Vad är förståelse för konversationsspråk?

  • Artikel

Förståelse för konversationsspråk är en av de anpassade funktionerna som erbjuds av Azure AI Language. Det är en molnbaserad API-tjänst som använder maskininlärningsinformation så att du kan skapa en komponent för förståelse av naturligt språk som ska användas i ett konversationsprogram från slutpunkt till slutpunkt.

Med förståelse för konversationsspråk (CLU) kan användare skapa anpassade modeller för förståelse av naturligt språk för att förutsäga den övergripande avsikten med ett inkommande yttrande och extrahera viktig information från det. CLU tillhandahåller bara intelligens för att förstå indatatexten för klientprogrammet och utför inga åtgärder. Genom att skapa ett CLU-projekt kan utvecklare iterativt märka yttranden, träna och utvärdera modellprestanda innan de gör dem tillgängliga för förbrukning. Kvaliteten på märkta data påverkar modellens prestanda avsevärt. För att förenkla skapandet och anpassningen av din modell erbjuder tjänsten en anpassad webbportal som kan nås via Language Studio. Du kan enkelt komma igång med tjänsten genom att följa stegen i den här snabbstarten.

Den här dokumentationen innehåller följande artikeltyper:

  • Snabbstarter är komma igång-instruktioner som vägleder dig genom att göra begäranden till tjänsten.
  • Begreppen ger förklaringar av tjänstens funktioner.
  • Instruktionsguider innehåller instruktioner för hur du använder tjänsten på mer specifika eller anpassade sätt.

Exempel på användningsscenarier

CLU kan användas i flera scenarier i olika branscher. Några exempel är:

Konversationsrobot från slutpunkt till slutpunkt

Använd CLU för att skapa och träna en anpassad modell för förståelse av naturligt språk baserat på en specifik domän och de förväntade användarnas yttranden. Integrera den med valfri konversationsrobot från slutpunkt till slutpunkt så att den kan bearbeta och analysera inkommande text i realtid för att identifiera avsikten med texten och extrahera viktig information från den. Låt roboten utföra önskad åtgärd baserat på avsikten och extraherad information. Ett exempel är en anpassad detaljhandelsrobot för online-shopping eller matbeställningar.

Robotar för mänskliga assistent

Ett exempel på en mänsklig assistent robot är att hjälpa personalen att förbättra kundengagemanget genom att prioritera kundfrågor och tilldela dem till lämplig supporttekniker. Ett annat exempel är en personalrobot i ett företag som gör det möjligt för anställda att kommunicera på naturligt språk och få vägledning baserat på frågan.

Kommando- och kontrollprogram

När du integrerar ett klientprogram med en tal till text-komponent kan användarna använda ett kommando på naturligt språk för att CLU ska kunna bearbeta, identifiera avsikter och extrahera information från texten för klientprogrammet för att utföra en åtgärd. Det här användningsfallet har många program, till exempel för att stoppa, spela upp, vidarebefordra och spola tillbaka en låt eller aktivera eller inaktivera lampor.

Chattrobot för företag

I ett stort företag kan en chattrobot för företag hantera en mängd olika medarbetarärenden. Den kan hantera vanliga frågor som hanteras av en anpassad fråga som besvarar kunskapsbas, en kalenderspecifik färdighet som hanteras av förståelse för konversationsspråk och en feedbackkunskap för intervjuer som hanteras av LUIS. Använd Orchestration-arbetsflödet för att koppla samman alla dessa kunskaper och dirigera inkommande begäranden till rätt tjänst på lämpligt sätt.

Livscykel för projektutveckling

Att skapa ett CLU-projekt omfattar vanligtvis flera olika steg.

Utvecklingslivscykeln

Följ dessa steg för att få ut mesta möjliga av din modell:

  1. Definiera ditt schema: Känna till dina data och definiera de åtgärder och relevant information som måste identifieras från användarens indatayttranden. I det här steget skapar du de avsikter som du vill tilldela användarens yttranden och de relevanta entiteter som du vill extrahera.

  2. Märka dina data: Kvaliteten på dataetiketter är en viktig faktor för att fastställa modellprestanda.

  3. Träna modellen: Din modell börjar lära sig från dina märkta data.

  4. Visa modellens prestanda: Visa utvärderingsinformationen för din modell för att avgöra hur bra den presterar när den introduceras för nya data.

  5. Förbättra modellen: När du har granskat modellens prestanda kan du sedan lära dig hur du kan förbättra modellen.

  6. Distribuera modellen: Om du distribuerar en modell blir den tillgänglig för användning via Runtime-API:et.

  7. Förutsäga avsikter och entiteter: Använd din anpassade modell för att förutsäga avsikter och entiteter från användarens yttranden.

Referensdokumentation och kodexempel

När du använder CLU kan du läsa följande referensdokumentation och exempel för Azure AI Language:

Utvecklingsalternativ/språk Referensdokumentation Exempel
REST-API:er (redigering) REST API-dokumentation
REST API:er (Runtime) REST API-dokumentation
C# (Runtime) C#-dokumentation C#-exempel
Python (Runtime) Python-dokumentation Python-exempel

Ansvarsfull AI

Ett AI-system innehåller inte bara tekniken, utan även de personer som ska använda den, de personer som påverkas av den och miljön där den distribueras. Läs transparensmeddelandet för CLU om du vill veta mer om ansvarsfull AI-användning och -distribution i dina system. Du kan också se följande artiklar för mer information:

Nästa steg