Ontwikkel effectieve taalverwerking

Het begrijpen van natuurlijke taal (NLU) vormt de kern van de manier waarop Copilot Studio-agents inzicht hebben in gebruikersquery's en relevante, contextuele antwoorden bieden. Een goed gedefinieerde aanpak van intentieherkenning, entiteitsextractie en fallback-afhandeling zorgt ervoor dat agenten efficiënte, natuurlijke gesprekken voeren die aansluiten bij zakelijke behoeften.

Wanneer een gebruiker iets invoert aan een agent, wordt dat een uiting genoemd. De agent moet die uiting opsplitsen in intentie en entiteiten, zodat de reactie van de agent zowel natuurlijk als efficiënt aanvoelt.

Wat is taalbegrip?

Taalbegrip (LU) is een subgebied van Natural Language Processing (NLP) dat zich richt op het in staat stellen van machines om de betekenis, intentie en context achter menselijke taal te begrijpen.

Diagram dat taalbegripverwerking illustreert.

Taalbegrip omvat:

  • Intentieherkenning: Identificeren wat de gebruiker wil bereiken (bijvoorbeeld, "Boek volgende week een vlucht naar Parijs" sluit aan bij de intentie om een vlucht te boeken).
  • Entiteitsextractie: Het extraheren van belangrijke details zoals data, locaties of namen (bijvoorbeeld "Parijs" als bestemming, "volgende week" als reisdatum).
  • Contextbewustzijn: Het behouden van continuïteit en het oplossen van ambiguïteiten in gesprekken (bijvoorbeeld het begrijpen van voornaamwoorden of referenties).
  • Omgaan met ambiguïteiten: Context gebruiken om woorden met meerdere betekenissen op te lossen (bijvoorbeeld "bank" als financiële instelling of rivieroever).

Taalkennis in Copilot Studio

Copilot Studio heeft een flexibel model voor taalkennis, met meerdere configuratieopties.

Generatieve orkestratie

Generatieve orkestratie gebruikt taalmodellen om onderwerpen, acties en kennis intelligent aan elkaar te koppelen. Deze mogelijkheid maakt multi-intentieherkenning, geavanceerde entiteitsextractie en dynamische plangeneratie voor complexe queries mogelijk.

Deze methode is de standaardmethode voor Copilot Studio. Deze aanpak herkent meerdere intenties of onderwerpen in één uiting, schakelt automatisch acties en kennisbronnen aan elkaar en genereert uniforme reacties. Het is vooral nuttig voor het voeren van complexe gesprekken die meerdere bedrijfsgebieden beslaan. Generatieve orkestratie kent grenzen, zoals vijf berichten per onderwerp of actieketen, en 128 onderwerpen of acties per orkestratie, maar het biedt een krachtige manier om de breedte van het gesprek op te schalen.

Lees meer in Generatieve orkestratiemogelijkheden toepassen.

Klassieke orkestratie

Klassieke orkestratie gebruikt triggerfrasen en deterministische topic routing. Als de uiting van een gebruiker overeenkomt met een activeringszin, wordt het bijbehorende onderwerp gestart. Als er geen match is, zoeken vanghulpmechanismen in kennisbronnen of vragen de gebruiker om verduidelijking.

Ingebouwde NLU

Deze aanpak was de standaard, maar is nu de fallback-aanpak. Copilot Studio biedt een out-of-the-box NLU-model dat triggertermen, vooraf gedefinieerde entiteiten en aangepaste entiteiten ondersteunt. Dit model stelt agenten in staat om de intentie van de gebruiker te identificeren en belangrijke details zoals data, bestemmingen of hoeveelheden rechtstreeks uit een query te halen.

NLU+

Voor hoge nauwkeurigheid gebruik je de NLU+-optie. De NLU+ optie is ideaal voor grote zakelijke toepassingen. Deze typen toepassingen bestaan doorgaans uit een groot aantal onderwerpen en entiteiten en gebruiken een groot aantal trainingsvoorbeelden. Als u een agent met spraakfunctionaliteit hebt, worden uw NLU+ trainingsgegevens ook gebruikt om uw spraakherkenningsmogelijkheden te optimaliseren.

Azure CLU-integratie

Voor geavanceerdere scenario's waarin u de standaardgeneratieve indeling niet kunt gebruiken, kunt u Azure Conversational Language Understanding (CLU) integreren. CLU biedt meer personalisatie, meertalige ondersteuning en complexe entiteitsextractie (bijvoorbeeld meerdere "van"-entiteiten). U moet CLU-intenties toewijzen aan Copilot Studio-onderwerpen om ze gesynchroniseerd te houden. Deze optie is vooral waardevol voor branchespecifieke woordenlijsten, niet-Engelse talen of scenario's waarvoor een hogere nauwkeurigheid is vereist.

Belangrijkste kenmerken en beperkingen

In deze tabel worden de drie taalbegripmethoden in Copilot Studio vergeleken. Het benadrukt hun belangrijkste kenmerken en beperkingen om u te helpen het juiste model te kiezen voor de complexiteit, schaal en nauwkeurigheid van uw makelaar.

Kenmerken en beperkingen Generatieve orkestratie Ingebouwd NLU-model Azure CLU-model op maat
Belangrijke functies
  • Gebruikt een groot taalmodel
  • Behandelt complexe uitingen met meerdere intenties, onderwerpen/handelingen en kennis
  • Genereert automatisch vragen voor ontbrekende invoer
  • Maakt correcties mogelijk tijdens het draaien
  • Levert een uniform antwoord op basis van de output van onderwerpen, acties en kennis
  • Standaard voorgetraind model met vooraf gedefinieerde entiteitstypen
  • Geconfigureerd met triggerzinnen en aangepaste entiteiten (gesloten lijsten of regex)
  • Ondersteunt meer talen met native modellen
  • Aanpasbaar intentie-triggerend model voor nauwkeurigheid of branchespecifieke behoeften
  • Geavanceerde entiteitsextractie (bijvoorbeeld hetzelfde type, stille extractie)
  • Entiteitextractie kan gebruikmaken van Copilot Studio standard NLU
Limits
  • Vijf berichten per onderwerp/actieketen
  • Limiet van 128 onderwerpen en acties voor triggering
  • Enkelvoudige intentieherkenning per opvraging
  • Kan niet verlengd worden
  • Het invullen van meerdere entiteiten van hetzelfde type vereist disambiguatie.
  • Enkelvoudige intentieherkenning per opvraging
  • configuratie en extra kosten op basis van Azure
  • Heeft Azure servicelimieten
  • Azure CLU-intenties en Copilot Studio-onderwerpen moeten zorgvuldig worden gesynchroniseerd.

Lees meer in overzicht van natuurlijke taalkennis (NLU).

Onderwerpstructuur en vangnet

De onderwerpen zijn verschoven van een rigide, intentiegerichte weg naar een flexibelere, orkestratiegerichte aanpak. In plaats van uitsluitend te vertrouwen op vooraf gedefinieerde triggers en paden, fungeren onderwerpen nu als modulaire instructies waarop de agent kan terugvallen bij het orkestreren van een gesprek. Generatieve orkestratie behandelt de meeste routering door gebruikersinvoer dynamisch te interpreteren, en topics bieden gestructureerde fallback wanneer precisie nodig is.

Het meer traditionele gestructureerde thema-ontwerp zorgt ervoor dat gesprekken natuurlijk en efficiënt aanvoelen. Onderwerpen kunnen toegangspunten zijn die worden geactiveerd door gebruikersuitingen of herbruikbare subonderwerpen die worden aangeroepen door doorverwijzingen of systeemgebeurtenissen. Disambiguatieonderwerpen helpen verwarring te voorkomen wanneer meerdere onderwerpen kunnen worden getriggerd, terwijl achtervangonderwerpen en gespreksversterkende onderwerpen vangnetten bieden wanneer de agent de intentie niet met vertrouwen kan traceren. Je kunt ook generatieve antwoorden toevoegen die je uit externe kennisbronnen haalt, zodat gebruikers zelden zonder antwoord zitten.

Lees meer in Best practices toepassen bij het schrijven van onderwerpen.

Lokalisatie en talen

De taal die wordt gebruikt door een Copilot Studio-agent wordt bepaald door de waarde van de systeemvariabele: System.User.Language.

Deze variabele fungeert als het centrale controlepunt voor al het taalgerelateerd gedrag van de agent. Je kunt de waarde handmatig instellen, programmatisch instellen of automatisch laten detecteren.

Hoe werkt het?

  • Zoekkennis in de taal van de gebruiker: Copilot Studio gebruikt de waarde van System.User.Language om in de opgegeven taal te zoeken naar kennisbronnen. Deze aanpak betekent dat zelfs als een gebruiker een vraag in één taal stelt, de agent de zoekopdracht vertaalt naar de taal die in System.User.Language is ingesteld (automatische vertaling voor zoekzoekopdracht).

  • Reageer in de taal van de gebruiker: De agent genereert antwoorden in de door , gespecificeerde System.User.Languagetaal, ongeacht de taal die in de vraag of de originele documenten wordt gebruikt (automatische vertaling voor antwoordgeneratie).

  • Handmatige overname: Je kunt handmatig de waarde van System.User.Language instellen om de agent te verplichten om in een specifieke taal te werken. Deze functie is nuttig voor testen of voor situaties waarin je de taal expliciet moet besturen. Meer informatie in Configureren en meertalige agents maken.

Automatisch gesproken taal detecteren

U kunt Copilot Studio configureren om automatisch de gesproken of geschreven taal van de gebruiker te detecteren en de variabele System.User.Language dienovereenkomstig in te stellen. Deze functie maakt naadloze meertalige ervaringen mogelijk zonder dat gebruikers hun taalvoorkeur hoeven op te geven.

Hoe automatische detectie werkt

  • Trigger-gebaseerde detectie: Wanneer de bot een bericht ontvangt, start een trigger een taaldetectiestroom.
  • Stel systeemvariabele in: De bot wijst de gedetecteerde taal toe aan System.User.Language.
  • Dynamische reactie: De agent zet het gesprek voort in de gedetecteerde taal, waarbij hij zowel kennis zoekt als antwoorden genereert.

Vergoedingen

  • Gepersonaliseerde ervaring: Gebruikers communiceren in hun voorkeurstaal zonder handmatige configuratie.
  • Consistente ervaring: Alle antwoorden en kennisopvragingen komen overeen met de gedetecteerde of ingestelde taal.
  • Schaalbare oplossing: Ondersteunt wereldwijde implementaties met minimale configuratie.

Tip

Bekijk de voorbeeldoplossing die laat zien hoe Copilot Studio-agents automatisch de gesproken taal van een gebruiker kunnen detecteren en overschakelen naar een van de door de maker goedgekeurde talen voor de agent bij Auto Detect Language for Ative Responses.

Best practices voor lokalisatie

  • Configureer ondersteunde talen: Definieer primaire en secundaire talen voor je agent. Gebruik lokalisatiebestanden (JSON of ResX) om vertalingen te leveren voor prompts, berichten en onderwerpen.
  • Test meertalige scenario's: Simuleer gebruikersinteracties in verschillende talen om soepele overgangen en nauwkeurige antwoorden te garanderen.
  • Gebruik automatisch vertalen: Vertrouw op de ingebouwde vertaling van Copilot Studio voor het genereren van kenniszoekopdrachten en antwoorden, maar geef aangepaste vertalingen op voor kritieke of genuanceerde inhoud.
  • Monitor en verfijn: Gebruik analyses om taalgebruik te volgen en de lokalisatiedekking in de loop van de tijd te verbeteren.

taalmethoden voor Copilot Studio-agent:

  • Aparte agenten per taal.
  • Enkeltalige agenten met vooraf geschreven vertalingen.
  • Meertalige agenten in realtime, die vertaaldiensten gebruiken tussen de gebruiker en de agent.

De juiste aanpak hangt af van het gebruik, zorgen over de scheiding, schaal, de frequentie van updates en beschikbare middelen.

Geïdentificeerde technische uitdagingen

Veelvoorkomende uitdagingen zijn ervoor te zorgen dat Azure CLU- en Copilot Studio-onderwerpen gesynchroniseerd blijven, dubbelzinnige utterances verwerken en meertalige implementaties schalen. Vroegtijdige identificatie van deze obstakels stelt u in staat om mitigatiestrategieën te plannen, zoals terugvalconfiguraties, tests in bulk van triggerzinnen of vertalingen met behulp van relay-technologieën.

Het doel van taalbegrip is ervoor te zorgen dat elke agent gebruikersvragen nauwkeurig kan interpreteren, zich kan aanpassen aan diverse talen en scenario's, en op elegante wijze met het onverwachte kan omgaan. Dit doel creëert een sterke basis voor het bouwen van betrouwbare, aantrekkelijke en efficiënte Copilot Studio-gesprekken.

  • Last updated on