Glossario per la comprensione del linguaggio con vocabolario e concetti comuni

Il glossario di Language Understanding (LUIS) illustra i termini che possono verificarsi quando si lavora con il servizio LUIS.

Versione attiva

La versione attiva è la versione dell'app che viene aggiornata quando si apportano modifiche al modello usando il portale LUIS. Nel portale LUIS, se si vogliono apportare modifiche a una versione diversa da quella attiva, è prima necessario impostare tale versione come attiva.

Apprendimento attivo

L'apprendimento attivo è una tecnica di Machine Learning in cui il modello di Machine Learning viene usato per identificare nuovi esempi informativi da etichettare. In LUIS l'apprendimento attivo si riferisce all'aggiunta di espressioni dal traffico dell'endpoint le cui stime correnti non sono chiare per migliorare il modello. Fare clic su "Rivedi espressioni endpoint" per visualizzare le espressioni da etichettare.

Vedere anche la pagina relativa alla

Applicazione (app)

In LUIS l'applicazione, o app, è una raccolta di modelli machine-learned, compilati in base allo stesso set di dati, che funziona insieme per stimare finalità ed entità per uno scenario specifico. Ogni applicazione ha un endpoint di stima separato.

Se si sta creando un bot hr, è possibile che si abbia un set di finalità, ad esempio "Pianifica ora di fine", "Richiedi informazioni sui vantaggi" e "Aggiorna informazioni personali" ed entità per ognuna di queste finalità raggruppate in una singola applicazione.

Creazione

La creazione è la possibilità di creare, gestire e distribuire un'app LUIS usando il portale LUIS o le API di creazione.

Chiave di creazione

La chiave di creazione viene usata per creare l'app. Non utilizzata per le query di endpoint a livello di produzione. Per ulteriori informazioni, vedere Limiti della chiave.

Risorsa di creazione

La risorsa di creazione LUIS è un elemento gestibile disponibile tramite Azure. La risorsa è l'accesso alle capacità di creazione, training e pubblicazione del servizio di Azure associate. La risorsa include le informazioni di autenticazione, autorizzazione e sicurezza necessarie per accedere al servizio di Azure associato.

La risorsa di creazione ha un "tipo" di Azure LUIS-Authoring .

Test in batch

Il test in batch è la possibilità di convalidare i modelli di un'app LUIS corrente con un set di test coerente e noto di espressioni utente. Il test batch è definito in un file in formato JSON.

Vedere anche la pagina relativa alla

Misura F

Nei test batch è una misura dell'accuratezza del test.

Falso negativo (FN)

Nei test in batch i punti dati rappresentano espressioni in cui l'app ha erroneamente stimato l'assenza della finalità/entità di destinazione.

Falso positivo (FP)

Nei test in batch i punti dati rappresentano espressioni in cui l'app ha erroneamente stimato la presenza della finalità/entità di destinazione.

Precisione

Nei test in batch, la precisione (denominata anche valore predittivo positivo) è la frazione delle espressioni rilevanti tra le espressioni recuperate.

Un esempio per un test in batch di animali è il numero di animali stimati diviso per il numero totale di animali (animali e non animali simili).

Richiamo

Nei test in batch il richiamo (anche detto sensibilità) è la capacità di LUIS di generalizzare.

Un esempio per un test in batch di animali è il numero di animali stimati diviso per il numero totale di animali disponibili.

Falso negativo (TN)

Un vero negativo è quando l'app stima correttamente nessuna corrispondenza. Nei test in batch si verifica un vero negativo quando l'app stima una finalità o un'entità per un esempio che non è stato etichettato con tale finalità o entità.

Falso positivo (TP)

Vero positivo (TP) Un vero positivo è quando l'app stima correttamente una corrispondenza. Nei test in batch, un vero positivo si verifica quando l'app stima una finalità o un'entità per un esempio etichettato con tale finalità o entità.

Classificatore

Un classificatore è un modello di Machine Learned che stima la categoria o la classe in cui si inserisce un input.

Una finalità è un esempio di classificatore.

Collaboratore

Un collaboratore è concettualmente la stessa cosa di un collaboratore. A un collaboratore viene concesso l'accesso quando un proprietario aggiunge l'indirizzo di posta elettronica del collaboratore a un'app non controllata con il controllo degli accessi in base al ruolo di Azure. Se si usano ancora collaboratori, è consigliabile eseguire la migrazione dell'account LUIS e usare le risorse di creazione LUIS per gestire i collaboratori con il controllo degli accessi in base al ruolo di Azure.

Collaboratore

Un collaboratore non è il proprietario dell'app, ma ha le stesse autorizzazioni per aggiungere, modificare ed eliminare finalità, entità ed espressioni. Un collaboratore fornisce il controllo degli accessi in base al ruolo di Azure a un'app LUIS.

Vedere anche la pagina relativa alla

Descrittore

Un descrittore è il termine usato in precedenza per una funzionalità di Machine Learning.

Dominio

Nel contesto di LUIS, un dominio è un'area di conoscenza. Il dominio è specifico per lo scenario. Domini diversi usano linguaggio e terminologia specifici che hanno un significato nel contesto del dominio. Ad esempio, se si sta creando un'applicazione per riprodurre musica, l'applicazione avrebbe termini e lingua specifici per la musica, ad esempio parole come "brano, traccia, album, testo, lato b, artista". Per esempi di domini, vedere domini predefiniti.

Endpoint

Endpoint di creazione

L'URL dell'endpoint di creazione LUIS consente di creare, eseguire il training e pubblicare l'app. L'URL dell'endpoint contiene l'area o il sottodominio personalizzato dell'app pubblicata, nonché l'ID app.

Per altre informazioni sulla creazione dell'app a livello di codice, vedere Le informazioni di riferimento per gli sviluppatori

Endpoint di stima

L'URL dell'endpoint di stima LUIS è il punto in cui si inviano le query LUIS dopo la creazione e la pubblicazione dell'app LUIS. L'URL dell'endpoint contiene l'area o il sottodominio personalizzato dell'app pubblicata, nonché l'ID app. È possibile trovare l'endpoint nella pagina delle risorse di Azure dell'app oppure ottenere l'URL dell'endpoint dall'API Get App Info (Ottieni informazioni sull'app).

L'accesso all'endpoint di stima è autorizzato con la chiave di stima LUIS.

Entità

Le entità sono parole nelle espressioni che descrivono le informazioni usate per soddisfare o identificare una finalità. Se l'entità è complessa e si vuole che il modello identifiti parti specifiche, è possibile suddividere il modello in sotto entità. Ad esempio, potrebbe essere necessario modellare per stimare un indirizzo, ma anche le sotto entità di via, città, stato e codice postale. Le entità possono essere usate anche come funzionalità per i modelli. La risposta dell'app LUIS includerà sia le finalità stimate che tutte le entità.

Estrattore di entità

Un estrattore di entità talvolta noto solo come estrattore è il tipo di modello di Machine Learned che LUIS usa per stimare le entità.

Schema di entità

Lo schema di entità è la struttura definita per le entità di Machine Learned con sotto entità. L'endpoint di stima restituisce tutte le entità e le sotto entità estratte definite nello schema.

Sottoentità dell'entità

Una sottoentità è un'entità figlio di un'entità di Machine Learning.

Entità non basata su Machine Learning

Entità che usa la corrispondenza di testo per estrarre i dati:

  • Entità elenco
  • Entità di espressione regolare

Entità elenco

Un'entità elenco rappresenta un set fisso e chiuso di parole correlate insieme ai relativi sinonimi. Le entità elenco sono corrispondenze esatte, a differenza delle entità apprese in macchina.

L'entità verrà stimata se nell'elenco è inclusa una parola nell'entità elenco. Ad esempio, se si dispone di un'entità elenco denominata "size" e nell'elenco sono presenti le parole "small, medium, large", l'entità size verrà stimata per tutte le espressioni in cui le parole "small", "medium" o "large" vengono usate indipendentemente dal contesto.

Espressione regolare‏

Un'entità di espressione regolare rappresenta un'espressione regolare. Le entità di espressione regolare sono corrispondenze esatte, a differenza delle entità apprese con machine.

Entità predefinita

Vedere La voce del modello predefinito per l'entità precompilato

Funzionalità

In Machine Learning una funzionalità è una caratteristica che consente al modello di riconoscere un concetto specifico. È un suggerimento che LUIS può usare, ma non una regola rigida.

Questo termine è noto anche come funzionalità di Machine Learning.

Questi hint vengono usati insieme alle etichette per informazioni su come stimare nuovi dati. LUIS supporta sia gli elenchi di frasi che l'uso di altri modelli come funzionalità.

Funzionalità richiesta

Una funzionalità necessaria è un modo per vincolare l'output di un modello LUIS. Quando una funzionalità per un'entità è contrassegnata come obbligatoria, la funzionalità deve essere presente nell'esempio per l'entità da stimare, indipendentemente da ciò che il modello appreso dal computer stima.

Si consideri un esempio in cui si dispone di una funzionalità di numero predefinita contrassegnata come obbligatoria nell'entità quantity per un bot di ordinamento dei menu. Quando il bot vede , il bajillion non verrà previsto come quantità indipendentemente dal I want a bajillion large pizzas? contesto in cui viene visualizzato. Bajillion non è un numero valido e non verrà stimato dall'entità numero precompilata.

Finalità

Una finalità rappresenta un'attività o un'azione che l'utente vuole eseguire. Si tratta di uno scopo o di un obiettivo espresso nell'input di un utente, ad esempio la prenotazione di un volo o il pagamento di una fattura. In LUIS un'espressione nel suo complesso viene classificata come finalità, ma parti dell'espressione vengono estratte come entità

Esempi di etichettatura

L'etichettatura, o contrassegno, è il processo di associazione di un esempio positivo o negativo a un modello.

Etichettatura per finalità

In LUIS le finalità all'interno di un'app si escludono a vicenda. Ciò significa che quando si aggiunge un'espressione a una finalità, questa viene considerata un esempio positivo per tale finalità e un esempio negativo per tutte le altre finalità. Gli esempi negativi non devono essere confusi con la finalità "None", che rappresenta espressioni esterne all'ambito dell'app.

Etichettatura per le entità

In LUIS si etichetta una parola o una frase nell'espressione di esempio di una finalità con un'entità come esempio positivo. L'etichettatura mostra la finalità che deve prevedere per tale espressione. Le espressioni etichettate vengono usate per eseguire il training della finalità.

App LUIS

Vedere la definizione per application (app).

Modellare

Un modello (machine learned) è una funzione che esegue una stima dei dati di input. In LUIS si fa riferimento genericamente ai classificatori di finalità e agli estrattori di entità come "modelli" e si fa riferimento a una raccolta di modelli sottoposti a training, pubblicati e sottoposti a query insieme come "app".

Valore normalizzato

Aggiungere valori alle entità elenco. Ognuno di questi valori può avere un elenco di uno o più sinonimi. Nella risposta viene restituito solo il valore normalizzato.

Overfitting

L'overfitting si verifica quando il modello viene corretto negli esempi specifici e non è in grado di generalizzare bene.

Proprietario

Ogni app ha un proprietario, ossia la persona che ha creato l'app. Il proprietario gestisce le autorizzazioni per l'applicazione nel portale di Azure.

Elenco di frasi

Un elenco di frasi è un tipo specifico di funzionalità di Machine Learning che include un gruppo di valori (parole o frasi) che appartengono alla stessa classe e devono essere trattati in modo simile (ad esempio, nomi di città o prodotti).

Modello predefinito

Un modello predefinito è una finalità, un'entità o una raccolta di entrambi, insieme ad esempi etichettati. Questi modelli predefiniti comuni possono essere aggiunti all'app per ridurre il lavoro di sviluppo del modello necessario per l'app.

Dominio predefinito

Un dominio predefinito è un'app LUIS configurata per un dominio specifico, ad esempio di domotica (HomeAutomation) o di prenotazione di ristoranti (RestaurantReservation). Le finalità, le espressioni e le entità sono configurate per questo dominio.

Entità predefinita

Un'entità predefinita è un'entità fornita da LUIS per tipi di informazioni comuni quali numeri, URL e posta elettronica. Vengono creati in base ai dati pubblici. È possibile scegliere di aggiungere un'entità predefinita come entità autonoma o come funzionalità a un'entità

Finalità precompilato

Una finalità predefinita è una finalità che LUIS fornisce per i tipi comuni di informazioni e include espressioni di esempio etichettate.

Stima

Una stima è una richiesta REST al servizio di stima luis di Azure che accetta nuovi dati (espressione utente) e applica l'applicazione con training e pubblicata a questi dati per determinare le finalità e le entità trovate.

Chiave di stima

La chiave di stima (nota in precedenza come chiave di sottoscrizione) è la chiave associata al servizio LUIS creato in Azure che autorizza l'utilizzo dell'endpoint di stima.

Questa chiave non è la chiave di crezione. Se si dispone di una chiave dell'endpoint di stima, deve essere usata per tutte le richieste di endpoint anziché per la chiave di creazione. È possibile visualizzare la chiave di stima corrente all'interno dell'URL dell'endpoint nella parte inferiore della pagina delle risorse di Azure nel sito Web LUIS. È il valore della coppia nome/valore della chiave di sottoscrizione.

Risorsa Previsione

La risorsa di stima LUIS è un elemento gestibile disponibile tramite Azure. La risorsa è l'accesso alla stima associata del servizio di Azure. La risorsa include stime.

La risorsa di stima ha un "tipo" di Azure . LUIS

Punteggio di previsione

Il punteggio è un numero da 0 e 1 che indica la certezza che il sistema sia sicuro che una determinata espressione di input corrisponda a una finalità specifica. Un punteggio più vicino a 1 indica che il sistema è molto sicuro dell'output e un punteggio più vicino a 0 indica che l'input non corrisponde a un output specifico. I punteggi al centro significano che il sistema non è molto sicuro di come prendere la decisione.

Ad esempio, prendere un modello usato per identificare se un testo del cliente include un ordine alimentare. Potrebbe assegnare un punteggio pari a 1 per "Vorrei ordinare un caffè" (il sistema è molto sicuro che si tratta di un ordine) e un punteggio pari a 0 per "il mio team ha vinto la partita la notte scorsa" (il sistema è molto sicuro che non si tratta di un ordine). E potrebbe avere un punteggio di 0,5 per "let's have some tea" (non è sicuro se si tratta di un ordine o meno).

Chiave programmatica

Rinominata chiave di creazione.

Pubblica

Per pubblicazione si intende rendere disponibile una versione attiva di LUIS nell'endpoint di staging o di produzione.

Quota

La quota LUIS è la limitazione del livello di sottoscrizione di Azure. La quota LUIS può essere limitata sia dalle richieste al secondo (stato HTTP 429) che dalle richieste totali in un mese (stato HTTP 403).

SCHEMA

Lo schema include le finalità e le entità insieme alle sottoe entità. Lo schema viene inizialmente pianificato per l'iter nel tempo. Lo schema non include impostazioni dell'app, funzionalità o espressioni di esempio.

Analisi del sentiment

L'analisi del sentiment fornisce valori positivi o negativi delle espressioni fornite da Analisi del testo.

Priming del riconoscimento vocale

Il priming del riconoscimento vocale migliora il riconoscimento di parole e frasi pronunciate comunemente usate nello scenario con i servizi Voce. Per le applicazioni abilitate per il priming vocale, tutti gli esempi con etichetta LUIS vengono usati per migliorare l'accuratezza del riconoscimento vocale creando un modello di riconoscimento vocale personalizzato per questa applicazione specifica. Ad esempio, in un gioco di scacchi si vuole assicurarsi che quando l'utente dice "Move night" non venga interpretato come "Move night". L'app LUIS deve includere esempi in cui "knight" è etichettato come entità.

Chiave di avvio

Chiave gratuita da usare quando si inizia a usare LUIS per la prima volta.

Sinonimi

Nelle entità elenco LUISè possibile creare un valore normalizzato, ognuno dei quali può avere un elenco di sinonimi. Ad esempio, se si crea un'entità di dimensioni con valori normalizzati small, medium, large e extra-large. È possibile creare sinonimi per ogni valore nel modo seguente:

Valore nonmalizzato Sinonimi
Small the little one, 8 ounce
Medio regular, 12 ounce
Grande big, 16 once
Xtra large il più grande, 24 once

Il modello restituirà il valore normalizzato per l'entità quando uno qualsiasi dei sinonimi viene visualizzato nell'input.

Test

Il test di un'app LUIS implica la visualizzazione delle stime del modello.

Differenza fuso orario

L'endpoint include timezoneOffset. È il numero di minuti da aggiungere o rimuovere dall'entità predefinita datetimeV2. Ad esempio, se l'espressione è "che ore sono?", il valore datetimeV2 restituito è l'ora corrente per la richiesta del client. Se la richiesta client proviene da un bot o un'altra applicazione che non corrisponde all'utente del bot, si deve passare la differenza tra il bot e l'utente.

Vedere Cambiare il fuso orario dell'entità datetimeV2 predefinita.

Token

Un token è l'unità di testo più piccola che LUIS è in grado di riconoscere. Questo comportamento è leggermente diverso tra le lingue.

Per l'inglese, un token è un intervallo continuo (senza spazi o punteggiatura) di lettere e numeri. Uno spazio NON è un token.

Frase Numero di token Spiegazione
Dog 1 Singola parola senza punteggiatura o spazi.
RMT33W 1 Numero di localizzatore di record. Può contenere numeri e lettere, ma non ha segni di punteggiatura.
425-555-5555 5 Un numero di telefono. Ogni segno di punteggiatura è un singolo token, 425-555-5555 quindi sarebbero 5 token:
425
-
555
-
5555
https://luis.ai 7 https
:
/
/
luis
.
ai

Treno

Il training è il processo di apprendimento di LUIS sulle modifiche apportate alla versione attiva dall'ultimo training.

Dati di training

I dati di training sono il set di informazioni necessarie per eseguire il training di un modello. Sono inclusi lo schema, le espressioni etichettate, le funzionalità e le impostazioni dell'applicazione.

Errori di training

Gli errori di training sono stime sui dati di training che non corrispondono alle etichette.

Espressione

Un'espressione è un input dell'utente che rappresenta brevemente una frase in una conversazione. Si tratta di una frase in linguaggio naturale, ad esempio "prenota 2 biglietti per Seattle martedì prossimo". Vengono aggiunte espressioni di esempio per eseguire il training del modello e il modello esegue previsioni su una nuova espressione in fase di esecuzione

Versione

Una versione di LUIS è un'istanza specifica di un'applicazione LUIS associata a un ID app LUIS e all'endpoint pubblicato. Ogni app LUIS ha almeno una versione.