Modelli di progettazione con finalità ed entità
Importante
LUIS verrà ritirato il 1° ottobre 2025 e a partire dal 1° aprile 2023 non sarà possibile creare nuove risorse LUIS. È consigliabile eseguire la migrazione delle applicazioni LUIS alla comprensione del linguaggio conversazionale per trarre vantaggio dal supporto continuo del prodotto e dalle funzionalità multilingue.
Language Understanding offre due tipi di modelli che consentono di definire lo schema dell'app. Lo schema dell'app determina le informazioni ricevute dalla stima di una nuova espressione utente.
Lo schema dell'app viene creato dai modelli creati usando machine teaching:
- Le finalità classificano le espressioni utente
- Le entità estraggono dati dall'espressione
La creazione usa l'insegnamento automatico
La metodologia di apprendimento automatico di LUIS consente di insegnare facilmente i concetti a una macchina. La comprensione di Machine Learning non è necessaria per l'uso di LUIS. L'insegnante comunica invece un concetto a LUIS fornendo esempi del concetto e spiegando come modellare un concetto usando altri concetti correlati. L'insegnante può anche migliorare il modello luis in modo interattivo identificando e correggendo gli errori di stima.
Classificazione di espressioni con finalità
Una finalità classifica le espressioni di esempio per insegnare a LUIS la finalità. Le espressioni di esempio all'interno di una finalità vengono usate come esempi positivi dell'espressione. Queste stesse espressioni vengono usate come esempi negativi in tutte le altre finalità.
Prendere in considerazione un'app che deve determinare l'intenzione di un utente di ordinare un libro e un'app che necessita dell'indirizzo di spedizione per il cliente. Questa app ha due finalità: OrderBook e ShippingLocation.
L'espressione seguente è un esempio positivo per la OrderBook finalità e un esempio negativo per le ShippingLocation finalità e None :
Buy the top-rated book on bot architecture.
Estrazione di dati con entità
Un'entità rappresenta un'unità di dati che si desidera estrarre dall'espressione. Un'entità di Machine Learning è un'entità di primo livello contenente sottoentità, che sono anche entità di Machine Learning.
Un esempio di entità di Machine Learning è un ordine per un ticket del piano. Concettualmente si tratta di una singola transazione con molte unità di dati più piccole, ad esempio data, ora, quantità di postazioni, tipo di sedile, ad esempio prima classe o allenatore, posizione di origine, posizione di destinazione e scelta del pasto.
Finalità e entità
Una finalità è il risultato desiderato dell'intera espressione, mentre le entità sono parti di dati estratti dall'espressione. In genere le finalità sono associate ad azioni che devono essere eseguite dall'applicazione client. Le entità sono informazioni necessarie per eseguire questa azione. Dal punto di vista della programmazione, una finalità attiva una chiamata al metodo e le entità vengono usate come parametri per tale chiamata al metodo.
Questa espressione deve avere una finalità e può avere entità:
Buy an airline ticket from Seattle to Cairo
Questa espressione ha un'unica intenzione:
- Acquisto di un biglietto aereo
Questa espressione può avere diverse entità:
- Località di Seattle (origine) e Cairo (destinazione)
- Quantità di un singolo ticket
Scomposizione del modello di entità
LUIS supporta la scomposizione del modello con le API di creazione, suddividendo un concetto in parti più piccole. In questo modo è possibile creare i modelli con fiducia nel modo in cui vengono costruite e stimate le varie parti.
La scomposizione del modello presenta le parti seguenti:
- Intenti
- entità di Machine Learning
- sottoentità (anche entità di Machine Learning)
Funzionalità
Una funzionalità è un tratto distintivo o attributo di dati osservati dal sistema. Le funzionalità di Machine Learning forniscono a LUIS segnali importanti per individuare gli elementi che distingueranno un concetto. Sono suggerimenti che LUIS può usare, ma non le regole rigide. Questi hint vengono usati insieme alle etichette per trovare i dati.
Modelli
I modelli sono progettati per migliorare l'accuratezza quando diverse espressioni sono molto simili. Un modello consente di ottenere maggiore accuratezza in relazione a una finalità senza fornire molte altre espressioni.
Estensione dell'app in fase di esecuzione
Lo schema dell'app (modelli e funzionalità) viene sottoposto a training e pubblicato nell'endpoint di stima. È possibile passare nuove informazioni, insieme all'espressione dell'utente, all'endpoint di stima per aumentare la stima.
Passaggi successivi
- Comprendere finalità ed entità.
- Altre informazioni sulle funzionalità