Apa itu pemahaman bahasa percakapan?
Pemahaman bahasa percakapan adalah salah satu fitur kustom yang ditawarkan oleh Azure AI Language. Ini adalah layanan API berbasis cloud yang menerapkan kecerdasan pembelajaran mesin untuk memungkinkan Anda membangun komponen pemahaman bahasa alami untuk digunakan dalam aplikasi percakapan end-to-end.
Pemahaman bahasa percakapan (CLU) memungkinkan pengguna untuk membangun model pemahaman bahasa alami kustom untuk memprediksi niat keseluruhan ucapan yang masuk dan mengekstrak informasi penting darinya. CLU hanya menyediakan kecerdasan untuk memahami teks input untuk aplikasi klien dan tidak melakukan tindakan apa pun. Dengan membuat proyek CLU, pengembang dapat secara berulang kali melabeli data, melatih, mengevaluasi, dan meningkatkan performa model sebelum membuatnya tersedia untuk penggunaan. Kualitas data yang diberi label sangat mempengaruhi performa model. Untuk menyederhanakan proses membangun dan menyesuaikan model Anda, layanan ini menawarkan portal web khusus yang dapat diakses melalui Language Studio. Anda dapat dengan mudah memulai layanan ini dengan mengikuti langkah-langkah dalam mulai cepat ini.
Dokumentasi ini berisi jenis artikel berikut ini:
- Mulai Cepat memulai instruksi untuk memandu Anda membuat permintaan ke layanan.
- Konsep memberikan penjelasan tentang fungsi dan fitur layanan.
- Panduan berisi instruksi untuk menggunakan layanan dengan cara yang lebih spesifik atau disesuaikan.
Contoh skenario penggunaan
CLU dapat digunakan dalam beberapa skenario di berbagai industri. Beberapa contohnya adalah:
Bot percakapan end-to-end
Gunakan CLU untuk membangun dan melatih model pemahaman bahasa alami kustom berdasarkan domain tertentu dan ucapan pengguna yang diharapkan. Integrasikan dengan bot percakapan end-to-end sehingga dapat memproses dan menganalisis teks masuk secara real time untuk mengidentifikasi niat teks dan mengekstrak informasi penting darinya. Minta bot melakukan tindakan yang diinginkan berdasarkan niat dan informasi yang diekstrak. Contohnya adalah bot ritel yang disesuaikan untuk belanja online atau pemesanan makanan.
Bot asisten manusia
Salah satu contoh bot asisten manusia adalah membantu staf meningkatkan keterlibatan pelanggan dengan melakukan triaging kueri pelanggan dan menetapkannya ke teknisi dukungan yang sesuai. Contoh lain adalah bot sumber daya manusia di perusahaan yang memungkinkan karyawan berkomunikasi dalam bahasa alami dan menerima panduan berdasarkan kueri.
Aplikasi perintah dan kontrol
Saat Anda mengintegrasikan aplikasi klien dengan komponen ucapan ke teks, pengguna dapat berbicara perintah dalam bahasa alami agar CLU memproses, mengidentifikasi niat, dan mengekstrak informasi dari teks agar aplikasi klien dapat melakukan tindakan. Kasus penggunaan ini memiliki banyak aplikasi, seperti untuk menghentikan, memutar, meneruskan, dan memutar ulang lagu atau menyalakan atau mematikan lampu.
Bot obrolan perusahaan
Dalam perusahaan besar, bot obrolan perusahaan dapat menangani berbagai urusan karyawan. Ini mungkin dapat menangani pertanyaan yang sering diajukan yang dilayani oleh Pangkalan Pengetahuan jawaban atas pertanyaan kustom, keterampilan khusus kalender yang dilayani oleh pemahaman bahasa percakapan, dan keterampilan umpan balik wawancara yang dilayani oleh LUIS. Gunakan alur kerja Orkestrasi untuk menghubungkan semua keterampilan ini bersama-sama dan merutekan permintaan masuk dengan tepat ke layanan yang benar.
siklus hidup pengembangan Project
Membuat proyek CLU biasanya melibatkan beberapa langkah berbeda.
Ikuti langkah-langkah ini untuk mendapatkan hasil maksimal dari model Anda:
Menentukan skema: Ketahui data Anda dan tentukan tindakan serta informasi relevan yang perlu dikenali dari ucapan input pengguna. Dalam langkah ini Anda membuat tujuan yang ingin Anda tetapkan ke ucapan pengguna, dan entitas relevan yang ingin Anda ekstrak.
Melabeli data: Kualitas pelabelan pada data adalah faktor utama dalam menentukan performa model.
Melatih model: Model Anda mulai belajar dari data yang Anda beri label.
Melihat performa model: Lihat detail evaluasi untuk model Anda guna menentukan seberapa baik performanya saat diperkenalkan ke data baru.
Meningkatkan kualitas model: Setelah meninjau performa model, Anda kemudian dapat mempelajari cara meningkatkan kualitas model.
Menyebarkan model: Menyebarkan suatu model membuatnya bisa digunakan melalui API Runtime.
Memprediksi niat dan entitas: Gunakan model kustom Anda untuk memprediksi niat dan entitas dari ucapan pengguna.
Dokumentasi referensi dan sampel kode
Saat Anda menggunakan CLU, lihat dokumentasi referensi dan sampel berikut untuk Bahasa Azure AI:
| Opsi pengembangan/bahasa | Dokumentasi rujukan | Sampel |
|---|---|---|
| REST API (Penulisan) | Dokumentasi REST API | |
| REST API (Runtime) | Dokumentasi REST API | |
| C# (Runtime) | Dokumentasi C# | Sampel C++ |
| Python (Runtime) | Dokumentasi Python | Sampel Python |
AI yang bertanggung jawab
Sistem AI (kecerdasan buatan) tidak hanya mencakup teknologi, tetapi juga orang-orang yang akan menggunakannya, orang-orang yang akan terpengaruh olehnya, dan lingkungan tempat penyebarannya. Baca catatan transparansi untuk CLU untuk mempelajari tentang penggunaan dan penyebaran AI yang bertanggung jawab di sistem Anda. Anda juga membaca artikel berikut untuk mengetahui informasi lebih lanjut:
- Catatan transparansi untuk Bahasa Azure AI
- Integrasi dan penggunaan yang bertanggung jawab
- Data, privasi, dan keamanan
Langkah berikutnya
Gunakan artikel mulai cepat untuk mulai menggunakan pemahaman bahasa percakapan.
Saat Anda melalui siklus hidup pengembangan proyek, tinjau glosarium untuk mempelajari lebih lanjut tentang istilah yang digunakan di seluruh dokumentasi untuk fitur ini.
Ingatlah untuk melihat batas layanan untuk informasi seperti ketersediaan wilayah.