Projektowanie z intencją i modelami jednostek
Ważne
Usługa LUIS zostanie wycofana 1 października 2025 r. i od 1 kwietnia 2023 r. nie będzie można tworzyć nowych zasobów usługi LUIS. Zalecamy migrowanie aplikacji LUIS do interpretacji języka konwersacyjnego , aby korzystać z ciągłej pomocy technicznej produktu i możliwości wielojęzycznych.
Usługa Language Understanding udostępnia dwa typy modeli do definiowania schematu aplikacji. Schemat aplikacji określa, jakie informacje są odbierane z przewidywania nowej wypowiedzi użytkownika.
Schemat aplikacji jest tworzony na podstawie modeli tworzonych przy użyciu nauczania maszynowego:
Tworzenie korzysta z nauczania maszynowego
Metodologia nauczania maszynowego usługi LUIS umożliwia łatwe nauczanie pojęć na maszynie. Zrozumienie uczenia maszynowego nie jest konieczne do korzystania z usługi LUIS. Zamiast tego jako nauczyciel komunikuje się z usługą LUIS, podając przykłady koncepcji i wyjaśniając, w jaki sposób należy modelować koncepcję przy użyciu innych powiązanych pojęć. Jako nauczyciel możesz również interaktywnie poprawić model usługi LUIS, identyfikując i naprawiając błędy przewidywania.
Intencje — klasyfikowanie wypowiedzi
Intencja klasyfikuje przykładowe wypowiedzi, aby nauczyć usługę LUIS o intencji. Przykładowe wypowiedzi w intencji są używane jako pozytywne przykłady wypowiedzi. Te same wypowiedzi są używane jako negatywne przykłady we wszystkich innych intencjach.
Rozważmy aplikację, która musi określić zamiar zamówienia książki i aplikacji, która potrzebuje adresu wysyłkowego dla klienta. Ta aplikacja ma dwie intencje: OrderBook i ShippingLocation.
Następująca wypowiedź jest pozytywnym przykładem intencji OrderBook i negatywnym przykładem intencji ShippingLocation i None :
Buy the top-rated book on bot architecture.
Jednostki — wyodrębnianie danych
Jednostka reprezentuje jednostkę danych, które mają zostać wyodrębnione z wypowiedzi. Jednostka uczenia maszynowego to jednostka najwyższego poziomu zawierająca podjednostki, które są również jednostkami uczenia maszynowego.
Przykładem jednostki uczenia maszynowego jest zamówienie biletu samolotu. Koncepcyjnie jest to jedna transakcja z wieloma mniejszymi jednostkami danych, takimi jak data, godzina, ilość miejsc, typ siedzenia, taki jak klasa pierwsza lub autokar, lokalizacja pochodzenia, lokalizacja docelowa i wybór posiłku.
Intencje a jednostki
Intencja jest pożądanym wynikiem całej wypowiedzi, podczas gdy jednostki są fragmentami danych wyodrębnionych z wypowiedzi. Zazwyczaj intencje są powiązane z akcjami, które powinna wykonywać aplikacja kliencka. Jednostki to informacje potrzebne do wykonania tej akcji. Z perspektywy programowania intencja wyzwoli wywołanie metody, a jednostki będą używane jako parametry do tego wywołania metody.
Ta wypowiedź musi mieć intencję i może mieć jednostki:
Buy an airline ticket from Seattle to Cairo
Ta wypowiedź ma jedną intencję:
- Kupowanie biletu lotniczego
Ta wypowiedź może mieć kilka jednostek:
- Lokalizacje Seattle (źródło) i Kair (miejsce docelowe)
- Ilość pojedynczego biletu
Dekompozycja modelu jednostki
Usługa LUIS obsługuje dekompozycję modelu za pomocą interfejsów API tworzenia, dzieląc koncepcję na mniejsze części. Dzięki temu można tworzyć modele z ufnością w sposób konstruowania i przewidywania różnych części.
Rozkład modelu ma następujące części:
- Zamiarów
- Jednostki uczenia maszynowego
- jednostki podrzędne (również jednostki uczenia maszynowego)
Funkcje
Funkcja to cecha wyróżniająca lub atrybut danych obserwowanych przez system. Funkcje uczenia maszynowego zapewniają usłudze LUIS ważne wskazówki dotyczące tego, gdzie szukać rzeczy, które będą rozróżniać koncepcję. Są to wskazówki, których usługa LUIS może używać, ale nie twardych reguł. Te wskazówki są używane w połączeniu z etykietami w celu znalezienia danych.
Wzorce
Wzorce są zaprojektowane w celu zwiększenia dokładności, gdy kilka wypowiedzi jest bardzo podobnych. Wzorzec umożliwia uzyskanie większej dokładności intencji bez podawania wielu innych wypowiedzi.
Rozszerzanie aplikacji w czasie wykonywania
Schemat aplikacji (modele i funkcje) jest trenowany i publikowany w punkcie końcowym przewidywania. Możesz przekazać nowe informacje wraz z wypowiedzią użytkownika do punktu końcowego przewidywania, aby rozszerzyć przewidywanie.