Optimalisere utløseruttrykk og forståelse av naturlig språk
Viktig
Power Virtual Agents-funksjoner er nå en del av Microsoft Copilot Studio etter betydelige investeringer i generativ kunstig intelligens og forbedrede integreringer på tvers av Microsoft Copilot.
Enkelte artikler og skjermbilder kan henvise til Power Virtual Agents når vi oppdaterer dokumentasjons- og opplæringsinnhold.
Hva er utløseruttrykk i Microsoft Copilot Studio
Utløseruttrykk brukes til å lære opp kopilotens modell for naturlig språkforståelse (NLU).
Utløseruttrykk konfigureres på emnenivå og indikerer for kopiloten hvilke typiske brukeruttrykk et bestemt emne skal utløses for.
Utløseruttrykk fanger vanligvis opp hvordan en sluttbruker spør om et problem. Eksempel: "problem med ugress i plen"
Tips
Når et nytt emne utløses, trenger en oppretter bare å gi noen få eksempeluttrykk (ideelt mellom fem og ti). Når kopiloten brukes, analyserer den kunstige intelligensen det brukeren sier, og utløser emnet som er nærmest brukerytringen.
Viktigheten av utløserkonteksten
Microsoft Copilot Studio NLU fungerer på forskjellig måte basert på samtaletilstanden, noe som noen ganger kan føre til ulik virkemåte for samme brukers ytring.
Dette er de ulike diskusjonstilstandene:
- Starten på samtalen: Kopiloten har ingen kontekst, så en brukerytring forventes å gjøre følgende: utløse et emne direkte (gjenkjennelse av intensjon), utløse et "mente du"-tvetydighetsspørsmål (samsvarer med flere emner) blant intensjonskandidater hvis det finnes flere samsvarende emner, eller gå til et fallback-emne hvis intensjonen ikke gjenkjennes.
- Etter at "mente du" (Samsvarte med flere emner) er utløst: NLU optimaliseres for å samsvare med et av de foreslåtte emnene, med høyere terskler for å flytte ut av de presenterte alternativene.
- Bytte fra gjeldende emne: Hvis NLU prøver å fylle ut en spor i et emne, og brukeren gir en brukerspørring som kan utløse et annet emne (emnebytting).
Ved tegnsetting
NLU-modellen er agnostisk til tegnsetting, inkludert spørsmålstegn.
Opprette nye utløseruttrykk
Hvis mulig, starter du med virkelige produksjonsdata i stedet for å lage dine egne utløseruttrykk. De beste utløseruttrykkene er de som ligner på faktiske data som kommer fra sluttbrukere. Det er disse uttrykkene brukere gir en distribuert kopilot.
Du trenger ikke legge igjen bestemte ord: Modellen er utformet for å gi mindre vekt på unødvendige ord, for eksempel stoppord (ord som filtreres ut før behandling av data for naturlig språk fordi de er ubetydelige).
Optimalisere utløseruttrykk
# | Tips | Eksempler |
---|---|---|
1 | Ha minst 5-10 utløseruttrykk per emne Gjenta og legg til mer etter hvert som du lærer fra brukere. |
Finn min nærmeste butikk Kontroller lagringssted Finn en butikk Finn ditt nærmeste sted Butikk i nærheten |
2 | Varierer setningsstruktur og nøkkeltermer Modellen vurderer automatisk variasjoner av disse uttrykkene. |
Når er det stengt Daglige åpningstider |
3 | Bruk korte utløseruttrykk Færre enn 10 ord. |
Når er det åpent |
4 | Unngå utløseruttrykk med ett ord Dette øker vekten for bestemte ord i emneutløsing. Det kan føre til forvirring mellom lignende emner. |
Lagre |
5 | Bruke fullstendige uttrykk | Kan jeg snakke med en menneskelig assistent |
6 | Har unike verb og substantiver eller kombinasjoner av disse | Jeg trenger kundeservice Jeg vil snakke med en konsulent |
7 | Unngå å bruke samme enhetsvariasjon Du trenger ikke bruke alle eksemplene fra enhetsverdien. NLU tar automatisk hensyn til alle variasjonene. |
Jeg vil bestille en burger Jeg vil gjerne ha en pizza Jeg vil ha kyllingnuggets |
Balanser antall utløseruttrykk per emne
Prøv å balansere antall utløseruttrykk mellom emner.
Tips
På den måten legger ikke NLU-funksjonene mer vekt på et emne sammenlignet med andre basert på de konfigurerte utløseruttrykkene.
Vurdere virkningen av endringene
Når du oppdaterer utløseruttrykk, eller ved sammenslåing eller deling av emner, kan du vurdere endringene på flere måter:
- En umiddelbar endring i virkemåten til en kopilot, som kan observeres via lerretet for testing av kopiloter (for eksempel et emne som nå utløses eller ikke basert på oppdatering av utløseruttrykk).
- En endring etter kopilotdistribusjon og motstående trafikk, som innebærer høyere eller lavere avvisningsfrekvens. Dette kan observeres fra analysefanen i Microsoft Copilot Studio.
Tips
Du kan teste emneutløsning og hvordan modellen for naturlig språkforståelse yter mot testdataene, ved å bruke Copilot Test Framework.
Selv om underliggende funksjoner og komponenter som ble brukt til å bygge Copilot Test Framework (for eksempel samhandling med API-en for Direct Line), støttes fullstendig, representerer selve Copilot Test Framework eksempelimplementeringer av disse funksjonene.
Kundene og fellesskapet vårt kan bruke og justere Copilot Test Framework for å implementere massetesting. Hvis du får problemer med Copilot Test Framework, kan du rapportere problemet her: https://aka.ms/PVASamples. (Microsoft Kundestøtte hjelper deg ikke med problemer knyttet til disse eksemplene, men de hjelper deg med relaterte, underliggende plattform- og funksjonsproblemer.)
Tilbakemeldinger
https://aka.ms/ContentUserFeedback.
Kommer snart: Gjennom 2024 faser vi ut GitHub Issues som tilbakemeldingsmekanisme for innhold, og erstatter det med et nytt system for tilbakemeldinger. Hvis du vil ha mer informasjon, kan du se:Send inn og vis tilbakemelding for