Share via

Optimera utlösarfraser och förstå naturligt språk

  • Artikel

Viktigt!

Power Virtual Agents-funktioner ingår nu i Microsoft Copilot Studio efter betydande investeringar i generativ AI och förbättrade integrationer mellan Microsoft Copilot.

Vissa artiklar och skärmbilder kan referera till Power Virtual Agents när vi uppdaterar dokumentation och utbildning.

Vad är utlösandefraser i Microsoft Copilot Studio

  • Utlösarfraser utbildar copilot förståelse av naturligt språk (NLU).

  • Utlösandefraser konfigureras ämne nivån och indikerar för copilot vilka typiska användartecken en viss ämne ska utlösas.

  • Utlösandefraser används ofta för att registrera hur slutanvändaren ställer frågor om ett problem. Till exempel "problem med ogräs i gräsmattan"

Dricks

När man skapar ett nytt ämne behöver en tillverkare bara ge några exempelfraser (helst mellan fem och tio). När copilot används, kommer AI att analysera vad användaren säger och utlösa ämnet närmast i betydelse för användarens yttrande.

Vikten av det utlösande sammanhanget

Microsoft Copilot Studio NLU beter sig olika baserat på konversationstillståndet, vilket ibland kan leda till olika beteenden för samma användarens talindata.

Följande är de olika konversationstillstånd:

  • Konversationens början: Copilot har inget sammanhang och förväntas därför antingen utlösa en ämne direkt (avsiktsidentifiering), utlösa en "betyder du" (Flera ämnen matchade) disambiguationsfråga bland uppsåts-kandidatarna om det finns flera matchande ämnen eller gå till en grundfråga ämne om avsikten inte identifieras.
  • När ett "menar du" (Flera ämnen har matchats) utlöses: NLU optimeras för att matcha ett av de ämnen som föreslås, med högre tröskelvärden för att flytta ut ur alternativen som visas.
  • Växla från ett aktuellt ämne: Om NLU försöker fylla ett kortplats i ett ämne och användaren ger en användarfråga som kan utlösa ytterligare ett ämne (ämnesväxling).

På skiljetecken

NNA-modellen är oberoende av skiljetecken, inklusive frågetecken.

Skapa nya utlösande fraser

Om det är möjligt kan du börja med riktiga produktionsdata över att skapa egna utlösarfraser. De bästa utlösarfraserna är de som påminner om faktiska data som kommer från slutanvändare. De här fraserna är de som användarna frågar en distribuerad copilot.

Du behöver inte lämna specifika ord utanför modellen: modellen har utformats för att minska vikten av onödiga ord, till exempel stoppord (ord som filtreras bort innan naturligt språkdata bearbetas eftersom de inte används för att de används för att användas).

Optimera utlösande fraser

# Dricks Exempel
1 Ha minst 5-10 utlösarfraser per ämne
Iterera och lägg till fler saker som du lär dig av användare.		 Hitta min närmaste affär
Kontrollera butikens plats
Hitta en butik
Hitta din närmaste plats
Lagra nära mig
2 Variera meningsstruktur och viktiga termer
I modellen beaktas automatiskt variationer av dessa fraser.		 När har du stängt
Dagliga öppettider
3 Använd korta utlösande fraser
Färre än 10 ord.		 När har du öppnar
4 Undvik utlösningsfraser med ett enda ord
Detta ökar vikten för specifika ord i ämne utlöses.
Det kan leda till förvirring mellan liknande ämnen.		 Store
5 Använd fullständiga fraser Kan jag få prata med en mänsklig handläggare
6 Har unika verb och substantiv eller kombinationer av dessa Jag behöver kundtjänst
Jag vill prata med en konsult
7 Undvik att använda samma entitet
Du behöver inte använda alla exempel från entitetsvärdet.
NLU tar automatiskt hänsyn till alla variationer.		 Jag vill beställa en hamburgare
Jag vill gärna ha en pizza
Jag vill ha kycklingnuggets

Balansera antalet utlösarfraser per ämne

Försök att balansera antalet utlösarfraser mellan ämnen.

Dricks

På så sätt övervikter inte NLU-funktionerna ett ämne jämfört med ett annat baserat på de konfigurerade utlösarfraserna.

Bedöma effekten av dina förändringar

När du uppdaterar utlösarfraser eller när du kopplar ihop eller delar avsnitt kan du utvärdera ändringarna på flera olika sätt:

  • En omedelbar förändring i copilot beteende, som kan observeras genom "testa copilot"-arbetsytan (till exempel ett ämne som nu utlöses eller inte är baserat på utlösarfrasuppdateringar).
  • En förändring efter copilot-distributionen och mot trafik, vilket leder till högre eller lägre nivåer (icke-eskalering). Detta kan du se på fliken Analys Microsoft Copilot Studio.

Dricks

Du kan testa ämnesutlösning och hur din NLU-modell presterar mot testdata i bulk, genom att använda Copilot Test Framework.

Fastän underliggande funktioner och komponenter som används för att skapa Copilot Test Framework (till exempel interagera och Direct Line API)-komponentramverket stöds fullt ut, representerar själva Copilot Test Framework exempelimplementeringar av dessa funktioner.

Våra kunder och på communityn kan använda och justera Copilot Test Framework för att implementera masstester. Om du får problem med Copilot Test Framework kan du rapportera problemet här: https://aka.ms/PVASamples. (Microsoft Support hjälper dig inte med problem som är relaterade till dessa prov. Däremot hjälper man dig med närliggande, underliggande plattforms- och funktionsproblem.)

Entiteter och bästa praxis för platsfyllning