Vad är förståelse för konversationsspråk?

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

Med CLU (Conversational Language Understanding) kan användarna 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 intelligensen för att förstå den text som matas in i klientprogrammet, och utför inga åtgärder. Genom att skapa ett CLU-projekt kan utvecklare iterativt märka yttranden, träna och utvärdera modellprestanda innan de gör det tillgängligt för förbrukning. Kvaliteten på etiketterade data påverkar modellens prestanda avsevärt. För att förenkla skapandet och anpassningen av din modell erbjuder tjänsten en anpassad webbportal som kan nås via Azure AI Foundry. 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 hjälper dig att göra begäranden till tjänsten.
• Begrepp ger förklaringar av tjänstens funktionalitet och 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:

Helhetslösning för chattbot

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 skulle vara en anpassad detaljhandelsrobot för online shopping eller matbeställning.

Robotar för mänskliga assistenter

Ett exempel på en robot för mänsklig assistent är att hjälpa personalen att förbättra kundengagemang 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 tala ett kommando på naturligt språk för CLU för att bearbeta, identifiera avsikt 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 slå på eller inaktivera lampor.

Chattrobot för företag

I ett stort företag kan en chattrobot för företag hantera olika personalärenden. Den kan hantera vanliga frågor som besvaras av en anpassad kunskapsbas, en kalenderspecifik färdighet som hanteras av konversationsspråksförståelse, och en färdighet för återkoppling efter intervjuer som hanteras av LUIS. Använd orchestration-arbetsflödet för att koppla samman alla dessa kunskaper och dirigera inkommande begäranden till rätt tjänst.

Livscykel för projektutveckling

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

CLU erbjuder två vägar som du kan använda för att få ut mesta möjliga av implementeringen.

Alternativ 1 (LLM-driven snabbdistribution):

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 avsikterna och ger en detaljerad beskrivning av innebörden av dina avsikter som du vill tilldela användarens yttranden.

2. Distribuera modellen: Om du distribuerar en modell med den LLM-baserade träningskonfigurationen blir den tillgänglig för användning via Runtime-API:et.

3. Förutsäga avsikter och entiteter: Använd din anpassade modelldistribution för att förutsäga anpassade avsikter och fördefinierade entiteter från användarens yttranden.

Alternativ 2 (anpassad datorinlärd modell)

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

Ansvarsfull AI

Ett AI-system omfattar tekniken, de individer som driver systemet, de personer som upplever dess effekter och den bredare miljö där systemfunktionerna alla spelar en roll. Läs transparensmeddelandet för CLU för att lära dig mer om ansvarsfull AI-användning och distribution i dina system.

• Transparensanteckning för Azure AI Language
• Integrering och ansvarsfull användning
• Data, sekretess och säkerhet

Nästa steg

• Använd snabbstartsartikeln för att börja använda förståelse för konversationsspråk.

• 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, till exempel regional tillgänglighet.