Effektives Language Understanding entwerfen

Verständnis natürlicher Sprache (NLU) bildet die Grundlage dafür, wie Copilot Studio-Agents Benutzeranfragen verstehen und relevante, kontextbezogene Antworten liefern. Ein klar definierter Ansatz zur Absichtserkennung, Entitätenextraktion und Fallback-Verarbeitung stellt sicher, dass Agents effiziente, natürliche Unterhaltungen führen, die den Geschäftsanforderungen entsprechen.

Wenn ein Nutzer etwas an einen Agent eingibt, wird dies als Äußerung bezeichnet. Der Agent muss diese Äußerung in Absicht und Entitäten aufschlüsseln, damit die Antwort des Agents sowohl natürlich als auch effizient ist.

Was ist Language Understanding?

Sprachverständnis (LU) ist ein Teilbereich der Verarbeitung natürlicher Sprache (NLP), der darauf abzielt, Maschinen das Verständnis von Bedeutung, Absicht und Kontext menschlicher Sprache zu ermöglichen.

Diagramm, das Language Understanding veranschaulicht.

Language Understanding beinhaltet:

  • Absichtserkennung: Identifikation dessen, was der Nutzer erreichen möchte (zum Beispiel entspricht „Buche einen Flug nach Paris nächste Woche“ der Absicht, einen Flug zu buchen).
  • Entitätsextraktion: Extraktion wichtiger Details wie Datum, Ort oder Name (zum Beispiel „Paris“ als Ziel, „nächste Woche“ als Reisedatum).
  • Kontextbewusstsein: Kontinuität aufrechterhalten und Mehrdeutigkeiten in der Unterhaltung lösen (zum Beispiel das Verstehen von Pronomen oder Referenzen).
  • Umgang mit Mehrdeutigkeiten: Kontext nutzen, um Wörter mit mehreren Bedeutungen zu klären (zum Beispiel „Bank“ als Finanzinstitut oder Flussufer).

Language Understanding im Copilot Studio

Copilot Studio bietet ein flexibles Modell für das Language Understanding mit mehreren Konfigurationsoptionen.

Generative Orchestrierung

Generative Orchestrierung nutzt Sprachmodelle, um Themen, Aktionen und Wissen intelligent miteinander zu verknüpfen. Diese Funktion ermöglicht Multi-Intent-Erkennung, fortschrittliche Entitätsextraktion und dynamische Plangenerierung für komplexe Abfragen.

Diese Methode ist der Standard für Copilot Studio. Dieser Ansatz erkennt mehrere Absichten oder Themen in einer einzigen Äußerung, verknüpft automatisch Aktionen und Wissensquellen und erzeugt einheitliche Antworten. Es ist besonders nützlich, um komplexe Unterhaltungen zu bewältigen, die mehrere Geschäftsbereiche abdecken. Generative Orchestrierung hat Einschränkungen, wie zum Beispiel fünf Nachrichten pro Thema oder Aktionskette und 128 Themen oder Aktionen pro Orchestrierung, bietet jedoch eine leistungsstarke Möglichkeit, die Breite von Konversationen zu skalieren.

Weitere Informationen in Anwenden generativer Orchestrierungsfähigkeiten.

Klassische Orchestrierung

Klassische Orchestrierung verwendet Triggerausdrücke und deterministisches Themarouting. Wenn die Äußerung eines Nutzers mit einem Triggerausdruck übereinstimmt, wird das entsprechende Thema ausgeführt. Wenn keine Übereinstimmung vorliegt, suchen Rückfallmechanismen nach Wissensquellen oder bitten den Nutzer um Klarstellung.

Integrierte NLU

Dieser Ansatz war der Standard, ist aber jetzt der Fallback-Ansatz. Copilot Studio stellt ein einsatzbereites NLU-Modell bereit, das Triggerausdrücke, vordefinierte Entitäten und benutzerdefinierte Entitäten unterstützt. Dieses Modell ermöglicht es Agents, die Nutzerabsicht zu identifizieren und wichtige Details wie Daten, Ziele oder Mengen direkt aus einer Abfrage zu extrahieren.

NLU+

Für hohe Genauigkeit verwenden Sie die NLU+-Option. Die NLU+-Option ist optimal für umfangreiche Anwendungen auf Unternehmensebene. Solche Anwendungen umfassen typischerweise eine große Anzahl von Themen und Entitäten und nutzen zahlreiche Trainingsbeispiele. Wenn Sie über einen sprachgesteuerten Agent verfügen, werden Ihre NLU+-Trainingsdaten auch verwendet, um Ihre Spracherkennungsfunktionen zu optimieren.

Integration von CLU in Azure

Für anspruchsvollere Szenarien, in denen Sie die Standard-generative Orchestrierung nicht verwenden können, können Sie Azure Conversational Language Understanding (CLU) integrieren. CLU bietet höhere Anpassbarkeit, mehrsprachige Unterstützung und komplexe Entitätsextraktion (zum Beispiel mehrere „von“-Entitäten). Sie müssen CLU-Intents auf Copilot Studio-Themen abbilden, um die Synchronität zu gewährleisten. Diese Option ist besonders wertvoll für branchenspezifisches Vokabular, nicht-englische Sprachen oder Szenarien, die eine höhere Genauigkeit erfordern.

Wichtige Features und Begrenzungen

Diese Tabelle vergleicht die drei Sprachverständnisansätze in Copilot Studio. Es hebt die wichtigsten Funktionen und Einschränkungen hervor, um Ihnen zu helfen, das richtige Modell für die Komplexität, Skalierbarkeit und Genauigkeit Ihres Agents auszuwählen.

Features und Einschränkungen Generative Orchestrierung Integriertes NLU-Modell Angepasstes Azure CLU Modell
Schlüsselfunktionen
  • Verwendet ein großes Sprachmodell
  • Verarbeitet komplexe Äußerungen mit mehreren Intents, Themen/Aktionen und Wissen
  • Generiert automatisch Fragen für fehlende Eingaben
  • Erlaubt Korrekturen im laufenden Betrieb
  • Liefert eine einheitliche Antwort basierend auf den Ausgaben von Themen, Aktionen und Wissen
  • Vortrainiertes Standardmodell mit vordefinierten Entitätstypen
  • Konfiguriert mit Triggerausdrücken und benutzerdefinierten Entitäten (geschlossene Listen oder Regex)
  • Unterstützt mehr Sprachen mit nativen Modellen
  • Anpassbares Intent-Triggering-Modell für Genauigkeit oder branchenspezifische Anforderungen
  • Erweiterte Entitätsextraktion (z. B. gleicher Typ, stille Extraktion)
  • Entitätsextraktion kann das Copilot Studio Standard-NLU verwenden
Grenzwerte
  • Fünf Nachrichten pro Thema/Aktionskette
  • Begrenzung auf 128 Themen und Aktionen für das Auslösen
  • Erkennung einzelner Absichten pro Abfrage
  • Kann nicht erweitert werden
  • Das Ausfüllen mehrerer Slot-Entitäten desselben Typs erfordert eine Begriffsklärung
  • Erkennung einzelner Absichten pro Abfrage
  • Azure-basierte Konfiguration und zusätzliche Kosten
  • Unterliegt Azure Servicelimits
  • Azure CLU-Intents und Copilot Studio-Themen müssen sorgfältig synchron gehalten werden.

Erfahren Sie mehr in der Übersicht Verständnis natürlicher Sprache (NLU).

Themenstruktur und Rückfall

Themen sind von einem starren, absichtsbasierten Weg zu einem flexibleren, Orchestrierung-zuerst Ansatz übergegangen. Anstatt sich ausschließlich auf vordefinierte Auslöser und Pfade zu verlassen, fungieren Themen nun als modulare Anweisungen, auf die der Agent beim Orchestrieren einer Unterhaltung zurückgreifen kann. Die generative Orchestrierung übernimmt den Großteil des Routings, indem sie Benutzereingaben dynamisch interpretiert, und Themen bieten strukturierte Fallbacks, wenn Präzision erforderlich ist.

Das klassisch strukturierte Themendesign sorgt dafür, dass Unterhaltungen natürlich und effizient ablaufen. Themen können Einstiegspunkte sein, die durch Nutzeräußerungen ausgelöst werden, oder wiederverwendbare Unterthemen, die durch Weiterleitungen oder Systemereignisse aufgerufen werden. Begriffsklärungsthemen helfen Verwirrung zu vermeiden, wenn mehrere Themen ausgelöst werden könnten, während Rückfall- und Unterhaltungsverbesserungsthemen Sicherheitsnetze bieten, wenn der Agent die Absicht nicht sicher abgleichen kann. Sie können außerdem generative Antworten einbinden, die aus externen Wissensquellen stammen, sodass Nutzer praktisch nie ohne Antwort bleiben.

Weitere Informationen finden Sie unter Befolgen von bewährten Methoden für die Themenerstellung.

Lokalisierung und Sprachen

Die von einem Copilot Studio-Agent verwendete Sprache wird durch den Wert der Systemvariable festgelegt: System.User.Language.

Diese Variable steuert das gesamte sprachbezogene Verhalten des Agents zentral. Sie können seinen Wert manuell, programmatisch festlegen oder automatisch erkennen.

Wie funktioniert es?

  • Sucht Wissen in der Sprache des Benutzers: Copilot Studio nutzt den Wert von System.User.Language , um Wissensquellen in der angegebenen Sprache zu durchsuchen. Selbst wenn ein Nutzer eine Frage in einer Sprache stellt, übersetzt der Agent die Suchanfrage in die in System.User.Language festgelegte Sprache (automatische Übersetzung für Suchanfragen).

  • Antworten in der Sprache des Benutzers: Der Agent generiert Antworten in der durch System.User.Language festgelegten Sprache, unabhängig davon, welche Sprache in der Frage oder in den Originaldokumenten verwendet wird (automatische Übersetzung für die Antwortgenerierung).

  • Manuelles Überschreiben: Sie können den Wert von System.User.Language manuell einstellen, um den Agent dazu zu zwingen, in einer bestimmten Sprache zu arbeiten. Diese Funktion ist hilfreich für Testzwecke oder für Szenarien, in denen man die Sprache explizit steuern muss. Weitere Informationen finden Sie unter Mehrsprachige Agents konfigurieren und erstellen.

Automatische Erkennung gesprochener Sprache

Sie können Copilot Studio so konfigurieren, dass die gesprochene oder geschriebene Sprache des Nutzers automatisch erkannt und die System.User.Language-Variable entsprechend eingestellt wird. Diese Funktion ermöglicht nahtlose mehrsprachige Interaktionen, ohne dass die Nutzer ihre Sprachpräferenz angeben müssen.

So funktioniert automatische Erkennung

  • Triggerbasierte Erkennung: Wenn der Bot eine Nachricht erhält, startet ein Trigger einen Spracherkennungsfluss.
  • Systemvariable setzen: Der Bot weist die erkannte Sprache der System.User.Language zu.
  • Dynamische Antwort: Der Agent setzt die Unterhaltung in der erkannten Sprache fort, durchsucht Wissen und generiert passende Antworten entsprechend.

Vorteile

  • Personalisiertes Erlebnis: Nutzer interagieren in ihrer bevorzugten Sprache ohne manuelle Konfiguration.
  • Einheitliches Erlebnis: Alle Antworten und Wissensabrufe erfolgen in der erkannten oder festgelegten Sprache.
  • Skalierbare Lösung: Unterstützt globale Bereitstellungen mit minimaler Konfiguration.

Trinkgeld

Überprüfen Sie die Beispiellösung, in der veranschaulicht wird, wie Copilot Studio-Agents die gesprochene Sprache eines Benutzers automatisch erkennen und zu einer der vom Ersteller genehmigten Sprachen für den Agent wechseln: Automatische Spracherkennung für generative Antworten.

Bewährte Methoden für Lokalisierung

  • Konfigurieren unterstützter Sprachen: Legen Sie die primären und sekundären Sprachen Ihres Agents fest. Verwenden von Lokalisierungsdateien (JSON oder ResX), um Übersetzungen für Prompts, Nachrichten und Themen bereitzustellen.
  • Testen mehrsprachiger Szenarien: Simulieren Sie Nutzerbeteiligung in verschiedenen Sprachen, um reibungslose Übergänge und präzise Antworten zu gewährleisten.
  • Automatische Übersetzung verwenden: Verlassen Sie sich auf die integrierte Übersetzung von Copilot Studio für die Wissenssuche und Antwortgenerierung, aber stellen Sie benutzerdefinierte Übersetzungen für kritische oder nuancierte Inhalte bereit.
  • Überwachen und verfeinern: Nutzen Sie Analysen, um den Sprachgebrauch zu verfolgen und die Lokalisierungsabdeckung im Laufe der Zeit zu verbessern.

Sprachansätze für Copilot Studio-Agents:

  • Getrennte Agents pro Sprache.
  • Einzelne mehrsprachige Agents mit vorgefertigten Übersetzungen.
  • Agents mit Echtzeit-Übersetzung, die Übersetzungsdienste zwischen Nutzer und Agent verwenden.

Der richtige Ansatz hängt von der Nutzung, Fragen der Trennung, Skalierung, dem Aktualisierungsrhythmus und den verfügbaren Ressourcen ab.

Identifizierte technische Herausforderungen

Typische Herausforderungen sind die Synchronisierung von Azure CLU- und Copilot Studio Themen, das Handling mehrdeutiger Äußerungen und die Skalierung mehrsprachiger Deployments. Die frühzeitige Identifikation dieser Hindernisse ermöglicht es Ihnen, Strategien zur Risikominderung zu planen, wie etwa Fallback-Konfigurationen, Massentests von Triggerausdrücken oder relaisbasierte Übersetzungsdienste.

Das Ziel des Sprachverständnisses ist es, sicherzustellen, dass jeder Agent Nutzeranfragen präzise interpretieren, sich flexibel an verschiedene Sprachen und Szenarien anpassen und unerwartete Situationen souverän meistern kann. Dieses Ziel bildet das Fundament für den Aufbau zuverlässiger, ansprechender und effizienter Copilot Studio-Dialoge.

  • Last updated on