Design effektive triggerfraser

Utløseruttrykk er grunnlaget for effektiv emnegjenkjenning i Copilot Studio. De trener agentens naturlige språkforståelsesmodell (NLU) til å identifisere når brukere spør om spesifikke temaer. Ved å bruke triggerfraser kan agenten din styre samtalene til riktig tema med nøyaktighet.

Hva er utløseruttrykk i Copilot Studio?

Utløseruttrykk trener agentens modell for naturlige språkforståelse. Utløseruttrykk angir for agenten hvilke vanlige brukerytringer som skal utløse et bestemt emne.

Triggerfraser fanger vanligvis hvordan en bruker spør om et problem eller et problem. For eksempel kan en trigger-frase være «problem med ugress i plenen».

Når du oppretter et nytt emne, trenger du bare å oppgi noen få eksempelfraser (ideelt sett mellom 5 og 10). Under kjøretid analyserer KI-en det brukeren sier og utløser emnet som er nærmest brukerens ytring i betydning. Lær mer i Velg effektive trigger-fraser.

Viktigheten av den utløsende konteksten

Copilot Studio NLU oppfører seg annerledes basert på samtaletilstanden. Denne oppførselen kan noen ganger føre til ulike atferder for samme brukeruttalelse.

Dette er de ulike diskusjonstilstandene:

• Start på samtalen: Agenten har ingen kontekst, så en brukeruttalelse forventes å enten:

  • Utløs et emne direkte (intensjonsgjenkjenning).
  • Utløse et «mente du»-avklaringsspørsmål (Samsvarer med flere emner) blant hensiktskandidater hvis det finnes flere samsvarende emner.
  • Gå til et basisemne hvis intensjonen ikke gjenkjennes.

• Etter at en «mente du?»-melding (Flere emner samsvarte) utløses: NLU optimaliserer for å matche et av de foreslåtte emnene, med høyere terskler for å gå ut av de presenterte alternativene.

• Bytte ut fra et nåværende tema: Hvis NLU-en prøver å fylle en plass i et emne, og brukeren gir en brukerforespørsel som kan utløse et annet emne (emnebytte).

Enhetsnormalisering og emneutløsing

Ved kjøring velger agenter som bruker klassisk orkestrering et emne ved å sammenligne brukerens ytring med hvert emnes utløseruttrykk.

Systemet normaliserer oppdagede enheter til enhetstypene og beregner likhet basert på det normaliserte skjemaet. Denne metoden kan øke hensiktsgjenkjenningen, men den kan også utvide treff på måter som ikke er åpenbare når du oppretter utløseruttrykk.

La oss for eksempel si at utløseruttrykket for emne A er Opprett et møte med Alex, og en brukers ytring er Opprett et møte med Susan.

Med bare tekstsamsvar ville likheten vært lav fordi «Alex» og «Susan» er forskjellige litterale verdier. Med enhetsnormalisering kan likheten være høy hvis begge verdiene gjenkjennes som samme enhetstype (for eksempel Personnavn). I så fall velges emne A selv om det bestemte navnet i brukerytringen ikke vises i utløseruttrykket.

Enhetsnormalisering gjør agenter som bruker klassisk orkestrering mer robuste til variable enhetsverdier, og de kan tolerere bredere samsvar.

Denne funksjonen gjelder for brukstilfeller, for eksempel:

• Utløseruttrykkene varierer hovedsakelig etter enhetsverdier (navn, plasseringer, datoer, tall), og du vil at emnet skal samsvare basert på strukturen i forespørselen i stedet for de nøyaktige enhetstokenene.
• Du er avhengig av lukkede listeenheter eller andre strukturerte enheter og ønsker høyere tilbakekalling under samsvar.
• Du feilsøker resultater med lave treff der enhetsnormalisering forventes, men ikke skjer fordi emnet ikke inneholder kvalifiserte enheter for normalisering. Det finnes for eksempel bare dynamiske listeenheter, som ikke deltar i normalisering på utløsertidspunktet.

Tegnsetting

NLU-modellen fungerer på samme måte uavhengig av tegnsetting, inkludert spørsmålstegn.

Lag nye triggerfraser

Hvis mulig, start med ekte produksjonsdata i stedet for å finne på egne triggerfraser. De beste trigger-frasene ligner på faktiske data fra brukere. Disse setningene er de som brukerne spør en utrullet agent.

Ikke utelat spesifikke ord. Modellen gir mindre vekt til unødvendige ord, som stoppord. Stoppord er ord som systemet filtrerer ut før det behandler naturlige språkdata fordi de er ubetydelige.

Optimaliser triggerfraser

Følgende beste praksis hjelper deg å optimalisere triggerfrasene dine.

Balanser antall utløseruttrykk per emne

Prøv å balansere antall utløseruttrykk mellom emner. På den måten legger ikke NLU-funksjonene mer vekt på et emne sammenlignet med andre basert på de konfigurerte utløseruttrykkene.

Vurder endringene dine

Etter at du har oppdatert triggerfraser eller slått sammen eller delt temaer, vurder endringene. Eksempel:

• Du observerer en umiddelbar endring i agentens atferd gjennom testchatten. For eksempel kan et tema utløse eller slutte å utløses basert på oppdateringer av triggerfraser.
• Etter at du har deployert agenten din og håndtert trafikk, ser du høyere eller lavere avbøyningsrater (ikke-eskalasjonsrater). Hvis du vil observere disse satsene, går du til siden Analytics i Copilot Studio.

Feilsøking

Hvis en agent svarer flere ganger på én enkelt brukermelding eller utløser et uventet emne, forårsaker overlappende utløseruttrykk eller motstridende emnekonfigurasjoner ofte problemet.

Bruk følgende fremgangsmåte for å diagnostisere og løse problemet:

1. Verifiser agentkonfigurasjonen:

   • Gå gjennom alle temaene for å sikre at hvert tema har et unikt formål og tydelig definerte triggerfraser.
   • Bekreft at kun ett emne er konfigurert til å svare automatisk på en spesifikk brukerinput.

2. Sjekk for overlappende intensjoner eller betingelser:

   • Identifiser triggerfraser som er like på tvers av flere temaer.
   • Gå gjennom betingelser, entiteter og systemtemaer som kan vurderes som sanne for samme brukermelding.

3. Juster temaets prioritet og omfang:

   • Begrens utløseruttrykk slik at mer spesifikke emner samsvarer før bredere emner.
   • Hvis du vil forhindre dupliserte svar, deaktiverer, fletter eller begrenser du emner som overlapper i funksjonalitet.