Share via

Triggerzinnen en natuurlijk taalbegrip optimaliseren

  • Artikel

Belangrijk

Power Virtual Agents-mogelijkheden en -functies maken nu deel uit van Microsoft Copilot Studio na aanzienlijke investeringen in generatieve AI en verbeterde integraties binnen Microsoft Copilot.

Sommige artikelen en schermopnamen verwijzen mogelijk naar Power Virtual Agents terwijl we de documentatie en trainingsinhoud bijwerken.

Wat zijn triggerzinnen in Microsoft Copilot Studio

  • Triggerzinnen trainen het NLU-model (Natural Language Understanding) van uw copilot.

  • Triggerzinnen worden geconfigureerd op het onderwerp-niveau en geven aan de copilot aan voor welke typische gebruikersuitingen een specifieke onderwerp moet worden geactiveerd.

  • Triggerzinnen geven doorgaans aan hoe een eindgebruiker naar een probleem of probleem zou vragen. Voorbeeld: 'probleem met onkruid in het gazon'

Fooi

Bij het maken van een nieuwe onderwerp hoeft een maker slechts enkele voorbeeldzinnen te geven (idealiter tussen de vijf en tien). Wanneer de copilot wordt gebruikt, parseert de AI wat de gebruiker zegt en wordt het onderwerp dat qua betekenis het dichtst bij de uiting van de gebruiker ligt, geactiveerd.

Het belang van context voor triggers

Microsoft Copilot Studio NLU gedraagt zich anders op basis van de gespreksstatus, wat soms kan leiden tot verschillend gedrag voor dezelfde gebruikersuiting.

Dit zijn de verschillende gespreksstatussen:

  • Begin van het gesprek: de copilot heeft geen context, dus wordt een gebruikersuiting verwacht waarmee: een onderwerp direct wordt geactiveerd (intentieherkenning) of een "bedoelde u"-ondubbelzinnigheidsvraag (meerdere onderwerpen die overeenkomend) wordt geactiveerd onder intentiekandidaten als er meerdere overeenkomende onderwerpen zijn. U kunt ook naar een terugvalonderwerp gaan als de intentie niet wordt herkend.
  • Als een vraag 'bedoelde u' (Meerdere overeenkomende onderwerpen) is geactiveerd: NLU wordt geoptimaliseerd om een van de voorgestelde onderwerpen te kiezen, met hogere drempels om de weergegeven opties te filteren.
  • Schakelen vanuit een huidig onderwerp: als de NLU een plaats in een onderwerp probeert te vullen en de gebruiker een vraag stelt die een andere onderwerp (schakelen naar een ander onderwerp) kan activeren.

Over interpunctie

Het NLU-model is agnostisch voor interpunctie, inclusief vraagtekens.

Nieuwe triggerzinnen maken

Begin zo mogelijk met echte productiegegevens in plaats van uw eigen triggerzinnen te verzinnen. De beste triggerzinnen zijn zinnen die lijken op werkelijke gegevens die afkomstig zijn van eindgebruikers. Deze zinnen worden gebruikt om aan een geïmplementeerde copilot te vragen.

Het is niet nodig om bepaalde woorden weg te laten: het model is ontworpen om minder waarde te hechten aan overbodige woorden, zoals stopwoorden (woorden die vóór de verwerking van natuurlijke taalgegevens worden uitgefilterd omdat ze onbelangrijk zijn).

Triggerzinnen optimaliseren

# Fooi Voorbeelden
1 Gebruik minimaal 5-10 triggerzinnen per onderwerp
Herhaal de zinnen en voeg er meer toe terwijl u van gebruikers leert.		 Vind mijn dichtstbijzijnde winkel
Winkellocatie controleren
Een winkel zoeken
Uw dichtstbijzijnde locatie vinden
Winkel bij mij in de buurt
2 Varieer in zinsbouw en kernbegrippen
Het model houdt automatisch rekening met variaties op die zinnen.		 Wanneer zijn jullie gesloten
Dagelijkse openingstijden
3 Gebruik korte triggerzinnen
Minder dan 10 woorden.		 Wanneer zijn jullie geopend
4 Vermijd triggerzinnen van één woord
Dit verhoogt het gewicht voor bepaalde woorden bij het activeren van onderwerpen.
Het kan verwarring tussen vergelijkbare onderwerpen veroorzaken.		 Opslaan
5 Gebruik volledige zinnen Kan ik een menselijke assistent spreken?
6 Gebruik unieke werkwoorden en zelfstandige naamwoorden of combinaties daarvan Ik heb de klantenservice nodig
Ik wil een adviseur spreken
7 Vermijd het gebruik van variaties van dezelfde entiteit
U hoeft niet alle voorbeelden uit de entiteitswaarde te gebruiken.
De NLU houdt automatisch rekening met alle variaties.		 Ik wil een burger bestellen
Ik wil graag een pizza
Ik wil kipnuggets

Het aantal triggerzinnen per onderwerp in evenwicht brengen

Probeer een evenwicht te vinden in het aantal triggerzinnen per onderwerp.

Fooi

Op die manier weegt het ene onderwerp niet zwaarder dan het andere op basis van de geconfigureerde triggerzinnen.

De impact van uw wijzigingen inschatten

Bij het bijwerken van triggerzinnen of bij het samenvoegen of opsplitsen van onderwerpen zijn er meerdere manieren om de wijzigingen te beoordelen:

  • Een onmiddellijke verandering in het gedrag van de copilot, die kan worden waargenomen via het canvas 'testcopilot' (bijvoorbeeld een onderwerp dat nu wel of niet wordt geactiveerd op basis van updates van triggerzinnen).
  • Een verandering na de inzet van de copilot en het geconfronteerd worden met verkeer, wat zich vertaalt in hogere of lagere afwiijzingspercentages (niet-escalatie). Dit is te zien op het tabblad Analyse in Microsoft Copilot Studio.

Fooi

U kunt onderwerpactivering testen en met het Copilot Test Framework testen hoe uw NLU-model presteert op basis van testgegevens in bulk.

Hoewel de onderliggende functies en onderdelen die worden gebruikt om het Copilot Test Framework te bouwen (zoals interactie met het Direct Line Component Framework) volledig worden ondersteund, vertegenwoordigt het Copilot Test Framework zelf voorbeeldimplementaties van deze functies.

Onze klanten en community kunnen het Copilot Test Framework gebruiken en aanpassen om bulktesten te implementeren. Als u problemen ondervindt met het Copilot Test Framework, meld het probleem dan hier: https://aka.ms/PVASamples. (Microsoft Ondersteuning helpt u niet met problemen met deze voorbeelden, maar wel met gerelateerde, onderliggende problemen met het platform en functies.)

Best practices voor entiteiten en het vullen van tijdvakken