Designa effektiva triggerfraser

Utlösarfraser är grunden för effektiv ämnesigenkänning i Copilot Studio. De tränar din agents modell för naturlig språkförståelse (NLU) för att identifiera när användare frågar om specifika ämnen. Genom att använda triggerfraser kan din mäklare styra samtalen till rätt ämne med noggrannhet.

Vad är utlösarfraser i Copilot Studio?

Utlösande fraser tränar din agents modell för förståelse av naturligt språk (NLU). Utlösarfraser anger för agenten vilka typiska användaryttranden som ska utlösa ett specifikt ämne.

Triggerfraser fångar vanligtvis hur en användare frågar om ett problem eller en fråga. Till exempel kan en triggerfras vara "problem med ogräs i gräsmatta."

När du skapar ett nytt ämne behöver du bara ange några exempelfraser (helst mellan 5 och 10). När programmet körs analyserar AI vad användaren säger och utlöser det ämne som bäst matchar användarens yttrande. Läs mer i Välj effektiva trigger-fraser.

Vikten av den utlösande kontexten

Copilot Studio NLU fungerar annorlunda baserat på konversationstillståndet. Detta beteende kan ibland leda till olika beteenden för samma användares yttrande.

Följande är de olika konversationstillstånd:

• Början på samtalet: Agenten har ingen kontext, så en användaruttalning förväntas antingen:

  • Utlös ett ämne direkt (avsiktsigenkänning).
  • Utlösa en ”menade du” (Flera ämnen matchade) förtydligandefråga bland avsiktskandidater om det finns flera matchande ämnen.
  • Gå till ett reservalternativ om intentionen inte känns igen.

• När ett ”menade du” (flera matchande ämnen) utlöses: NLU optimeras för att matcha ett av de ämnen som föreslås, med högre tröskelvärden för att lämna alternativen som visas.

• Byta från ett aktuellt ämne: Om NLU försöker fylla en plats i ett ämne, och användaren ger en användarfråga som kan trigga ett annat ämne (ämnesbyte).

Entitetsnormalisering och ämnesaktivering

Vid körning väljer agenter som använder klassisk orkestrering ett ämne genom att jämföra användarens yttrande med varje ämnes utlösarfraser.

Systemet normaliserar identifierade entiteter med sina entitetstyper och beräknar likheten baserat på det normaliserade formuläret. Den här metoden kan öka avsiktsigenkänningen, men den kan också bredda matchningar på sätt som inte är uppenbara när du skapar utlösarfraser.

Anta till exempel att utlösarfrasen för Ämne A är Skapa ett möte med Alex, och en användares yttrande är Skapa ett möte med Susan.

Med textmatchning skulle likheten vara låg eftersom "Alex" och "Susan" är olika literalvärden. Med entitetsnormalisering kan likheten vara hög om båda värdena identifieras som samma entitetstyp (till exempel Personnamn). I så fall väljs ämne A även om det specifika namnet i användaryttrandet inte visas i utlösarfrasen.

Entitetsnormalisering gör agenter som använder klassisk orkestrering mer robusta för variabelt entitetsvärden och de kan tolerera bredare matchning.

Den här funktionen gäller för användningsfall som:

• Dina utlösarfraser skiljer sig främst efter entitetsvärden (namn, platser, datum, siffror) och du vill att ämnet ska matcha baserat på strukturen för begäran i stället för de exakta entitetstoken.
• Du förlitar dig på slutna entiteter eller andra strukturerade entiteter och vill ha högre träffsäkerhet under matchning.
• Du felsöker låga matchningspoäng där man förväntar sig entitetsstandardisering men där det inte sker. Detta beror på att ämnet inte innehåller några berättigade entiteter för standardisering. Till exempel finns endast dynamiska listentiteter, som inte deltar i normaliseringen när händelsen aktiveras.

Interpunktion

NLU-modellen fungerar på samma sätt oavsett interpunktion, inklusive frågetecken.

Skapa nya triggerfraser

Om möjligt, börja med riktig produktionsdata istället för att hitta på egna triggerfraser. De bästa triggerfraserna liknar faktiska data från användare. Dessa fraser är de som användarna ställer till en utplacerad agent.

Glöm inte ut specifika ord. Modellen ger mindre vikt åt onödiga ord, såsom stoppord. Stoppord är ord som systemet filtrerar bort innan man bearbetar naturligt språkdata eftersom de är obetydliga.

Optimer triggerfraser

Följande bästa praxis hjälper dig att optimera dina triggerfraser.

Balansera antalet utlösande fraser per ämne

Försök att balansera antalet utlösande fraser mellan ämnen. På så sätt övervikter inte NLU-funktionerna ett ämne jämfört med ett annat baserat på de konfigurerade utlösande fraserna.

Utvärdera dina förändringar

Efter att du uppdaterat triggerfraser eller slagit ihop eller delat upp ämnen, utvärdera förändringarna. Ett exempel:

• Du märker en omedelbar förändring i agentens beteende genom testchatten. Till exempel kan ett ämne triggas eller sluta triggas baserat på uppdateringar av triggerfraser.
• Efter att du har distribuerat din agent och hanterat trafiken ser du högre eller lägre avledningshastigheter (icke-eskalationshastigheter). Om du vill se dessa priser går du till sidan Analytics i Copilot Studio.

Troubleshooting

Om en agent svarar flera gånger på ett meddelande från en enskild användare eller utlöser ett oväntat ämne orsakar överlappande utlösarfraser eller motstridiga ämneskonfigurationer ofta problemet.

Använd följande steg för att diagnostisera och lösa problemet:

1. Verifiera agentkonfigurationen:

   • Gå igenom alla ämnen för att säkerställa att varje har ett unikt syfte och tydligt definierade triggerfraser.
   • Bekräfta att endast ett ämne är konfigurerat för att automatiskt svara på en specifik användarinput.

2. Kontrollera om avsikter eller villkor överlappar:

   • Identifiera triggerfraser som är liknande inom flera ämnen.
   • Gå igenom villkor, entiteter och systemämnen som kan utvärderas som sanna för samma användarmeddelande.

3. Justera ämnesprioritet och omfattning:

   • Förfina utlösarfraser så att mer specifika ämnen matchar före bredare ämnen.
   • För att förhindra duplicerade svar inaktiverar, sammanfogar eller begränsar du ämnen som överlappar i funktioner.