Concevoir une compréhension du langage efficace

La compréhension du langage naturel (CLN) est au cœur de la manière dont les assistants de Copilot Studio comprennent les requêtes des utilisateurs et fournissent des réponses contextuelles pertinentes. Une approche bien définie de la reconnaissance des intentions, de l’extraction des entités et de la gestion des scénarios de repli garantit que les assistants offrent des conversations efficaces et naturelles, alignées sur les besoins de l’entreprise.

Lorsqu’un utilisateur saisit une requête dans un assistant, on parle alors d’énoncé. L’assistant doit décomposer cet énoncé en intention et entités, afin que sa réponse paraisse à la fois naturelle et efficace.

Qu’est-ce que Language Understanding ?

La compréhension du langage (LU) est un sous-domaine du traitement du langage naturel (NLP) qui vise à permettre aux machines de comprendre le sens, l’intention et le contexte du langage humain.

Diagramme illustrant le processus de compréhension du langage.

Comprendre la langue implique :

  • Reconnaissance de l’intention : identifier ce que l’utilisateur souhaite accomplir (par exemple, « Réserver un vol pour Paris la semaine prochaine » correspond à l’intention de réserver un vol).
  • Extraction d’entités : extraction de détails clés tels que les dates, les lieux ou les noms (par exemple, « Paris » comme destination, « la semaine prochaine » comme date de voyage).
  • Sensibilité au contexte : Maintenir la continuité et résoudre les ambiguïtés dans la conversation (par exemple, comprendre les pronoms ou les références).
  • Gestion des ambiguïtés : Utiliser le contexte pour résoudre les ambiguïtés liées à des mots ayant plusieurs significations (par exemple, « banque » en tant qu’institution financière ou banque d’une rivière).

Compréhension du langage dans Copilot Studio

Copilot Studio propose un modèle flexible pour la compréhension du langage, avec plusieurs options de configuration.

Orchestration générative

orchestration générative s’appuie sur des modèles de langage pour combiner intelligemment des rubriques, des actions et des connaissances. Cette capacité permet la reconnaissance de plusieurs intentions, l’extraction avancée d’entités et l’élaboration dynamique de plans pour des requêtes complexes.

Cette méthode est la norme pour Copilot Studio. Cette approche reconnaît plusieurs intentions ou rubriques dans un seul énoncé, enchaîne automatiquement les actions et les sources de connaissances, et génère des réponses unifiées. C’est particulièrement utile pour gérer des conversations complexes couvrant plusieurs domaines métier. L’orchestration générative comporte certaines limites, notamment cinq messages par rubrique ou chaîne d’actions, et 128 rubriques ou actions par orchestration, mais elle permet d’augmenter considérablement la portée des interactions conversationnelles.

Pour en savoir plus, consultez Appliquer les capacités de l’orchestration générative.

Orchestration classique

L’orchestration classique utilise des phrases déclencheurs et un routage déterministe des rubriques. Si l’énoncé d’un utilisateur correspond à une phrase déclencheur, la rubrique correspondante s’exécute. En l’absence de correspondance, les mécanismes de secours explorent les sources de connaissances ou demandent à l’utilisateur des précisions.

CLN intégré

Cette approche était l’approche par défaut, mais elle est désormais l’approche de secours. Copilot Studio propose un modèle CLN prêt à l’emploi qui prend en charge les phrases déclencheurs, les entités prédéfinies et les entités personnalisées. Ce modèle permet aux assistants d’identifier l’intention de l’utilisateur et d’extraire des détails clés tels que les dates, les destinations ou les quantités directement à partir d’une requête.

CLN+

Pour une précision élevée, utilisez l’option CLN+. L’option CLN+ est idéale pour les grandes applications de niveau entreprise. Ces types d’applications comprennent généralement un grand nombre de rubriques et d’entités, et utilisent un grand nombre d’exemples d’entraînement. De plus, si vous disposez d’un assistant vocal, vos données d’entraînement CLN+ sont également utilisées pour optimiser vos capacités de reconnaissance vocale.

Intégration Azure CLU

Pour les scénarios plus avancés où vous ne pouvez pas utiliser l’orchestration générative par défaut, vous pouvez intégrer la compréhension du langage courant (CLU) Azure. CLU offre une personnalisation accrue, une prise en charge multilingue et une extraction complexe d’entités (par exemple, plusieurs entités « from »). Vous devez associer les intentions CLU aux rubriques de Copilot Studio pour les synchroniser. Cette option est particulièrement précieuse pour les vocabulaires spécifiques à un secteur, les langues autres que l’anglais, ou les scénarios nécessitant une précision accrue.

Fonctionnalités clés et limites

Ce tableau compare les trois approches de compréhension linguistique dans Copilot Studio. Il met en avant leurs principales caractéristiques et limites afin de vous aider à choisir le modèle adapté aux besoins de complexité, d’échelle et de précision de votre assistant.

Fonctionnalités et limitations Orchestration générative Modèle CLN intégré Modèle Azure CLU personnalisé
Fonctionnalités clés
  • Utilise un grand modèle de langage
  • Traite des énoncés complexes avec plusieurs intentions, rubriques/actions et connaissances
  • Génère automatiquement des questions pour les entrées manquantes
  • Permet des corrections en cours d’exécution
  • Produit une réponse unifiée basée sur les sorties des rubriques, actions et connaissances
  • Modèle préentraîné par défaut avec des types d’entités prédéfinis
  • Configuré à l’aide de phrases déclencheurs et d’entités personnalisées (listes fermées ou regex)
  • Prend en charge davantage de langues, avec des modèles natifs
  • Modèle personnalisable d’activation des intentions pour une meilleure précision ou des besoins propres à un secteur
  • Extraction avancée d’entités (p. ex., même type, extraction silencieuse)
  • L’extraction d’entités peut utiliser le CLN standard de Copilot Studio
Limites
  • Cinq messages par rubrique/chaîne d’actions
  • Limite de 128 rubriques et actions pour le déclenchement
  • Reconnaissance d’une seule intention par requête
  • Ne peut pas être étendu
  • Remplir plusieurs entités du même type nécessite une levée des ambiguïtés
  • Reconnaissance d’une seule intention par requête
  • Configuration basée sur Azure et coûts supplémentaires
  • A des limites de service Azure
  • Les intentions CLU Azure et les rubriques Copilot Studio doivent être soigneusement synchronisées.

En savoir plus dans Vue d’ensemble Compréhension du langage naturel (CLN)

Structure des rubriques et mécanisme de repli

Les rubriques ont évolué d’un chemin rigide basé sur l’intention vers une approche plus flexible, axée sur l’orchestration. Plutôt que de se reposer uniquement sur des déclencheurs et parcours prédéfinis, les rubriques agissent désormais comme des instructions modulaires auxquelles l’assistant peut faire appel lors de l’orchestration d’une conversation. L’orchestration générative prend en charge la plupart du routage en interprétant dynamiquement les entrées de l’utilisateur, et les rubriques apportent un mécanisme de repli structuré lorsque la précision s’impose.

La conception plus traditionnelle et structurée des rubriques rend les conversations naturelles et efficaces. Les rubriques peuvent être des points d’entrée déclenchés par des énoncés de l’utilisateur ou des sous-rubriques réutilisables appelées par des redirections ou des événements système. Les rubriques de levée des ambiguïtés aident à éviter la confusion lorsque plusieurs rubriques peuvent être déclenchées, tandis que les rubriques Fallback et Conversational boosting servent de filets de sécurité lorsque l’assistant ne peut pas correspondre l’intention de manière fiable. Vous pouvez également intégrer des réponses génératives provenant de sources de connaissances externes, afin que les utilisateurs reçoivent presque toujours une réponse.

En savoir plus dans Suivez les bonnes pratiques en matière de rédaction de rubriques.

Localisation et langues

Le langage utilisé par un assistant Copilot Studio est déterminé par la valeur de la variable système : System.User.Language.

Cette variable agit comme point de contrôle central pour tout comportement lié au langage dans l’assistant. Vous pouvez définir sa valeur manuellement, de manière programmatique ou la détecter automatiquement.

Comment fonctionne-t-il ?

  • Recherche de connaissances dans la langue de l’utilisateur : Copilot Studio utilise la valeur de System.User.Language pour rechercher des sources de connaissances dans la langue spécifiée. Cette approche signifie que même si un utilisateur pose une question dans une langue, l’assistant traduit la requête de recherche dans la langue définie dans System.User.Language (traduction automatique de la requête de recherche).

  • Répondre dans la langue de l’utilisateur : L’assistant génère des réponses dans la langue spécifiée par System.User.Language, quel que soit le langage utilisé dans la question ou les documents originaux (traduction automatique pour la génération de réponses).

  • Remplacement manuel : vous pouvez définir manuellement la valeur de System.User.Language pour forcer l’assistant à fonctionner dans une langue spécifique. Cette fonctionnalité est utile pour les tests ou pour les scénarios où il faut contrôler explicitement la langue. Pour en savoir plus, consultez Configurer et créer des assistants multilingues.

Détection automatique de la langue parlée

Vous pouvez configurer Copilot Studio pour détecter automatiquement la langue parlée ou écrite de l’utilisateur et définir la variable System.User.Language en conséquence. Cette fonctionnalité permet des expériences multilingues fluides sans que les utilisateurs aient à préciser leur langue de préférence.

Comment fonctionne la détection automatique

  • Détection basée sur un déclencheur : Lorsque l’assistant reçoit un message, un déclencheur lance un flux de détection de langue.
  • Définir la variable système : L’agent attribue la langue détectée à System.User.Language.
  • Réponse dynamique : L’assistant poursuit la conversation dans la langue détectée, en recherchant des connaissances et en générant des réponses en conséquence.

Avantages

  • Expérience personnalisée : Les utilisateurs interagissent dans leur langue préférée sans configuration manuelle.
  • Expérience cohérente : Toutes les réponses et récupérations de connaissances sont alignées sur la langue détectée ou définie.
  • Solution évolutive : Prend en charge les déploiements mondiaux avec une configuration minimale.

Astuce

Consultez la solution d’exemple qui montre comment permettre aux assistants Copilot Studio de détecter automatiquement la langue parlée par un utilisateur et de basculer vers l’une des langues approuvées par le concepteur de l’assistant à Langage de détection automatique pour les réponses génératives.

Bonnes pratiques pour la localisation

  • Configurez les langues prises en charge : Définissez les langues principales et secondaires pour votre assistant. Utilisez des fichiers de localisation (JSON ou ResX) pour fournir des traductions pour les requêtes, messages et rubriques.
  • Testez des scénarios multilingues : Simulez des interactions utilisateur dans différentes langues pour garantir des transitions fluides et des réponses précises.
  • Utilisez la traduction automatique : comptez sur la traduction intégrée de Copilot Studio pour la recherche dans la base de connaissances et la génération de réponses, mais proposez des traductions personnalisées pour le contenu critique ou nuancé.
  • Surveiller et affiner : utiliser l’analyse pour suivre l’usage des langues et améliorer la couverture de la localisation au fil du temps.

Approches des assistants Copilot Studio en matière de langue :

  • Assistants séparés par langue.
  • Assistants multilingues uniques avec traductions pré-rédigées.
  • Assistants multilingues en temps réel, utilisant des services de traduction entre l’utilisateur et l’assistant.

La bonne approche dépend de l’utilisation, des questions de séparation, de l’échelle, de la fréquence des mises à jour et des ressources disponibles.

Défis techniques identifiés

Les défis typiques incluent la garantie que les rubriques Azure CLU et Copilot Studio restent synchronisées, la gestion des énoncés ambigus et l’évolutivité des déploiements multilingues. L’identification rapide de ces obstacles facilite la planification de stratégies d’atténuation, telles que des configurations de secours, des tests groupés de phrases déclencheur ou des services de traduction relayés.

L’objectif de la compréhension linguistique est de garantir que chaque assistant soit capable d’interpréter avec précision les requêtes des utilisateurs, de s’adapter à différentes langues et situations, et de gérer avec souplesse les imprévus. Cet objectif pose les bases pour créer des conversations fiables, engageantes et efficaces dans Copilot Studio.

  • Last updated on