Designa effektiv språkförståelse

förståelse av naturligt språk (NLU) är kärnan i hur Copilot Studio-agenter tolkar användarfrågor och ger relevanta, kontextuella svar. En väl definierad strategi för intentigenkänning, entitetsextraktion och fallback-hantering säkerställer att agenter levererar effektiva, naturliga samtal som är anpassade till affärsbehov.

När en användare skriver något till en agent kallas det ett yttrande. Agenten behöver dela upp yttrandet i avsikt och entiteter, så att agentens svar känns både naturligt och effektivt.

Vad är språkförståelse?

Språkförståelse (LU) är ett delområde inom naturlig språkbehandling (NLP) som fokuserar på att möjliggöra för maskiner att förstå meningen, avsikten och kontexten bakom mänskligt språk.

Diagram som illustrerar språkförståelse och bearbetning.

Språkförståelse involverar följande:

  • Avsiktsigenkänning: Att identifiera vad användaren vill uppnå (till exempel "Boka en flygning till Paris nästa vecka" motsvarar avsikten att boka en flygning).
  • Entitetsextraktion: Att extrahera nyckeluppgifter såsom datum, orter eller namn (till exempel "Paris" som destination, "nästa vecka" som resedatum).
  • Kontextmedvetenhet: Att upprätthålla kontinuitet och lösa tvetydigheter i samtal (till exempel att förstå pronomen eller referenser).
  • Hantera tvetydigheter: Att använda kontext för att avgöra ords betydelse (till exempel "bank" som finansiell institution eller flodstrand).

Språkförståelse i Copilot Studio

Copilot Studio har en flexibel modell för språkförståelse, med flera konfigurationsalternativ.

Generativ orkestrering

Generativ orkestrering använder språkmodeller för att på ett intelligent sätt länka ihop ämnen, handlingar och kunskap. Denna funktion möjliggör igenkänning av flera avsikter, avancerad entitetsextraktion och dynamisk plangenerering för komplexa frågor.

Denna metod är förvalet för Copilot Studio. Detta tillvägagångssätt känner igen flera avsikter eller ämnen i ett enda yttrande, kopplar automatiskt samman handlingar och kunskapskällor, och genererar enhetliga svar. Det är särskilt användbart för att hantera komplexa samtal som sträcker sig över flera affärsområden. Generativ orkestrering har begränsningar, till exempel fem meddelanden per ämne eller handlingskedja och 128 ämnen eller handlingar per orkestrering, men det ger ett kraftfullt sätt att utöka samtalsbredden.

Läs mer i Tillämpa generativa orkestreringsfunktioner.

Klassisk orkestrering

Klassisk orkestrering använder utlösande fraser och deterministisk ämnesrouting. Om en användares yttrande matchar en utlösande fras körs motsvarande ämne. Om det inte finns någon matchning söker reservmekanismer i kunskapskällor eller ber användaren om förtydligande.

Inbyggd NLU

Denna metod var tidigare standardmetoden men är nu reservlösningen. Copilot Studio tillhandahåller en färdig NLU-modell som stödjer utlösande fras, fördefinierade entiteter och anpassade entiteter. Denna modell gör det möjligt för agenter att identifiera användarens avsikt och extrahera viktiga detaljer som datum, destinationer eller kvantiteter direkt från en fråga.

NLU+

För hög noggrannhet, använd NLU+-alternativet. NLU+-alternativet är idealiskt för stora företagsapplikationer. Denna typ av applikationer består vanligtvis av ett stort antal ämnen och entiteter och använder ett stort antal utbildningsexempel. Dessutom om du har en röstaktiverad agent används din NLU+-träningsdata även för att optimera din taligenkänning.

Azure CLU-integration

För mer avancerade scenarier där du inte kan använda standardgenerativ orkestrering kan du integrera Azure Conversational Language Understanding (CLU). CLU erbjuder större anpassningsmöjligheter, stöd för flera språk och komplex entitetsextraktion (till exempel flera "from"-entiteter). Du måste koppla CLU:s avsikter till Copilot Studio-ämnen för att hålla dem synkroniserade. Detta alternativ är särskilt värdefullt för branschspecifika ordförråd, icke-engelska språk eller scenarier som kräver högre noggrannhet.

Viktiga funktioner och begränsningar

Denna tabell jämför de tre språkförståelsemetoderna i Copilot Studio. Den belyser deras viktigaste funktioner och begränsningar för att hjälpa dig att välja rätt modell för din agents komplexitet, skala och noggrannhetsbehov.

Funktioner och begränsningar Generativ orkestrering Inbyggd NLU-modell Anpassad Azure CLU-modell
Viktiga funktioner
  • Använder en stor språkmodell
  • Hanterar komplexa yttranden med flera avsikter, ämnen/åtgärder och kunskap
  • Genererar automatiskt frågor för saknade indata
  • Tillåter korrigeringar under körning
  • Genererar ett samlat svar baserat på resultat från ämnen, handlingar och kunskap
  • Förtränad standardmodell med fördefinierade entitetstyper
  • Konfigurerad med utlösande fraser och anpassade entiteter (stängda listor eller regex)
  • Har stöd för fler språk med inbyggda modeller
  • Anpassningsbar avsiktsutlösande modell för noggrannhet eller branschspecifika behov
  • Avancerad entitetsextraktion (till exempel samma typ, tyst extraktion)
  • Entitetsextraktion kan använda Copilot Studio standard-NLU
Gränser
  • Fem meddelanden per ämnes-/handlingskedja
  • Gräns på 128 ämnen och åtgärder för att trigga
  • En enda avsiktsigenkänning per fråga
  • Kan inte utökas
  • Slot-fyllning av flera entiteter av samma typ kräver disambiguering
  • En enda avsiktsigenkänning per fråga
  • Azure-baserad konfiguration och ytterligare kostnader
  • Har begränsningar för Azure-tjänsten
  • Azure CLU-avsikter och Copilot Studio-ämnen måste hållas noggrant synkroniserade.

Läs mer i Förståelse av naturligt språk (NLU) – översikt.

Ämnesstruktur och reservplan

Ämnen har gått från ett strikt avsiktsbaserat upplägg till ett mer flexibelt arbetssätt med orkestrering i fokus. Istället för att enbart förlita sig på fördefinierade triggare och vägar fungerar ämnen nu som modulära instruktioner som agenten kan använda vid orkestrering av en konversation. Generativ orkestrering sköter det mesta av dirigeringen genom att tolka användarinmatning dynamiskt, och ämnen bidrar med en strukturerad fallback när precision behövs.

Den mer traditionella utformningen av ämnen gör att samtalen upplevs som naturliga och effektiva. Ämnen kan vara ingångspunkter som triggas av användarens yttranden eller återanvändbara delämnen som anropas av omdirigeringar eller systemhändelser. Disambigueringsämnen hjälper till att undvika förvirring när flera teman kan utlösas, medan reserv- och konversationsförstärkningsteman fungerar som säkerhetsnät när agenten inte kan matcha avsikten med tillräcklig säkerhet. Du kan också lägga på generativa svar som hämtas från externa kunskapskällor, vilket säkerställer att användare sällan går utan svar.

Läs mer i Följ bästa metod för ämnesredigering.

Lokalisering och språk

Språket som används av en Copilot Studio-agent bestäms av värdet på systemvariabeln: System.User.Language.

Denna variabel fungerar som den centrala kontrollpunkten för allt språkrelaterat beteende hos agenten. Du kan ställa in dess värde manuellt, programmatiskt eller upptäcka det automatiskt.

Hur fungerar det?

  • Sök kunskap på användarens språk: Copilot Studio använder värdet av System.User.Language för att söka i kunskapskällor på det angivna språket. Detta tillvägagångssätt innebär att även om en användare ställer en fråga på ett språk, översätter agenten sökfrågan till det språk som är inställt i System.User.Language (autoöversättning för sökfråga).

  • Svara på användarens språk: Agenten genererar svar på det språk som anges av System.User.Language, oavsett vilket språk som används i frågan eller originaldokumenten (automatisk översättning för svarsgenerering).

  • Manuell åsidosättning: Du kan manuellt sätta värdet på System.User.Language för att tvinga agenten att arbeta på ett specifikt språk. Denna funktion är användbar för testsyften eller i situationer där du måste ha explicit kontroll över språket. Läs mer i Konfigurera och skapa flerspråkiga agenter.

Automatisk detektering av talat språk

Du kan konfigurera Copilot Studio för att automatiskt upptäcka användarens talade eller skrivna språk och ställa in variabeln System.User.Language därefter. Denna funktion möjliggör sömlösa flerspråkiga upplevelser utan att användarna behöver ange sitt språk.

Så här fungerar automatisk detektering

  • Triggerbaserad detektering: När roboten tar emot ett meddelande initierar en trigger en språkdetekteringsprocess.
  • Ställ in systemvariabel: Roboten tilldelar det upptäckta språket till System.User.Language.
  • Dynamiskt svar: Agenten fortsätter samtalet på det upptäckta språket, både söker kunskap och genererar svar på samma språk.

Fördelar

  • Personlig upplevelse: Användare interagerar på sitt föredragna språk utan manuell konfiguration.
  • Konsekvent upplevelse: Alla svar och kunskapsinhämtningar stämmer överens med det upptäckta eller inställda språket.
  • Skalbar lösning: Stöder globala distributioner med minimal konfiguration.

Dricks

Granska exempellösningen som visar hur du kan göra det möjligt för Copilot Studio-agenter att automatiskt upptäcka användarens talade språk och växla till ett av de skapargodkända språken för agenten på Auto Detect Language for Generative Responses.

Metodtips för lokalisering

  • Konfigurera stödda språk: Definiera primära och sekundära språk för din agent. Använd lokaliseringsfiler (JSON eller ResX) för att tillhandahålla översättningar för prompt, meddelanden och ämnen.
  • Testa flerspråkiga scenarier: Simulera användarinteraktioner på olika språk för att säkerställa smidiga övergångar och korrekta svar.
  • Använd autoöversättning: Förlita dig på Copilot Studios inbyggda översättning för kunskapssökning och svarsgenerering, men tillhandahåll anpassade översättningar för viktigt eller nyanserat innehåll.
  • Övervaka och förfina: Använd analys för att följa språkanvändning och förbättra lokaliseringstäckningen över tid.

Copilot Studio språkstrategier för agenter:

  • Separata agenter per språk.
  • Enskilda flerspråkiga agenter med förberedda översättningar.
  • Flerspråkiga agenter i realtid, som använder översättningstjänster mellan användare och agent.

Det rätta tillvägagångssättet beror på användning, frågor om separation, skala, uppdateringsfrekvens och tillgängliga resurser.

Identifierade tekniska utmaningar

Typiska utmaningar inkluderar att säkerställa att Azure CLU- och Copilot Studio-ämnen förblir synkroniserade, hantera tvetydiga yttranden och skala flerspråkiga implementationer. Tidig identifiering av dessa hinder möjliggör planering av åtgärder för att hantera dem, såsom fallback-konfigurationer, bulk-testning av utlösande fraser eller reläbaserade översättningstjänster.

Målet med språkförståelse är att säkerställa att varje agent kan tolka användarfrågor korrekt, anpassa sig till olika språk och scenarier och hantera det oväntade på ett smidigt sätt. Detta mål lägger grunden för att skapa tillförlitliga, engagerande och effektiva Copilot Studio-konversationer.

  • Last updated on