ออกแบบวลีทริกเกอร์ที่มีประสิทธิภาพ

วลีทริกเกอร์เป็นรากฐานของการจดจําหัวข้อที่มีประสิทธิภาพใน Copilot Studio พวกเขาฝึกโมเดลความเข้าใจภาษาธรรมชาติ (NLU) ของตัวแทนของคุณเพื่อระบุเมื่อผู้ใช้ถามเกี่ยวกับหัวข้อเฉพาะ ด้วยการใช้วลีทริกเกอร์ ตัวแทนของคุณสามารถกําหนดเส้นทางการสนทนาไปยังหัวข้อที่ถูกต้องได้อย่างแม่นยํา

วลีทริกเกอร์ใน Copilot Studio คืออะไร

ข้อความทริกเกอร์ฝึกโมเดลความเข้าใจภาษาธรรมชาติ (NLU) ของเอเจนต์ของคุณ วลีทริกเกอร์บ่งชี้ถึงตัวแทนซอฟต์แวร์ว่าเมื่อใดที่คำพูดของผู้ใช้ทั่วไปควรจะทำให้เกิดหัวข้อที่เฉพาะเจาะจง

โดยทั่วไปวลีทริกเกอร์จะบันทึกวิธีที่ผู้ใช้ถามเกี่ยวกับปัญหาหรือปัญหา ตัวอย่างเช่น วลีทริกเกอร์อาจเป็น "ปัญหาเกี่ยวกับวัชพืชในสนามหญ้า"

เมื่อคุณสร้างหัวข้อใหม่ คุณจะต้องใส่วลีตัวอย่างสองถึงสามวลีเท่านั้น (ซึ่งเหมาะสําหรับค่าระหว่าง 5 และ 10) ในขณะรันไทม์ AI จะแยกวิเคราะห์สิ่งที่ผู้ใช้พูดและทริกเกอร์หัวข้อที่มีความหมายใกล้เคียงกับคำพูดของผู้ใช้มากที่สุด ดูข้อมูลเพิ่มเติมในหัวข้อเลือกวลีทริกเกอร์ที่มีประสิทธิภาพ

ความสําคัญของบริบททริกเกอร์

Copilot Studio NLU ทํางานแตกต่างกันตามสถานะการสนทนา ลักษณะการทํางานนี้บางครั้งอาจนําไปสู่พฤติกรรมที่แตกต่างกันสําหรับคําพูดของผู้ใช้เดียวกัน

ต่อไปนี้คือสถานะการสนทนาต่างๆ:

• การเริ่มต้นการสนทนา: ตัวแทนไม่มีบริบท ดังนั้นคําพูดของผู้ใช้จึงคาดว่าจะ:

  • เริ่มต้นหัวข้อโดยตรง (การรับรู้เจตนา)
  • กระตุ้นคำถามเพื่อแก้ความกำกวม "คุณหมายความว่า" (จับคู่หลายหัวข้อ) สำหรับผู้สมัครเจตนาที่มีหัวข้อตรงกันหลายหัวข้อ
  • ไปยังหัวข้อสำรองถ้าไม่รู้จักจุดประสงค์

• หลังจาก "คุณหมายถึง" (ตรงกันหลายหัวข้อ) ถูกทริกเกอร์: NLU จะปรับให้ตรงกับหนึ่งในหัวข้อที่แนะนำ โดยมีการตั้งเกณฑ์ที่สูงขึ้นเพื่อเลือกว่าไม่ใช้ตัวเลือกที่นำเสนอ

• การสลับออกจากหัวข้อปัจจุบัน: หาก NLU พยายามเติมช่องในหัวข้อ และผู้ใช้ให้คําค้นหาผู้ใช้ที่อาจทริกเกอร์หัวข้ออื่น (การสลับหัวข้อ)

การทําให้เอนทิตีเป็นมาตรฐานและการทริกเกอร์หัวข้อ

ในขณะทํางาน ตัวแทนที่ใช้การเรียงลําดับแบบคลาสสิกเลือกหัวข้อโดยการเปรียบเทียบคําพูดของผู้ใช้กับวลีทริกเกอร์ของแต่ละหัวข้อ

ระบบจะทําให้เอนทิตีที่ตรวจพบเป็นมาตรฐานตามประเภทเอนทิตีและคํานวณความคล้ายคลึงกันตามฟอร์มปกติ วิธีนี้สามารถเพิ่มการรู้จําเจตนา แต่ก็สามารถขยายการจับคู่ในรูปแบบที่ไม่ชัดเจนเมื่อคุณเขียนวลีทริกเกอร์

ตัวอย่างเช่น สมมติว่าวลีทริกเกอร์สําหรับ หัวข้อ A คือ สร้างการประชุมด้วย Alex และคําพูดของผู้ใช้คือ สร้างการประชุมกับซูซาน

ด้วยการจับคู่ข้อความเท่านั้น ความคล้ายคลึงกันจะต่ําเนื่องจาก "Alex" และ "Susan" มีค่าสัญพจน์ที่แตกต่างกัน ด้วยการทําให้เป็นมาตรฐานของเอนทิตี ความคล้ายคลึงกันอาจสูงหากค่าทั้งสองได้รับการรับรู้ว่าเป็นประเภทเอนทิตีเดียวกัน (ตัวอย่างเช่น ชื่อบุคคล) ในกรณีนั้น หัวข้อ A ถูกเลือกแม้ว่าชื่อเฉพาะในคําพูดของผู้ใช้จะไม่ปรากฏในวลีทริกเกอร์

การทําให้เป็นมาตรฐานของเอนทิตี้ทําให้ตัวแทนที่ใช้การเรียงลําดับแบบคลาสสิกมีประสิทธิภาพมากขึ้นสําหรับค่าเอนทิตีตัวแปรและสามารถทนต่อการจับคู่ที่กว้างขึ้นได้

คุณลักษณะนี้นําไปใช้กับกรณีเช่น:

• วลีทริกเกอร์ของคุณแตกต่างกันส่วนใหญ่ตามค่าเอนทิตี (ชื่อ ตําแหน่ง วันที่ ตัวเลข) และคุณต้องการให้หัวข้อตรงกันตามโครงสร้างของคําขอแทนที่จะเป็นโทเค็นเอนทิตีที่แน่นอน
• คุณพึ่งพาเอนทิตีรายการปิดหรือเอนทิตีที่มีโครงสร้างอื่น ๆ และต้องการการเรียกใช้ที่สูงขึ้นในระหว่างการจับคู่
• คุณกำลังแก้ไขปัญหาคะแนนการจับคู่ต่ำ ซึ่งควรจะมีการทำให้เป็นมาตรฐานของเอนทิตีแต่ไม่เกิดขึ้น เนื่องจากหัวข้อไม่มีเอนทิตีที่มีคุณสมบัติเหมาะสมสำหรับการทําให้เป็นมาตรฐาน ตัวอย่างเช่น มีเพียงเอนทิตีรายการแบบไดนามิกเท่านั้นที่ไม่เข้าร่วมในการทําให้เป็นมาตรฐานในเวลาทริกเกอร์

วรรคตอน

โมเดล NLU ทํางานในลักษณะเดียวกันโดยไม่คํานึงถึงเครื่องหมายวรรคตอน รวมถึงเครื่องหมายคําถาม

สร้างวลีทริกเกอร์ใหม่

ถ้าเป็นไปได้ ให้เริ่มต้นด้วยข้อมูลการผลิตจริงแทนที่จะสร้างวลีทริกเกอร์ของคุณเอง วลีทริกเกอร์ที่ดีที่สุดจะคล้ายกับข้อมูลจริงที่มาจากผู้ใช้ ข้อความเหล่านี้เป็นวลีที่ผู้ใช้ถามเอเจนต์ที่ปรับใช้

อย่าละทิ้งคำที่เฉพาะเจาะจง โมเดลให้น้ําหนักน้อยลงกับคําที่ไม่จําเป็น เช่น คําหยุด คําหยุดคือคําที่ระบบกรองออกก่อนที่จะประมวลผลข้อมูลภาษาธรรมชาติเนื่องจากไม่มีนัยสําคัญ

ปรับวลีทริกเกอร์ให้เหมาะสม

แนวทางปฏิบัติที่ดีที่สุดต่อไปนี้จะช่วยคุณปรับวลีทริกเกอร์ของคุณให้เหมาะสม

ปรับสมดุลจำนวนข้อความทริกเกอร์ต่อหัวข้อ

ลองปรับสมดุลจำนวนข้อความทริกเกอร์ระหว่างหัวข้อ ด้วยวิธีนี้ ความสามารถของ NLU จะไม่ทำให้หัวข้อมีน้ำหนักมากเกินไปเมื่อเทียบกับอีกหัวข้อตามข้อความทริกเกอร์กำหนดค่าไว้

ประเมินการเปลี่ยนแปลงของคุณ

หลังจากที่คุณอัปเดตวลีทริกเกอร์หรือผสานหรือแยกหัวข้อ ให้ประเมินการเปลี่ยนแปลง เช่น:

• คุณสังเกตเห็นการเปลี่ยนแปลงทันทีในพฤติกรรมของตัวแทนผ่านการแชททดสอบ ตัวอย่างเช่น หัวข้ออาจทริกเกอร์หรือหยุดทริกเกอร์ตามการอัปเดตวลีทริกเกอร์
• หลังจากปรับใช้เอเจนต์ของคุณและจัดการการรับส่งข้อมูล คุณจะเห็นอัตราการเบี่ยงเบนที่สูงขึ้นหรือต่ําลง (อัตราการไม่ยกระดับ) หากต้องการสังเกตอัตราเหล่านี้ ให้ไปที่หน้า Analytics ใน Copilot Studio

Troubleshooting

ถ้าตัวแทนตอบสนองหลายครั้งต่อข้อความของผู้ใช้เดียวหรือทริกเกอร์หัวข้อที่ไม่คาดคิด การซ้อนทับวลีทริกเกอร์หรือการกําหนดค่าหัวข้อที่ขัดแย้งกันมักจะเป็นสาเหตุให้เกิดปัญหา

ใช้ขั้นตอนต่อไปนี้ในการวินิจฉัยและแก้ไขปัญหา:

1. ตรวจสอบการกําหนดค่าตัวแทน:

   • ตรวจสอบหัวข้อทั้งหมดเพื่อให้แน่ใจว่าแต่ละหัวข้อมีจุดประสงค์เฉพาะตัวและวลีทริกเกอร์ที่กําหนดไว้อย่างชัดเจน
   • ยืนยันว่ามีการกําหนดค่าหัวข้อเดียวให้ตอบสนองต่อการป้อนข้อมูลของผู้ใช้ที่เฉพาะเจาะจงโดยอัตโนมัติ

2. ตรวจสอบเจตนาหรือเงื่อนไขที่ทับซ้อนกัน:

   • ระบุวลีทริกเกอร์ที่คล้ายคลึงกันในหลายหัวข้อ
   • ตรวจสอบเงื่อนไข เอนทิตี และหัวข้อของระบบที่อาจประเมินว่าเป็นจริงสําหรับข้อความผู้ใช้เดียวกัน

3. ปรับลําดับความสําคัญและขอบเขตของหัวข้อ:

   • ปรับปรุงวลีทริกเกอร์เพื่อให้ตรงกับหัวข้อที่เฉพาะเจาะจงมากขึ้นก่อนหัวข้อที่กว้างขึ้น
   • เพื่อป้องกันการตอบกลับซ้ํา ปิดใช้งาน ผสาน หรือทําให้หัวข้อแคบลงที่ทับซ้อนกับฟังก์ชันการทํางาน