Modell berücksichtigt automatisch Variationen dieser Phrasen.		 Wann sind Sie geschlossen
Täglich geöffnete Stunden
3 Benutzen Sie kurze Auslöser-Phrasen
Weniger als 10 Wörter.		 Wann sind Sie geöffnet
4 Vermeiden Sie Auslöser-Phrasen, die nur aus einem Wort bestehen
Dies erhöht die Gewichtung bestimmter Worte bei der Auslösung von Themen.
Das kann zu Verwirrung zwischen ähnlichen Themen führen.		 Store
5 Verwenden Sie vollständige Sätze Kann ich mit einem menschlichen Mitarbeiter sprechen
6 Haben Sie eindeutige Verben und Substantive oder Kombinationen davon Ich brauche Customer Service
Ich möchte mit einem Berater sprechen
7 Vermeiden Sie die Verwendung der gleichen Entitätsvariation
Sie müssen nicht alle Beispiele aus dem Entitäten-Wert verwenden.
Die NLU berücksichtigt automatisch alle Variationen.		 Ich möchte einen Burger bestellen
Ich hätte gerne eine Pizza
Ich möchte Hühnchen-Nuggets

Halten Sie die Anzahl der Auslöser-Phrasen pro Thema im Gleichgewicht

Versuchen Sie, die Anzahl der Auslöser-Phrasen zwischen den Themen auszugleichen.

Tipp

Auf diese Weise übergewichten die Funktionalitäten der NLU nicht ein Thema gegenüber einem anderen auf der Grundlage der konfigurierten Auslöser-Phrasen.

Bewertung der Auswirkungen Ihrer Änderungen

Wenn Sie Auslöser-Phrasen aktualisieren oder Themen zusammenführen oder aufteilen, gibt es mehrere Möglichkeiten, die Änderungen zu bewerten:

  • Eine sofortige Änderung im Copilot-Verhalten, die über den „Copilot testen“-Canvas beobachtet werden kann (z. B. ein Thema, das jetzt ausgelöst wird oder nicht auf der Aktualisierung von Triggerausdrücken basiert).
  • Eine Änderung nach der Bereitstellung des Copiloten und der Konfrontation mit Datenverkehr, was sich in höheren oder niedrigeren Abweisungsraten (keine Eskalation) niederschlägt. Sie können dies auf der Registerkarte Analyse in Microsoft Copilot Studio beobachten.

Tipp

Sie können das Auslösen des Themas und die Leistung Ihres NLU-Modells mithilfe von großen Mengen an Testdaten testen, indem Sie das Copilot Test Framework nutzen.

Obwohl die zugrunde liegenden Features und Komponenten, die zum Erstellen des Copilot Test Framework verwendet wurden (wie z. B. Interaktion mit der Direct Line-API), vollständig unterstützt werden, stellt das Copilot Test Framework selbst Beispielimplementierungen dieser Features dar.

Unsere Kundschaft und die Community können das Copilot Test Framework verwenden und anpassen, um Massentests zu implementieren. Wenn Sie Probleme mit dem Copilot Test Framework haben, melden Sie das Problem hier: https://aka.ms/PVASamples. (Der Microsoft Support hilft Ihnen nicht bei Problemen im Zusammenhang mit diesen Beispielen, wohl aber bei damit zusammenhängenden, zugrunde liegenden Problemen mit der Plattform und den Funktionen).

Bewährte Verfahren für Entitäten und Aufteilung in Bereiche