Utform effektiv språkforståelse

Naturlig språkforståelse (NLU) er kjernen i hvordan Copilot Studio-agenter tolker brukerhenvendelser og gir relevante, kontekstuelle svar. En veldefinert tilnærming til intensjonsgjenkjenning, entitetsuttrekking og håndtering av fallback-løsninger sikrer at agenter leverer effektive, naturlige samtaler som samsvarer med forretningsbehov.

Når en bruker oppgir noe til en agent, kalles det en ytring. Agenten må dele opp ytringen i intensjon og entiteter, slik at agentens svar føles både naturlig og effektivt.

Hva er språkforståelse?

Språkforståelse (LU) er et underområde av naturlig språkbehandling (NLP) som har som mål å gjøre maskiner i stand til å forstå meningen, intensjonen og konteksten bak menneskelig språk.

Diagram som illustrerer behandling av språkforståelse.

Språkforståelse involverer:

  • Intensjonsgjenkjenning: Identifisere hva brukeren ønsker å oppnå (f.eks., "Bestill en flyreise til Paris neste uke" tilsvarer intensjonen om å bestille en flyreise).
  • Entitetsuttrekk: Uttrekk av viktige detaljer som datoer, steder eller navn (f.eks. "Paris" som reisemål, "neste uke" som reisedato).
  • Kontekstbevissthet: Opprettholde kontinuitet og løse tvetydigheter i samtalen (f.eks. å forstå pronomen eller referanser).
  • Håndtering av tvetydigheter: Å bruke kontekst for å avklare ord med flere betydninger (f.eks. «bank» som en finansinstitusjon eller elvebredd).

Språkforståelse i Copilot Studio

Copilot Studio har en fleksibel modell for språkforståelse, med flere konfigurasjonsmuligheter.

Generativ iverksetting

Generativ iverksetting bruker språkmodeller til å koble sammen emner, handlinger og kunnskap på en intelligent måte. Denne funksjonaliteten muliggjør gjenkjenning av flere intenter, avansert entitetsuttrekking og dynamisk plangenerering for komplekse spørringer.

Denne metoden er standardmetoden for Copilot Studio. Denne tilnærmingen gjenkjenner flere intenter eller emner i én ytring, kobler automatisk sammen handlinger og kunnskapskilder, og genererer enhetlige svar. Det er spesielt nyttig for å håndtere komplekse samtaler som spenner over flere forretningsområder. Generativ iverksetting har begrensninger, som fem meldinger per tema eller handlingskjede, og 128 temaer eller handlinger per iverksetting, men det gir en kraftfull måte å skalere samtalebredde på.

Mer informasjon i Bruk generative iverksettingsmuligheter.

Klassisk iverksetting

Klassisk iverksetting bruker utløseruttrykk og deterministisk temaruting. Hvis en brukers ytring stemmer overens med et utløseruttrykk, aktiveres det tilsvarende emnet. Hvis det ikke er noen match, søker fallback-mekanismer i kunnskapskilder eller ber brukeren om avklaring.

Innebygd naturlig språkforståelse

Denne metoden var standardmetoden, men er nå fallback-metoden. Copilot Studio tilbyr en ferdig Naturlig språkforståelse-modell som støtter utløseruttrykk, forhåndsdefinerte enheter og egendefinerte enheter. Denne modellen gjør det mulig for agenter å identifisere brukerens intensjon og hente ut nøkkeldetaljer som datoer, destinasjoner eller mengder direkte fra en spørring.

Naturlig språkforståelse+

For høy nøyaktighet, bruk Naturlig språkforståelse+-alternativet. Naturlig språkforståelse+-alternativet er ideelt for store bedriftsapplikasjoner. Denne typen applikasjoner består vanligvis av et stort antall emner og entiteter, og bruker et stort antall treningseksempler. I tillegg, hvis du har en taleaktivert agent, vil naturlig språkforståelse+-treningsdataene dine også bli brukt til å optimalisere talegjenkjenningen.

Integrering av Azure CLU

For mer avanserte scenarioer der du ikke kan bruke standard generativ iverksetting, kan du integrere Azure samtalebasert språkforståelse (CLU). CLU gir større tilpasning, flerspråklig støtte og kompleks entitetsutvinning (f.eks. flere "fra"-enheter). Du må tilordne CLU-intents til Copilot Studio-emner for å holde dem synkronisert. Dette alternativet er spesielt verdifullt for bransjespesifikke vokabularer, andre språk enn engelsk, eller scenarioer som krever høyere nøyaktighet.

Viktige funksjoner og begrensninger

Denne tabellen sammenligner de tre språkforståelsestilnærmingene i Copilot Studio. Den fremhever deres nøkkelfunksjoner og begrensninger for å hjelpe deg med å velge riktig modell for agentens behov for kompleksitet, skala og nøyaktighet.

Funksjoner og begrensninger Generativ iverksetting Innebygd modell for naturlig språkforståelse Egendefinert Azure CLU-modell
Nøkkelfunksjoner
  • Bruker en storspråkmodell
  • Håndterer komplekse ytringer med flere intensjoner, emner/handlinger og kunnskap
  • Genererer automatisk spørsmål for manglende input
  • Tillater korreksjoner under kjøring
  • Produserer et samlet svar basert på resultater av emner, handlinger og kunnskap
  • Standard forhåndstrent modell med forhåndsdefinerte enhetstyper
  • Konfigurert med utløseruttrykk og egendefinerte enheter (lukkede lister eller regex)
  • Støtter flere språk med modeller
  • Tilpassbar intensjonsutløsende modell for nøyaktighet eller bransjespesifikke behov
  • Avansert entitetsuttrekking (for eksempel samme type, stille ekstraksjon)
  • Entitetsuttrekking kan bruke Copilot Studio standard naturlig språkforståelse
Grenser
  • Opptil fem meldinger per emne-/handlingskjede
  • Begrensning på 128 emner og handlinger for aktivering
  • Gjenkjenning av én intensjon per spørring
  • Kan ikke utvides
  • Slot-fylling av flere entiteter av samme type krever entydiggjøring
  • Gjenkjenning av én intensjon per spørring
  • Azure-basert konfigurasjon og ekstra kostnader
  • Har Azure-tjenestebegrensninger
  • Azure CLU intents og Copilot Studio-emner må holdes nøye synkronisert.

Les mer i Oversikt over naturlig språkforståelse (NLU).

Emnestruktur og fallback

Emner har gått bort fra en fastlåst, intensjonsbasert tilnærming og over til en mer fleksibel, iverksettingsdrevet tilnærming. I stedet for å bare basere seg på forhåndsdefinerte triggere og stier, fungerer emner nå som modulære instruksjoner som agenten kan påkalle når den iverksetter en samtale. Generativ iverksetting håndterer det meste av rutingen ved å tolke brukerinput dynamisk, og emner gir strukturert fallback når presisjon er nødvendig.

Den mer tradisjonelle strukturerte emnedesignen gjør samtalene både naturlige og effektive. Emner kan være inngangspunkter utløst av brukeruttalelser eller gjenbrukbare underemner som kalles av omdirigeringer eller systemhendelser. Avklarende emner bidrar til å unngå forvirring når flere emner kan utløses, mens fallback- og samtaleforbedring emner gir sikkerhetsnett når agenten ikke med sikkerhet kan avstemme intensjonen. Du kan også legge til generativt svar som hentes fra eksterne kunnskapskilder, slik at brukerne sjelden blir stående uten svar.

Mer informasjon i Følg beste praksis for å skrive emner.

Lokalisering og språk

Språket som brukes av en Copilot Studio-agent bestemmes av verdien til systemvariabelen: System.User.Language.

Denne variabelen fungerer som det sentrale kontrollpunktet for all språkrelatert atferd i agenten. Du kan angi verdien manuelt, programmessig eller la den oppdages automatisk.

Hvordan fungerer det?

  • Søk etter kunnskap på brukerens språk: Copilot Studio bruker verdien av System.User.Language for å søke i kunnskapskilder på det spesifiserte språket. Denne tilnærmingen innebærer at selv om en bruker stiller et spørsmål på ett språk, oversetter agenten søkeforespørselen til språket som er satt i System.User.Language (automatisk oversettelse for søkespørring).

  • Svar på brukerens språk: Agenten genererer svar på det språket som er angitt av System.User.Language, uansett hvilket språk som brukes i spørsmålet eller de opprinnelige dokumentene (automatisk oversettelse for svargenerering).

  • Manuell overstyring: Du kan manuelt angi verdien av System.User.Language for å tvinge agenten til å bruke et spesifikt språk. Denne funksjonen er nyttig for testing eller for scenarioer der du må styre hvilket språk som brukes. Finn ut mer i Konfigurer og opprett flerspråklige agenter.

Automatisk språkdeteksjon

Du kan konfigurere Copilot Studio til automatisk å oppdage brukerens talte eller skrevne språk og sette System.User.Language-variabelen tilsvarende. Denne funksjonen muliggjør sømløse flerspråklige opplevelser uten at brukerne må spesifisere sin språkpreferanse.

Hvordan automatisk gjenkjenning fungerer

  • Utløserbasert deteksjon: Når roboten mottar en melding, aktiveres en utløser som starter en språkdeteksjonsflyt.
  • Sett systemvariabelen: roboten tildeler det oppdagede språket til System.User.Language.
  • Dynamisk svar: Agenten fortsetter samtalen på det oppdagede språket, både ved å søke etter kunnskap og generere svar på det samme språket.

Fordeler

  • Personlig tilpasset opplevelse: Brukere interagerer på sitt foretrukne språk uten manuell konfigurasjon.
  • Konsistent opplevelse: Alle svar og kunnskapsinnhenting er tilpasset det oppdagede eller valgte språket.
  • Skalerbar løsning: Støtter globale implementeringer med minimal konfigurasjon.

Tips

Se gjennom eksempelløsningen som viser hvordan du kan gjøre det mulig for Copilot Studio-agenter å automatisk oppdage brukerens talespråk og bytte til ett av de utviklergodkjente språkene for agenten på Auto Detect Language for Generative Responses.

Anbefalte fremgangsmåter for lokalisering

  • Konfigurer støttede språk: Definer primær- og sekundærspråk for agenten din. Bruk lokaliseringsfiler (JSON eller ResX) til å tilby oversettelser for spørsmål, meldinger og emner.
  • Test flerspråklige scenarioer: Simuler brukerinteraksjoner på ulike språk for å sikre jevne overganger og nøyaktige svar.
  • Bruk auto-oversettelse: Stol på Copilot Studios innebygde oversettelse for kunnskapssøk og svargenerering, men gi tilpassede oversettelser for kritisk eller nyansert innhold.
  • Overvåk og finjuster: Bruk analyser for å spore språkbruk og forbedre lokaliseringsdekningen over tid.

Tilnærminger for agentspråk i Copilot Studio:

  • Egne agenter for hvert språk.
  • Enkeltspråklige agenter med forhåndsforfattede oversettelser.
  • Flerspråklige agenter i sanntid som benytter oversettelsestjenester mellom brukeren og agenten.

Den rette tilnærmingen avhenger av bruksområde, behov for separasjon, skala, oppdateringsintervall og tilgjengelige ressurser.

Identifiserte tekniske utfordringer

Typiske utfordringer inkluderer å sikre at Azure CLU- og Copilot Studio-emner holdes synkroniserte, håndtere tvetydige ytringer og skalere flerspråklige utrullinger. Tidlig identifisering av disse utfordringene lar deg planlegge tiltak, som fallback-konfigurasjoner, massetesting av utløseruttrykk eller relébaserte oversettelsestjenester.

Målet med språkforståelse er å sikre at hver agent kan tolke brukerhenvendelser presist, tilpasse seg ulike språk og scenarioer, og håndtere det uventede smidig. Dette målet gir et robust fundament for å utvikle pålitelige, engasjerende og effektive samtaler i Copilot Studio.

  • Last updated on