Design effektiv sproglig forståelse

Forståelse af naturligt sprog (NLU) er kernen i, hvordan Copilot Studio-agenter forstår brugerforespørgsler og leverer relevante og kontekstuelle svar. En veldefineret tilgang til genkendelse af hensigt, udtrækning af objekt og fallback-håndtering sikrer, at agenter leverer effektive, naturlige samtaler, der stemmer overens med virksomhedens behov.

Når en bruger angiver noget til en agent, kaldes det en ytring. Agenten skal opdele ytringen i hensigt og objekter, så agentens svar føles både naturligt og effektivt.

Hvad er forståelse af naturligt sprog?

Forståelse af naturligt sprog (LU) er et underområde til Natural Language Processing (NLP), der fokuserer på at gøre det muligt for maskiner at forstå betydning, hensigt og kontekst bag det menneskelige sprog.

Diagram, der illustrerer sprogforståelsesprocessen

Forståelse af naturligt sprog omfatter:

  • Genkendelse af hensigt: Identificering af, hvad brugeren ønsker at opnå ("Book en flyrejse til Paris i næste uge" matcher f.eks. hensigten om at booke en flyrejse).
  • Udtræk af objekt: Udtræk af vigtige oplysninger såsom datoer, steder eller navne (for eksempel "Paris" som destination og "næste uge" som rejsedato).
  • Kontekstbevidsthed: Bevaring af kontinuitet og løse tvetydigheder i samtaler (for eksempel forståelse af pronominer eller referencer).
  • Håndtering af tvetydigheder: Brug af kontekst til at løse ord med flere betydninger (for eksempel, "bank" som finansiel institution eller flodbred).

Forståelse af naturligt sprog i Copilot Studio

Copilot Studio har en fleksibel model til sprogforståelse med flere konfigurationsmuligheder.

Generativ orkestrering

Generativ orkestrering bruger sprogmodeller til at kæde emner, handlinger og viden sammen intelligent. Denne funktion muliggør genkendelse af flere hensigter, avanceret objektudtrækning og dynamisk plangenerering til komplekse forespørgsler.

Denne metode er standard i Copilot Studio. Denne tilgang genkender flere intentioner eller emner i en enkelt ytring, kæder automatisk handlinger og videnskilder sammen og genererer samlede svar. Det er især nyttigt til at håndtere komplekse samtaler, der spænder over flere forretningsområder. Generativ orkestrering har visse begrænsninger, såsom fem beskeder pr. emne eller handlingskæde og 128 emner eller handlinger pr. orkestrering, men giver mulighed for en avanceret skalering af samtalens omfang.

Læs mere i: Anvend generativ orkestreringsfunktioner.

Klassisk orkestrering

Klassisk orkestrering bruger udløserfrase og deterministisk emne-routing. Hvis en brugers ytring matcher en udløserfrase, kører det tilsvarende emne. Hvis der ikke er noget match, søger fallback-mekanismer i videnskilder eller beder brugeren om at uddybe.

Indbygget NLU

Denne tilgang var standarden, men er nu fallback-metoden. Copilot Studio leverer en standard-NLU-model, der understøtter udløserfraser, foruddefinerede enheder og brugerdefinerede enheder. Denne model gør det muligt for agenter at identificere brugerens hensigt og udtrække vigtige oplysninger som datoer, destinationer eller mængder direkte fra en forespørgsel.

NLU+

Hvis du har brug for høj nøjagtighed, skal du bruge NLU+. NLU+-muligheden er ideel til store virksomhedsprogrammer. Disse typer programmer består typisk af et stort antal emner og enheder og bruger et stort antal træningsprøver. Desuden bruges dine NLU+-træningsdata også til at optimere dine talegenkendelsesfunktioner, hvis du har en stemmeaktiveret agent.

Azure CLU-integration

Hvis du har mere avancerede scenarier, hvor du ikke kan bruge almindelig generativ orkestrering, kan du integrere Azure Conversational Language Understanding (CLU). CLU giver mulighed for større tilpasning, mulighed for flere sprog og kompleks objektudtrækning (for eksempel flere "fra"-objekter). Du skal kortlægge CLU-intentioner til Copilot Studio-emner for at holde dem synkroniserede. Denne mulighed er især værdifuld for branchespecifikke ordforråd, ikke-engelske sprog eller scenarier, der kræver højere nøjagtighed.

Nøglefunktioner og begrænsninger

Denne tabel sammenligner de tre sprogforståelsesmetoder i Copilot Studio. Den fremhæver deres nøglefunktioner og begrænsninger for at hjælpe dig med at vælge den rette model til din agents behov for kompleksitet, skala og nøjagtighed.

Funktioner og begrænsninger Generativ orkestrering Indbygget NLU-model Brugerdefineret Azure CLU-model
Nøglefunktioner
  • Bruger en stor sprogmodel
  • Håndterer komplekse ytringer med flere hensigter, emner/handlinger og viden
  • Genererer automatisk spørgsmål til manglende input
  • Tillader korrektioner, mens den kører
  • Genererer et samlet svar baseret på resultaterne af emner, handlinger og viden
  • Færdigtrænet standardmodel med foruddefinerede objekttyper
  • Konfigureret med udløserfraser og brugerdefinerede objekter (lukkede lister eller regex)
  • Understøtter flere sprog med oprindelige modeller
  • Model, der kan tilpasses, med hensigtsudløser, der er nøjagtig eller opfylder branchespecifikke behov
  • Avanceret objektudtrækning (for eksempel samme type og stille udtrækning)
  • Objektudtrækning kan bruge Copilot Studio standard NLU
Grænser
  • Fem beskeder pr. emne- og handlingskæde
  • Maksimalt 128 emner og handlinger, der kan udløses
  • Genkendelse af enkelt intention pr. forespørgsel
  • Kan ikke udvides
  • Udfyldning af rubrik med flere objekter af samme type kræver flertydige udtryk
  • Genkendelse af enkelt intention pr. forespørgsel
  • Azure-baseret konfiguration og ekstra omkostninger
  • Har Azure-servicebegrænsninger
  • Azure CLU-hensigter og Copilot Studio-emner skal holdes omhyggeligt synkroniseret.

Få flere oplysninger i Oversigt over forståelse af naturligt sprog (NLU).

Emnestruktur og fallback

Emnerne har udviklet sig fra en rigid og hensigtsbaseret sti til en mere fleksibel, orkestreringsbaseret tilgang. I stedet for udelukkende at være afhængig af foruddefinerede udløsere og stier fungerer emner nu som modulære instruktioner, som agenten kan benytte, når en samtale orkestreres. Generativ orkestrering håndterer det meste routing ved dynamisk at fortolke brugerinput, og emner giver struktureret fallback, når præcision er nødvendig.

Det mere traditionelle strukturerede emnedesign får samtaler til at føles naturlige og effektive. Emner kan være indgangspunkter, der udløses af brugerudtalelser, eller genanvendelige underemner, der kaldes af omdirigeringer eller systembegivenheder. Flertydige emner hjælper med at undgå forvirring, når flere emner potentielt kan udløses, mens fallback- og samtaleforbedring emner fungerer som sikkerhedsnet, når agenten ikke med sikkerhed kan matche hensigten. Du kan også integrere generative svar, der hentes fra eksterne videnskilder, hvilket sikrer, at brugerne sjældent går uden et svar.

Få mere at vide i Følg bedste praksis for oprettelse af emner.

Lokalisering og sprog

Copilot Studio-agentens sprogvalg afhænger af systemvariablens værdi: System.User.Language.

Denne variabel fungerer som det centrale kontrolpunkt for al sprogrelateret adfærd hos agenten. Du kan sætte dens værdi manuelt, via programmering eller få den detekteret automatisk.

Hvordan fungerer det?

  • Søg efter videnskilder på brugerens sprog: Copilot Studio bruger værdien af System.User.Language til at søge efter videnskilder på det angivne sprog. Denne tilgang betyder, at selv hvis en bruger stiller et spørgsmål på ét sprog, så oversætter agenten søgeforespørgslen til det sprog, der er valgt i System.User.Language (automatisk oversættelse af søgeforespørgslen).

  • Svar på brugerens sprog: Agenten genererer svar på det sprog, der er angivet af System.User.Language, uanset hvilket sprog der bruges i spørgsmålet eller de oprindelige dokumenter (automatisk oversættelse for svargenerering).

  • Manuel tilsidesættelse: Du kan vælge værdien af System.User.Language manuelt og få agenten til at fungere på et bestemt sprog. Denne funktion er nyttig til testformål eller i scenarier, hvor du eksplicit skal kontrollere sproget. Flere oplysninger i Konfigurere og oprette flersprogede agenter.

Automatisk registrering af talt sprog

Du kan konfigurere Copilot Studio til at opdage brugerens talte eller skrevne sprog automatisk og indstille variablen System.User.Language derefter. Denne gør det nemt og muligt at bruge flere sprog, uden at brugerne skal specificere deres sprogpræference.

Sådan fungerer automatisk registrering

  • Udløserbaseret registrering: Når robotten modtager en besked, starter en udløser en sprogregistreringsproces.
  • Vælg systemvariabel: Robotten tildeler det registrerede sprog til System.User.Language.
  • Dynamisk svar: Agenten fortsætter samtalen på det registrerede sprog, både når den søger efter viden og genererer svar.

Personalegoder

  • Tilpasset oplevelse: Brugere interagerer på deres foretrukne sprog uden manuel konfiguration.
  • Ensartet oplevelse: Alle svar og søgninger efter viden tilpasses det registrerede eller valgte sprog.
  • Skalerbar løsning: Understøtter globale udrulninger med minimal konfiguration.

Tip

Gennemgå eksempelløsningen, der viser, hvordan Copilot Studio-agenter automatisk kan finde en brugers talte sprog og skifte til et af de udviklergodkendte sprog til agenten på Automatisk sproggenkendelse til generative svar.

Bedste praksis for lokalisering

  • Konfigurer understøttede sprog: Angiv primære og sekundære sprog til din agent. Brug lokaliseringsfiler (JSON eller ResX) til at give mulighed for oversættelser til prompter, beskeder og emner.
  • Test flersprogede scenarier: Simulér brugerinteraktioner på forskellige sprog for at sikre nemme overgange og nøjagtige svar.
  • Brug automatisk oversættelse: Benyt Copilot Studios indbyggede oversættelse til vidensøgning og generering af svar, men brug egne oversættelser til kritisk eller nuanceret indhold.
  • Overvåg og finpuds: Brug analyser til at holde øje med sprogbrug og forbedre lokaliseringsdækningen med tiden.

Sprogtilgange for Copilot Studio-agenter:

  • Adskil agenter efter sprog.
  • Enkelte flersprogede agenter med oversættelser, der er lavet på forhånd.
  • Realtidsagenter med flere sprog, der anvender oversættelsestjenester mellem bruger og agent.

Den rette tilgang afhænger af brug, hensyn til adskillelse, skala, opdateringsrytme og tilgængelige ressourcer.

Identificerede tekniske udfordringer

Eksempler på typiske udfordringer er at sikre, at Azure CLU- og Copilot Studio-emner forbliver synkroniserede, håndtering af tvetydige ytringer samt skalering af flersprogede udrulninger. Tidlig identifikation af disse forhindringer giver dig mulighed for at planlægge afhjælpningsstrategier, såsom fallback-konfigurationer, massetest af udløserfraser eller relæbaserede oversættelsestjenester.

Målet med sprogforståelse er at sikre, at hver agent kan fortolke brugerforespørgsler nøjagtigt, tilpasse sig forskellige sprog og scenarier og håndtere det uventede på en elegant måde. Dette mål skaber et stærkt fundament for at opbygge pålidelige, engagerende og effektive Copilot Studio-samtaler.

  • Last updated on