Rancang dengan model niat dan entitas
Pemahaman bahasa menyediakan dua jenis model bagi Anda untuk menentukan skema aplikasi Anda. Skema aplikasi Anda menentukan informasi apa yang Anda terima dari prediksi ujaran pengguna baru.
Skema aplikasi dibangun dari model yang Anda buat menggunakan pengajaran mesin:
Penulisan menggunakan pengajaran mesin
Metodologi pengajaran mesin LUIS memungkinkan Anda mengajarkan konsep ke mesin dengan mudah. Memahami pembelajaran mesin tidak perlu menggunakan LUIS. Sebaliknya, Anda sebagai guru, menyampaikan konsep kepada LUIS dengan memberikan contoh konsep dan menjelaskan bagaimana konsep harus dimodelkan menggunakan konsep terkait lainnya. Anda, sebagai guru, juga dapat meningkatkan model LUIS secara interaktif dengan mengidentifikasi dan memperbaiki kesalahan prediksi.
Niat mengklasifikasikan ucapan
Niat mengklasifikasikan contoh ujaran untuk mengajarkan LUIS tentang niat tersebut. Contoh ucapan dalam niat digunakan sebagai contoh positif dari ujaran tersebut. Ujaran yang sama ini digunakan sebagai contoh negatif dalam semua niat lainnya.
Pertimbangkan aplikasi yang perlu menentukan niat pengguna untuk memesan buku dan aplikasi yang memerlukan alamat pengiriman untuk pelanggan. Aplikasi ini memiliki dua niat: OrderBook dan ShippingLocation.
Ujaran berikut adalah contoh positif untuk niat OrderBook dan contoh negatif untuk niat ShippingLocation dan None:
Buy the top-rated book on bot architecture.
Entitas mengekstrak data
Entitas mewakili unit data yang ingin Anda ekstrak dari ujaran tersebut. Entitas pembelajaran mesin adalah entitas tingkat atas yang mengandung subentitas, yang juga merupakan entitas pembelajaran mesin.
Contoh entitas pembelajaran mesin adalah pemesanan tiket pesawat. Secara konseptual, ini adalah transaksi tunggal dengan banyak unit data yang lebih kecil seperti tanggal, waktu, jumlah kursi, jenis kursi seperti kelas satu atau coach, lokasi asal, lokasi tujuan, dan pilihan makan.
Niat versus entitas
Niat adalah hasil yang diinginkan dari seluruh ujuran sedangkan entitas adalah potongan data yang diekstrak dari ujaran. Biasanya niat terkait dengan tindakan, yang harus diambil oleh aplikasi klien. Entitas adalah informasi yang diperlukan untuk melakukan tindakan ini. Dari perspektif pemrograman, niat akan memicu panggilan metode dan entitas akan digunakan sebagai parameter untuk panggilan metode tersebut.
Ujaran ini harus memiliki niat dan mungkin memiliki entitas:
Buy an airline ticket from Seattle to Cairo
Ujaran ini memiliki satu niat:
- Membeli tiket pesawat
Ujaran ini mungkin memiliki beberapa entitas:
- Lokasi Seattle (asal) dan Kairo (tujuan)
- Jumlah satu tiket
Dekomposisi model entitas
LUIS mendukung dekomposisi model dengan API penulisan, memecah konsep menjadi bagian yang lebih kecil. Ini memungkinkan Anda membangun model Anda dengan yakin tentang bagaimana berbagai bagian dibangun dan diprediksi.
Dekomposisi model memiliki bagian-bagian berikut:
- niat
- entitas pembelajaran mesin
- subentitas (juga entitas pembelajaran mesin)
Fitur
Fitur adalah sifat atau atribut data yang berbeda yang diamati sistem Anda. Fitur pembelajaran mesin memberikan isyarat penting kepada LUIS tentang tempat untuk mencari hal-hal yang akan membedakan konsep. Isyarat tersebut adalah petunjuk yang dapat digunakan LUIS, tetapi bukan aturan yang sulit. Petunjuk ini digunakan bersama dengan label untuk menemukan data.
Pola
Pola dirancang untuk meningkatkan akurasi ketika beberapa ujaran sangat mirip. Pola memungkinkan Anda mendapatkan niat yang lebih akurat tanpa memberikan lebih banyak ungkapan.
Memperluas aplikasi pada runtime
Skema aplikasi (model dan fitur) dilatih dan diterbitkan ke titik akhir prediksi. Anda dapat meneruskan informasi baru, bersama dengan ujaran pengguna, ke titik akhir prediksi untuk menambah prediksi.