Effectief taalbegrip ontwerpen

Begrip van natuurlijke taal (NLU) staat centraal in hoe Copilot Studio-agenten gebruikersvragen begrijpen en relevante, contextuele respons bieden. Een goed gedefinieerde aanpak van intentieherkenning, entiteitsextractie en fallback-afhandeling zorgt ervoor dat agenten efficiënte, natuurlijke gesprekken voeren die aansluiten bij zakelijke behoeften.

Wanneer een gebruiker iets invoert bij een agent, wordt dat een uiting genoemd. De agent moet die uiting analyseren en de intentie en entiteiten identificeren, zodat de respons van de agent zowel natuurlijk als efficiënt aanvoelt.

Wat is taalbegrip?

Taalbegrip (LU) is een subgebied van Natural Language Processing (NLP) dat zich bezighoudt met het in staat stellen van machines om de betekenis, intentie en context achter menselijke taal te begrijpen.

Diagram dat taalbegripverwerking illustreert.

Begrip van natuurlijke taal omvat:

  • Intentieherkenning: identificeren wat de gebruiker wil bereiken (bijvoorbeeld: "Boek een vlucht naar Parijs volgende week" wordt toegewezen aan de intentie om een vlucht te boeken).
  • Entiteitsextractie: het extraheren van belangrijke details zoals datums, locaties of namen (bijvoorbeeld "Parijs" als bestemming, "volgende week" als reisdatum).
  • Contextgevoeligheid: het behouden van continuïteit en het oplossen van ambiguïteiten in gesprekken (bijvoorbeeld het begrijpen van voornaamwoorden of verwijzingen).
  • Omgaan met ambiguïteiten: context gebruiken om woorden met meerdere betekenissen te duiden (bijvoorbeeld "bank" als financiële instelling of rivieroever).

Taalbegrip in Copilot Studio

Copilot Studio heeft een flexibel model voor taalbegrip, met meerdere configuratieopties.

Generatieve indeling

Generatieve indeling gebruikt taalmodellen om onderwerpen, acties en kennis op intelligente wijze te verbinden. Deze mogelijkheid maakt het herkennen van meerdere intenties, geavanceerde entiteitsextractie en het dynamisch genereren van plannen voor complexe vraagstukken mogelijk.

Deze methode is de standaard in Copilot Studio. Deze aanpak herkent meerdere intenties of onderwerpen in één uiting, koppelt automatisch acties en kennisbronnen, en genereert geïntegreerde responsen. Het is bijzonder geschikt voor het beheren van complexe gesprekken die meerdere bedrijfsgebieden omvatten. Generatieve indeling kent grenzen, zoals vijf berichten per onderwerp of actieketen, en 128 onderwerpen of acties per indeling, maar het biedt een krachtige manier om de breedte van het gesprek op te schalen.

Lees meer in Generatieve indelingsmogelijkheden toepassen.

Klassieke indeling

Klassieke indeling gebruikt triggerzinnen en deterministische onderwerproutering. Als de uiting van een gebruiker overeenkomt met een triggerzin, wordt het bijbehorende onderwerp uitgevoerd. Als er geen match is, doorzoeken fallbackmechanismen kennisbronnen of vragen de gebruiker om verduidelijking.

Ingebouwde NLU

Deze aanpak was de standaard, maar is nu de terugvaloptie. Copilot Studio biedt een kant-en-klaar NLU-model dat triggerzinnen, vooraf gedefinieerde entiteiten en aangepaste entiteiten ondersteunt. Dit model stelt agenten in staat om de intentie van de gebruiker te identificeren en belangrijke details zoals datums, bestemmingen of hoeveelheden rechtstreeks uit een query te halen.

NLU+

Voor optimale nauwkeurigheid gebruikt u de NLU+-optie. De NLU+-optie is ideaal voor grote toepassingen van ondernemingsniveau. Dit soort toepassingen omvat doorgaans een groot aantal onderwerpen en entiteiten, en maakt gebruik van een groot aantal trainingsvoorbeelden. Als u een spraakgestuurde agent hebt, worden uw NLU+-trainingsgegevens ook gebruikt om uw spraakherkenningsmogelijkheden te optimaliseren.

Azure CLU-integratie

Voor meer geavanceerde scenario's waarin u de standaard generatieve indeling niet kunt gebruiken, kunt u Azure Conversational Language Understanding (CLU) integreren. CLU biedt meer aanpassingsmogelijkheden, meertalige ondersteuning en complexe entiteitsextractie (bijvoorbeeld meerdere "van"-entiteiten). U moet CLU-intenties toewijzen aan Copilot Studio-onderwerpen om ze synchroon te houden. Deze optie is vooral waardevol voor branchespecifieke terminologie, niet-Engelse talen of situaties waarin een hogere nauwkeurigheid nodig is.

Belangrijkste kenmerken en beperkingen

In deze tabel worden de drie benaderingen voor taalbegrip in Copilot Studio met elkaar vergeleken. Het benadrukt hun belangrijkste kenmerken en beperkingen om u te helpen het juiste model te kiezen voor de complexiteit, schaal en nauwkeurigheid van uw agent.

Kenmerken en beperkingen Generatieve indeling Ingebouwd NLU-model Aangepast Azure CLU-model
Belangrijke functies
  • Gebruikt een groot taalmodel
  • Verwerkt complexe uitingen met meerdere intenties, onderwerpen/acties en kennis
  • Genereert automatisch vragen voor ontbrekende invoer
  • Maakt correcties mogelijk tijdens het uitvoeren
  • Levert een geïntegreerd antwoord op basis van de resultaten van onderwerpen, acties en kennis
  • Standaard vooraf getraind model met vooraf gedefinieerde entiteitstypen
  • Geconfigureerd met triggerzinnen en aangepaste entiteiten (gesloten lijsten of regex)
  • Ondersteunt meer talen, met native modellen
  • Aanpasbaar intentieactiverend model voor nauwkeurigheid of branchespecifieke behoeften
  • Geavanceerde entiteitsextractie (zoals hetzelfde type, stille extractie)
  • Entiteitsextractie kan de Copilot Studio standaard NLU gebruiken
Limieten
  • Vijf berichten per onderwerp/actieketen
  • Limiet van 128 onderwerpen en acties voor activering
  • Herkenning van één intentie per query
  • Kan niet worden uitgebreid
  • Het invullen van meerdere entiteiten van hetzelfde type vereist wegnemen van dubbelzinnigheid
  • Herkenning van één intentie per query
  • Op Azure gebaseerde configuratie en extra kosten
  • Heeft Azure-servicelimieten
  • Azure CLU-intenties en Copilot Studio-onderwerpen moeten zorgvuldig gesynchroniseerd blijven.

Leer meer in Overzicht van begrip van natuurlijke taal (NLU).

Onderwerpstructuur en fallback

Onderwerpen zijn verschoven van een strikte, intentiegerichte benadering naar een flexibelere, indelingsgerichte aanpak. In plaats van uitsluitend te vertrouwen op vooraf gedefinieerde triggers en paden, fungeren onderwerpen nu als modulaire instructies die de agent kan aanroepen bij het indelen van een gesprek. Generatieve indeling behandelt de meeste routering door gebruikersinvoer dynamisch te interpreteren, en onderwerpen bieden gestructureerde fallback wanneer precisie nodig is.

Het meer traditionele gestructureerde onderwerpontwerp maakt gesprekken natuurlijker en efficiënter. Onderwerpen kunnen toegangspunten zijn die worden geactiveerd door gebruikersuitingen of herbruikbare subonderwerpen die worden aangeroepen door doorverwijzingen of systeemgebeurtenissen. Onderwerpen voor wegnemen van dubbelzinnigheid helpen verwarring te voorkomen wanneer meerdere onderwerpen kunnen worden getriggerd, terwijl terugval- en gespreksverbeteringsonderwerpen een vangnet bieden wanneer de agent niet met zekerheid de intentie kan matchen. U kunt ook een generatief antwoord integreren dat uit een externe kennisbron wordt gehaald, zodat gebruikers zelden zonder respons blijven.

Meer informatie vindt u in Best practices voor het ontwerpen van onderwerpen volgen.

Lokalisatie en talen

De taal die door een Copilot Studio-agent wordt gebruikt, wordt bepaald door de waarde van de systeemvariabele: System.User.Language.

Deze variabele fungeert als het centrale controlepunt voor alle taalgerelateerd gedrag van de agent. U kunt de waarde handmatig instellen, programmatisch instellen of automatisch detecteren.

Hoe werkt dit?

  • Kennis zoeken in de taal van de gebruiker: Copilot Studio gebruikt de waarde van System.User.Language om kennisbronnen in de opgegeven taal te doorzoeken. Deze aanpak betekent dat zelfs als een gebruiker een vraag in één taal stelt, de agent de zoekopdracht vertaalt naar de taal die is ingesteld in System.User.Language (automatische vertaling voor zoekopdracht).

  • Antwoorden in de taal van de gebruiker: de agent genereert antwoorden in de taal die is gespecificeerd door System.User.Language, ongeacht de taal die in de vraag of de oorspronkelijke documenten is gebruikt (automatische vertaling voor het genereren van antwoorden).

  • Handmatige overschrijving: u kunt de waarde van System.User.Language handmatig instellen om de agent te dwingen in een specifieke taal te werken. Deze functie is nuttig voor testen of voor scenario's waarin u de taal expliciet moet bepalen. Meer informatie is te vinden in Meertalige agenten configureren en maken.

Automatische detectie van gesproken taal

U kunt Copilot Studio configureren om automatisch de gesproken of geschreven taal van de gebruiker te detecteren en de System.User.Language-variabele dienovereenkomstig in te stellen. Deze functie maakt naadloze meertalige ervaringen mogelijk zonder dat gebruikers hun taalvoorkeur hoeven in te stellen.

Hoe automatische detectie werkt

  • Detectie op basis van triggers: wanneer de bot een bericht ontvangt, start een trigger een taaldetectieproces.
  • Systeemvariabele instellen: de bot wijst de gedetecteerde taal toe aan System.User.Language.
  • Dynamische respons: de agent vervolgt het gesprek in de gedetecteerde taal, waarbij de agent zowel kennis doorzoekt als respons genereert.

Voordelen

  • Gepersonaliseerde ervaring: gebruikers werken in hun voorkeurstaal zonder dat handmatige configuratie nodig is.
  • Consistente ervaring: alle respons en kennisopvragingen zijn afgestemd op de gedetecteerde of ingestelde taal.
  • Schaalbare oplossing: ondersteunt wereldwijde implementatie met minimale configuratie.

Fooi

Bekijk de voorbeeldoplossing waarin wordt getoond hoe Copilot Studio-agenten automatisch de gesproken taal van een gebruiker kunnen detecteren en kunnen overschakelen naar een van de maker-goedgekeurde talen voor de agent bij Automatisch taal detecteren voor generatieve antwoorden.

Best practices voor lokalisatie

  • Configureer ondersteunde talen: definieer primaire en secundaire talen voor uw agent. Gebruik lokalisatiebestanden (JSON of ResX) om vertalingen te bieden voor prompts, berichten en onderwerpen.
  • Test meertalige scenario's: simuleer gebruikersinteracties in verschillende talen om soepele overgangen en nauwkeurige responsen te garanderen.
  • Gebruik automatische vertaling: maak gebruik van de ingebouwde vertaling van Copilot Studio voor zoekacties in Knowledge Base en het genereren van antwoorden, maar bied maatwerkvertalingen aan voor kritische of genuanceerde inhoud.
  • Controleer en verfijn: gebruik analyses om taalgebruik te volgen en de lokalisatiedekking in de loop van de tijd te verbeteren.

Taalbenaderingen voor Copilot Studio-agenten:

  • Scheid agenten per taal.
  • Enkelvoudige meertalige agents met vooraf opgestelde vertalingen.
  • Real-time meertalige agenten, gebruikmakend van vertaaldiensten tussen gebruiker en agent.

De juiste aanpak hangt af van het gebruik, overwegingen rond scheiding, schaal, updatefrequentie en beschikbare resources.

Geïdentificeerde technische uitdagingen

Typische uitdagingen zijn onder meer het waarborgen dat Azure CLU- en Copilot Studio-onderwerpen synchroon blijven, het omgaan met dubbelzinnige uitingen en het opschalen van meertalige implementaties. Vroegtijdige identificatie van deze knelpunten stelt u in staat om beperkingsstrategieën te plannen, zoals fallback-configuraties, grootschalig testen van triggerzinnen of relay-gebaseerde vertaaldiensten.

Het doel van taalbegrip is te waarborgen dat elke agent gebruikersvragen precies kan interpreteren, zich kan aanpassen aan diverse talen en situaties, en het onverwachte vlot kan afhandelen. Dit doel vormt een sterke basis voor het opbouwen van betrouwbare, boeiende en efficiënte Copilot Studio-gesprekken.

  • Last updated on