Vad är orkestreringsarbetsflöde?

Artikel
12/19/2023

Arbetsflödet för orkestrering är en av funktionerna i Azure AI Language. Det är en molnbaserad API-tjänst som använder maskininlärningsinformation så att du kan skapa orkestreringsmodeller för att ansluta clu-projekt (Conversational Language Understanding), frågesvarsprojekt och LUIS-program. Genom att skapa ett orkestreringsarbetsflöde kan utvecklare iterativt tagga yttranden, träna och utvärdera modellprestanda innan de gör dem tillgängliga för förbrukning. 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

Arbetsflöde för orkestrering kan användas i flera scenarier i olika branscher. Några exempel är:

Chattrobot för företag

I ett stort företag kan en chattrobot för företag hantera en mängd olika medarbetarärenden. Den kanske kan hantera vanliga frågor som hanteras av en anpassad fråga som besvarar kunskapsbas, en kalenderspecifik färdighet som hanteras av förståelse för konversationsspråk och en intervjufeedback som hanteras av LUIS. Roboten måste kunna dirigera inkommande begäranden till rätt tjänst på lämpligt sätt. Med arbetsflödet för orkestrering kan du ansluta dessa kunskaper till ett projekt som hanterar routningen av inkommande begäranden på lämpligt sätt för att driva företagsroboten.

Livscykel för projektutveckling

Att skapa ett orkestreringsarbetsflödesprojekt omfattar vanligtvis flera olika steg.

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

Definiera ditt schema: Känna till dina data och definiera de åtgärder och relevant information som måste identifieras från användarens indatayttranden. Skapa de avsikter som du vill tilldela användarens yttranden och de projekt som du vill ansluta till orkestreringsprojektet.
Märka dina data: Kvaliteten på datataggning är en viktig faktor för att fastställa modellprestanda.
Träna en modell: Din modell börjar lära sig av dina taggade data.
Visa modellens prestanda: Visa utvärderingsinformationen för din modell för att avgöra hur bra den presterar när den introduceras för nya data.
Förbättra modellen: När du har granskat modellens prestanda kan du sedan lära dig hur du kan förbättra modellen.
Distribuera modellen: Om du distribuerar en modell blir den tillgänglig för användning via förutsägelse-API:et.
Förutsäga avsikter: Använd din anpassade modell för att förutsäga avsikter från användarens yttranden.

Referensdokumentation och kodexempel

När du använder orkestreringsarbetsflödet 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 och orkestreringsarbetsflödet för att lära dig mer om ansvarsfull AI-användning och -distribution i dina system. Du kan också se följande artiklar för mer information:

Nästa steg

Använd snabbstartsartikeln för att börja använda orkestreringsarbetsflödet.
När du går igenom livscykeln för projektutveckling läser du ordlistan för att lära dig mer om de termer som används i dokumentationen för den här funktionen.
Kom ihåg att visa tjänstbegränsningarna för information som regional tillgänglighet.

Share via