Actief leren

Met de functie Actieve leersuggesties kunt u de kwaliteit van uw knowledge base verbeteren door op basis van gebruikersinzendingen alternatieve vragen voor te stellen aan uw vraag- en antwoordpaar. U bekijkt deze suggesties door ze toe te voegen aan bestaande vragen of ze af te wijzen.

Uw Knowledge Base wordt niet automatisch gewijzigd. Als u wilt dat elke wijziging van kracht wordt, moet u de suggesties accepteren. Met deze suggesties worden vragen toevoegen, maar bestaande vragen worden niet gewijzigd of verwijderd.

Notitie

Er is nu een nieuwere versie van de vraag- en antwoordfunctie beschikbaar als onderdeel van Azure Cognitive Service for Language. Zie documentatie voor Azure Cognitive Service for Language voor meer informatie. Zie Vraag beantwoorden voor mogelijkheden voor het beantwoorden van vragenin Language Service. Raadpleeg de migratiehandleiding voor informatie over het migreren van bestaande Knowledge Bases.

Wat is actief leren?

QnA Maker leert nieuwe vraagvariaties met impliciete en expliciete feedback.

  • Impliciete feedback: de ranker begrijpt wanneer een gebruikersvraag meerdere antwoorden heeft met scores die erg dicht bij elkaar liggen en beschouwt dit als feedback. U hoeft hiervoor niets te doen.
  • Expliciete feedback: wanneer er vanuit de knowledge base meerdere antwoorden met weinig variatie in scores worden geretourneerd, vraagt de clienttoepassing de gebruiker welke vraag de juiste vraag is. De expliciete feedback van de gebruiker wordt verzonden naar QnA Maker met de Train API.

Beide methoden bieden de ranker vergelijkbare query's die zijn geclusterd.

Hoe actief leren werkt

Actief leren wordt geactiveerd op basis van de scores van de belangrijkste antwoorden die door de QnA Maker. Als de scoreverschillen tussen QnA-paren die overeenkomen met de query binnen een klein bereik liggen, wordt de query beschouwd als een mogelijke suggestie (als een alternatieve vraag) voor elk van de mogelijke QnA-paren. Zodra u de voorgestelde vraag voor een specifiek QnA-paar accepteert, wordt deze afgewezen voor de andere paren. Vergeet niet om op te slaan en te trainen nadat u suggesties hebt geaccepteerd.

Actief leren biedt de best mogelijke suggesties in gevallen waarin de eindpunten een redelijke hoeveelheid en verschillende gebruiksquery's krijgen. Wanneer vijf of meer vergelijkbare query's worden geclusterd, stelt QnA Maker elke 30 minuten de op gebruikers gebaseerde vragen aan de knowledge baseontwerper voor om te accepteren of af te wijzen. Alle suggesties worden gegroepeerd op overeenkomsten en de belangrijkste suggesties voor alternatieve vragen worden weergegeven op basis van de frequentie van de specifieke query's door eindgebruikers.

Zodra vragen worden voorgesteld in QnA Maker portal, moet u deze suggesties controleren en accepteren of afwijzen. Er is geen API voor het beheren van suggesties.

Hoe QnA Maker impliciete feedback werkt

QnA Maker impliciete feedback van QnA Maker maakt gebruik van een algoritme om de nabijheid van de score te bepalen en doet vervolgens actieve leersuggesties. Het algoritme om de nabijheid te bepalen is geen eenvoudige berekening. De bereiken in het volgende voorbeeld zijn niet bedoeld om te worden hersteld, maar moeten worden gebruikt als richtlijn om alleen het effect van het algoritme te begrijpen.

Wanneer de score van een vraag zeer zeker is, zoals 80%, is het bereik van scores die worden beschouwd voor actief leren breed, ongeveer binnen 10%. Naarmate de betrouwbaarheidsscore afneemt, zoals 40%, neemt het bereik van scores ook af, ongeveer binnen 4%.

In het volgende JSON-antwoord van een query op QnA Maker generateAnswer zijn de scores voor A, B en C in de buurt en worden ze beschouwd als suggesties.

{
  "activeLearningEnabled": true,
  "answers": [
    {
      "questions": [
        "Q1"
      ],
      "answer": "A1",
      "score": 80,
      "id": 15,
      "source": "Editorial",
      "metadata": [
        {
          "name": "topic",
          "value": "value"
        }
      ]
    },
    {
      "questions": [
        "Q2"
      ],
      "answer": "A2",
      "score": 78,
      "id": 16,
      "source": "Editorial",
      "metadata": [
        {
          "name": "topic",
          "value": "value"
        }
      ]
    },
    {
      "questions": [
        "Q3"
      ],
      "answer": "A3",
      "score": 75,
      "id": 17,
      "source": "Editorial",
      "metadata": [
        {
          "name": "topic",
          "value": "value"
        }
      ]
    },
    {
      "questions": [
        "Q4"
      ],
      "answer": "A4",
      "score": 50,
      "id": 18,
      "source": "Editorial",
      "metadata": [
        {
          "name": "topic",
          "value": "value"
        }
      ]
    }
  ]
}

QnA Maker weet niet welk antwoord het beste antwoord is. Gebruik de QnA Maker van de portal met suggesties om het beste antwoord te selecteren en opnieuw te trainen.

Hoe u expliciete feedback geeft met de Train-API

QnA Maker expliciete feedback nodig over welke van de antwoorden het beste antwoord was. Hoe het beste antwoord wordt bepaald, is aan u en kan het volgende omvatten:

  • Feedback van gebruikers, door een van de antwoorden te selecteren.
  • Bedrijfslogica, zoals het bepalen van een acceptabel scorebereik.
  • Een combinatie van feedback van gebruikers en bedrijfslogica.

Gebruik de Train API om het juiste antwoord naar de QnA Maker te verzenden, nadat de gebruiker het heeft geselecteerd.

Runtimeversie upgraden om actief leren te gebruiken

Actieve Learning wordt ondersteund in runtime versie 4.4.0 en hoger. Als uw Knowledge Base is gemaakt op een eerdere versie, moet u de runtime upgraden om deze functie te gebruiken.

Actief leren in te stellen voor alternatieve vragen

Actief leren is standaard uitgeschakeld. Schakel deze in om voorgestelde vragen weer te geven. Nadat u actief leren hebt in staat stellen, moet u gegevens van de client-app verzenden naar QnA Maker. Zie Architectural flow for using GenerateAnswer and Train APIs from a bot (Architectuurstroom voor het gebruik van GenerateAnswer en Train API's van een bot) voor meer informatie.

  1. Selecteer Publiceren om de knowledge base te publiceren. Actieve leerquery's worden alleen verzameld vanuit het voorspellingseindpunt van de GenerateAnswer-API. De query's naar het deelvenster Testen in QnA Maker portal hebben geen invloed op actief leren.

  2. Als u actief leren wilt in-QnA Maker, gaat u naar de rechterbovenhoek, selecteert u uw Naam,gaat u naar Service Instellingen.

    Turn on active learning's suggested question alternatives from the Service settings page. Select your user name in the top-right menu, then select Service Settings.

  3. Zoek de QnA Maker-service en schakel active Learning.

    On the Service settings page, toggle on Active Learning feature. If you are not able to toggle the feature, you may need to upgrade your service.

    Notitie

    De exacte versie in de voorgaande afbeelding wordt alleen als voorbeeld weergegeven. Uw versie kan anders zijn.

    Zodra Active Learning is ingeschakeld, stelt de Knowledge Base regelmatig nieuwe vragen voor op basis van door de gebruiker ingediende vragen. U kunt Actieve Learning door de instelling opnieuw in te schakelen.

Voorgestelde alternatieve vragen bekijken

Bekijk alternatieve voorgestelde vragen op de pagina Bewerken van elke knowledge base.

Volgende stappen