Projektuj skuteczne frazy wyzwalające

Dotyczy tylko:Standardowa uprząż

Frazy wyzwalacza są podstawą efektywnego rozpoznawania tematów w programie Copilot Studio. Trenują model rozumienia języka naturalnego (NLU) twojego agenta, aby rozpoznawał, kiedy użytkownicy pytają o konkretne tematy. Używając fraz wyzwalających, agent może precyzyjnie kierować rozmowy na właściwy temat.

Co to są frazy wyzwalacza w programie Copilot Studio?

Frazy wyzwalające trenują model rozumienia języka naturalnego (NLU) agenta. Frazy wyzwalacza wskazują agentowi, jakie typowe wypowiedzi użytkowników powinny wyzwalać określony temat.

Typowe frazy wyzwalające odzwierciedlają, jak użytkownik pyta o problem lub zagadnienie. Na przykład frazą wyzwalającą może być "problem z chwastami na trawniku".

Tworząc nowy temat, wystarczy podać kilka przykładowych fraz (najlepiej od 5 do 10). W czasie wykonywania AI analizuje to, co mówi użytkownik, i wyzwala temat najbliższy pod względem znaczenia wypowiedzi użytkownika.

Znaczenie kontekstu wyzwalającego

Copilot Studio NLU działa inaczej na podstawie stanu konwersacji. Takie zachowanie czasem prowadzi do różnych zachowań dla tej samej wypowiedzi użytkownika.

Poniżej przedstawiono różne stany konwersacji:

  • Początek rozmowy: Agent nie ma kontekstu, więc oczekuje się, że wypowiedź użytkownika albo:

    • Wyzwalanie tematu bezpośrednio (rozpoznawanie intencji).
    • Wywołaj pytanie rozróżniające „czy chodziło Ci o” (wiele pasujących tematów) wśród potencjalnych intencji, jeśli istnieje wiele pasujących tematów.
    • Przejdź do tematu rezerwowego, jeśli intencja nie jest rozpoznawana.

  • Po wyzwoleniu mechanizmu „czy masz na myśli” (wiele dopasowanych tematów): NLU optymalizuje dopasowanie do jednego z sugerowanych tematów, z wyższymi progami dla opuszczenia przedstawionych opcji.

  • Przejście z aktualnego tematu: Jeśli NLU próbuje wypełnić slot w danym temacie, a użytkownik zadaje zapytanie użytkownika, może to wywołać kolejny temat (zmiana tematu).

Normalizacja jednostek i wyzwalanie tematu

Podczas uruchamiania agenci używający klasycznej orkiestracji wybierają tematykę, porównując wypowiedź użytkownika z frazami wyzwalającymi każdej tematyki.

System normalizuje wykryte jednostki do typów jednostek i oblicza podobieństwo na podstawie znormalizowanego formularza. Ta metoda może zwiększyć rozpoznawanie intencji, ale może również rozszerzać dopasowania w sposób, który nie jest oczywisty podczas tworzenia fraz wyzwalanych.

Załóżmy na przykład, że fraza wyzwalacza tematu A to Tworzenie spotkania z Alexem, a wypowiedź użytkownika to Tworzenie spotkania z Susan.

W przypadku dopasowania tylko do tekstu podobieństwo byłoby niskie, ponieważ "Alex" i "Susan" są różnymi wartościami dosłownymi. W przypadku normalizacji jednostki podobieństwo może być wysokie, jeśli obie wartości są rozpoznawane jako ten sam typ jednostki (na przykład nazwa osoby). W takim przypadku Temat A jest wybrany, mimo że określona nazwa w wypowiedzi użytkownika nie pojawia się w frazie wyzwalacza.

Normalizacja jednostek sprawia, że agenci korzystający z klasycznej aranżacji są bardziej niezawodni dla zmiennych wartości jednostek i mogą tolerować szersze dopasowywanie.

Ta funkcja ma zastosowanie do przypadków użycia, takich jak:

  • Frazy wyzwalacza różnią się głównie wartościami jednostek (nazwami, lokalizacjami, datami, liczbami) i chcesz, aby temat był zgodny na podstawie struktury żądania, a nie dokładnych tokenów jednostek.
  • Polegasz na jednostkach zamkniętej listy lub innych jednostkach ustrukturyzowanych i chcesz uzyskać wyższą trafność podczas dopasowywania.
  • Rozwiązujesz problemy z niskimi wynikami dopasowania, gdzie oczekuje się normalizacji encji, ale nie ma to miejsca, ponieważ temat nie zawiera kwalifikujących się encji do normalizacji. Na przykład są obecne tylko jednostki listy dynamicznej, które nie uczestniczą w normalizacji w czasie wyzwalania.

Znaki interpunkcyjne

Model NLU działa tak samo, niezależnie od interpunkcji, w tym znaków zapytania.

Stwórz nowe frazy wyzwalające

Jeśli to możliwe, zacznij od rzeczywistych danych produkcyjnych, zamiast wymyślać własne frazy wyzwalające. Najlepsze frazy wyzwalające są podobne do rzeczywistych danych pochodzących od użytkowników. Te frazy są tymi, które użytkownicy zadają wdrożonemu agentowi.

Nie pomijaj konkretnych słów. Model ten przywiązuje mniejszą wagę do niepotrzebnych słów, takich jak stop. Słowa stop to słowa, które system filtruje przed przetwarzaniem danych w języku naturalnym, ponieważ są nieistotne.

Optymalizacja fraz wyzwalających

Poniższe najlepsze praktyki pomagają zoptymalizować zwroty wyzwalające.

Tip Examples
Miej co najmniej 5–10 fraz wyzwalających dla każdego tematu
Iteruj i dodawaj więcej w miarę zdobywania wiedzy od użytkowników.		 Znajdowanie najbliższego sklepu
Sprawdź lokalizację sklepu
Znajdź sklep
Znajdź mi najbliższą lokalizację
Sklepy w okolicy
Różne struktury zdań i kluczowe pojęcia
W modelu są automatycznie rozważane odmiany tych fraz.		 Kiedy sklep jest zamknięty
Codzienne godziny otwarcia
Używaj krótkich fraz wyzwalających
Mniej niż 10 słów.		 Kiedy sklep jest otwarty
Unikaj jednosłowych fraz wyzwalających
Ta praktyka zwiększa wagę określonych słów w wyzwalaniu tematów.
Może to wprowadzić nieporozumienia między podobnymi tematami.		 Sklep
Użyj pełnych fraz Czy mogę rozmawiać z prawdziwym asystentem
Używaj unikatowych czasowników i rzeczowników lub ich kombinacji Potrzebuję obsługi klienta
Chcę rozmawiać z konsultantem
Unikaj stosowania tej samej odmiany encji
Nie trzeba korzystać ze wszystkich przykładów wartości encji.
W NLU automatycznie są rozważane wszystkie odmiany.		 Chcę zamówić hamburgera
Chcę zamówić pizzę
Chcę nuggetsy z kurczaka

Zrównoważ liczbę fraz wyzwalających na każdy temat

Spróbuj zrównoważyć liczbę fraz wyzwalających między tematami. Dzięki temu możliwości NLU nie będą nadmiernie ważyć jednego tematu w stosunku do innego na podstawie skonfigurowanych fraz wyzwalających.

Oceń swoje zmiany

Po aktualizacji fraz, połączeniu lub podziału tematów, oceniaj zmiany. Na przykład:

  • Obserwujesz natychmiastową zmianę zachowania agenta podczas czatu testowego. Na przykład temat może wywołać lub przestać wywoływać wyzwalanie w zależności od aktualizacji fraz wyzwalających.
  • Po wdrożeniu agenta i obsłudze ruchu widzisz wyższe lub niższe wskaźniki odchyleń (nieeskalacyjne wskaźniki). Aby zaobserwować te stawki, przejdź do strony Analytics w Copilot Studio.

Tip

Aby przetestować wyzwalanie tematów i to, jak Twój model NLU radzi sobie masowo z danymi testowymi, użyj Copilot Agent Kit.

Troubleshooting

Jeśli agent odpowiada wiele razy na jeden komunikat użytkownika lub wyzwala nieoczekiwany temat, nakładające się frazy wyzwalacza lub konfiguracje tematów powodujących konflikt często powodują problem.

Wykonaj następujące kroki, aby zdiagnozować i rozwiązać problem:

  1. Weryfikacja konfiguracji agenta:

    • Przejrzyj wszystkie tematy, aby upewnić się, że każdy ma unikalny cel i jasno określone frazy wyzwalające.
    • Potwierdź, że tylko jeden temat jest skonfigurowany tak, by automatycznie odpowiadać na konkretne dane użytkownika.

  2. Sprawdź nakładające się intencje lub warunki:

    • Zidentyfikuj zwroty wyzwalające, które są podobne w wielu tematach.
    • Przejrzyj warunki, podmioty i tematy systemowe, które mogą być prawdziwe dla tej samej wiadomości użytkownika.

  3. Dostosuj priorytet i zakres tematu:

    • Uściślij frazy wyzwalające, aby bardziej szczegółowe tematy były dopasowywane przed szerszymi tematami.
    • Aby zapobiec zduplikowaniu odpowiedzi, wyłącz, scal lub zawężaj tematy, które nakładają się na funkcje.

Wdrażaj najlepsze praktyki wypełniania slotów

  • Ostatnia aktualizacja o