Rychlý start: Pracovní postup Orchestrace

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.
• Projekt pro porozumění konverzačnímu jazyku

Přihlášení k sadě Language Studio

1. Přejděte do sady Language Studio a přihlaste se pomocí svého účtu Azure.

2. V okně Zvolit prostředek jazyka, které se zobrazí, vyhledejte své předplatné Azure a zvolte prostředek jazyka. Pokud prostředek nemáte, můžete vytvořit nový.

   Podrobnosti o instanci	Požadovaná hodnota
   Předplatné Azure	Vaše předplatné Azure.
   Skupina zdrojů Azure	Vaše skupina prostředků Azure.
   Název prostředku Azure	Název vašeho prostředku Azure.
   Umístění	Platné umístění pro váš prostředek Azure Například "USA – západ 2".
   Cenová úroveň	Podporovaná cenová úroveň vašeho prostředku Azure. Službu můžete vyzkoušet pomocí úrovně Free (F0).

   

Vytvoření projektu pracovního postupu orchestrace

Po vytvoření zdroje jazyka vytvořte projekt pracovního postupu orchestrace. Projekt je pracovní oblast pro vytváření vlastních modelů ML na základě vašich dat. K vašemu projektu má přístup jenom vy a ostatní, kteří mají přístup k používanému prostředku jazyka.

Pro účely tohoto rychlého startu dokončete rychlý start pro porozumění konverzačnímu jazyku a vytvořte projekt pro porozumění konverzačnímu jazyku, který se použije později.

1. V sadě Language Studio vyhledejte část s popiskem Vysvětlení otázek a konverzačního jazyka a vyberte Pracovní postup orchestrace.

   

2. Tím přejdete na stránku projektu pracovního postupu Orchestraation. Vyberte Vytvořit nový projekt. Pokud chcete vytvořit projekt, budete muset zadat následující podrobnosti:

Až budete hotovi, vyberte Další a zkontrolujte podrobnosti. Výběrem možnosti Vytvořit projekt dokončete proces. Teď byste měli vidět obrazovku Schémata sestavení v projektu.

Sestavení schématu

Po dokončení rychlého startu pro porozumění konverzačnímu jazyku a vytvoření projektu orchestrace je dalším krokem přidání záměrů.

Připojení k dříve vytvořenému projektu pro porozumění konverzačnímu jazyku:

• Na stránce schématu sestavení v projektu orchestrace vyberte Přidat a přidejte záměr.
• V zobrazeném okně zadejte název záměru.
• Vyberte Ano, chci ho připojit k existujícímu projektu.
• V rozevíracím seznamu připojených služeb vyberte Konverzační language Understanding.
• V rozevíracím seznamu s názvem projektu vyberte projekt pro porozumění konverzačnímu jazyku.
• Vyberte Přidat záměr a vytvořte svůj záměr.

Trénování vašeho modelu

Pokud chcete vytrénovat model, musíte zahájit trénovací úlohu. Výstupem úspěšné trénovací úlohy je trénovaný model.

Zahájení trénování modelu v sadě Language Studio:

1. V nabídce na levé straně vyberte Úlohy trénování .

2. V horní nabídce vyberte Spustit trénovací úlohu .

3. Vyberte Vytrénovat nový model a do textového pole zadejte název modelu. Existující model můžete také přepsat tak, že vyberete tuto možnost a zvolíte model, který chcete přepsat z rozevírací nabídky. Přepsání natrénovaného modelu je nevratné, ale nebude mít vliv na nasazené modely, dokud nový model nenasadíte.

   Pokud jste projektu povolili ruční rozdělení dat při označování promluv, zobrazí se dvě možnosti rozdělení dat:

   • Automatické rozdělení testovací sady z trénovacích dat: Označené promluvy se náhodně rozdělí mezi trénovací a testovací sady podle vybraných procent. Výchozí procentuální rozdělení je 80 % pro trénování a 20 % pro testování. Pokud chcete tyto hodnoty změnit, zvolte, kterou sadu chcete změnit, a zadejte novou hodnotu.

   Poznámka:

   Pokud zvolíte možnost Automatické rozdělení testovací sady z trénovacích dat , rozdělí se jenom promluvy ve vaší trénovací sadě podle zadaných procent.

   • Použijte ruční rozdělení trénovacích a testovacích dat: Přiřaďte jednotlivé promluvy buď trénovací, nebo testovací sadě během kroku označování projektu.

   Poznámka:

   Použití ručního rozdělení trénovacích a testovacích dat bude povoleno pouze v případě, že přidáte promluvy do testovací sady na stránce s daty značek. Jinak se zakáže.

   

4. Vyberte tlačítko Trénovat.

Nasazení modelu

Obecně platí, že po trénování modelu byste zkontrolovali jeho podrobnosti o vyhodnocení. V tomto rychlém startu jednoduše nasadíte model a zpřístupníte ho pro vyzkoušení v sadě Language Studio nebo můžete volat rozhraní API pro predikce.

Nasazení modelu v sadě Language Studio:

1. V nabídce na levé straně vyberte Nasazení modelu .

2. Vyberte Přidat nasazení a spusťte novou úlohu nasazení.

   

3. Výběrem možnosti Vytvořit nové nasazení vytvořte nové nasazení a v rozevíracím seznamu níže přiřaďte natrénovaný model. Existující nasazení můžete také přepsat tak, že vyberete tuto možnost a v rozevíracím seznamu níže vyberete natrénovaný model, který k němu chcete přiřadit.

   Poznámka:

   Přepsání existujícího nasazení nevyžaduje změny volání rozhraní API pro predikce, ale výsledky, které získáte, budou založené na nově přiřazeného modelu.

   

4. Pokud připojujete jednu nebo více aplikací LUIS nebo projektů pro porozumění konverzačním jazykům, musíte zadat název nasazení.

   • Pro vlastní odpovědi na otázky nebo nepřipojené záměry se nevyžadují žádné konfigurace.

   • Projekty LUIS musí být publikovány do slotu nakonfigurovaného během nasazování orchestrace a vlastní databáze pro odpovědi na otázky musí být také publikovány v produkčních slotech.

5. Výběrem možnosti Nasadit odešlete úlohu nasazení.

6. Po úspěšném nasazení se vedle něj zobrazí datum vypršení platnosti. Vypršení platnosti nasazení je v případě, že nasazený model nebude dostupný pro predikci, což obvykle nastane dvanáct měsíců po vypršení platnosti konfigurace trénování.

Testovací model

Po nasazení modelu ho můžete začít používat k předpovědím prostřednictvím rozhraní API pro predikce. V tomto rychlém startu použijete Language Studio k odeslání promluvy, získání předpovědí a vizualizaci výsledků.

Testování modelu ze sady Language Studio

1. V nabídce na levé straně vyberte Testovací nasazení .

2. Vyberte model, který chcete testovat. Můžete testovat jenom modely, které jsou přiřazené k nasazením.

3. V rozevíracím seznamu s názvem nasazení vyberte název nasazení.

4. Do textového pole zadejte promluvu, která se má otestovat.

5. V horní nabídce vyberte Spustit test.

6. Po spuštění testu by se ve výsledku měla zobrazit odpověď modelu. Výsledky můžete zobrazit v zobrazení karet entit nebo je zobrazit ve formátu JSON.

   

Vyčištění prostředků

Pokud už projekt nepotřebujete, můžete projekt odstranit pomocí sady Language Studio. V levé navigační nabídce vyberte Projekty , vyberte projekt, který chcete odstranit, a pak v horní nabídce vyberte Odstranit .

Požadavky

• Předplatné Azure – Vytvořte si ho zdarma.

Vytvoření prostředku jazyka z webu Azure Portal

Vytvoření nového prostředku z webu Azure Portal

1. Přejděte na web Azure Portal a vytvořte nový prostředek jazyka Azure AI.

2. Vyberte Pokračovat a vytvořte prostředek.

3. Vytvořte prostředek jazyka s následujícími podrobnostmi.

   Podrobnosti o instanci	Požadovaná hodnota
   Oblast	Jedna z podporovaných oblastí
   Název	Název vašeho prostředku jazyka
   Cenová úroveň	Jedna z podporovaných cenových úrovní

Získání klíčů prostředků a koncového bodu

1. Na webu Azure Portal přejděte na stránku přehledu prostředků.

2. V nabídce na levé straně vyberte Klíče a koncový bod. Pro požadavky rozhraní API použijete koncový bod a klíč.

   

Vytvoření projektu pracovního postupu orchestrace

Po vytvoření zdroje jazyka vytvořte projekt pracovního postupu orchestrace. Projekt je pracovní oblast pro vytváření vlastních modelů ML na základě vašich dat. K vašemu projektu má přístup jenom vy a ostatní, kteří mají přístup k používanému prostředku jazyka.

Pro účely tohoto rychlého startu dokončete rychlý start CLU a vytvořte projekt CLU, který se použije v pracovním postupu orchestrace.

Odešlete požadavek PATCH pomocí následující adresy URL, hlaviček a textu JSON k vytvoření nového projektu.

Adresa URL požadavku

Při vytváření požadavku rozhraní API použijte následující adresu URL. Nahraďte níže uvedené zástupné hodnoty vlastními hodnotami.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}

Hlavičky

K ověření požadavku použijte následující hlavičku.

Text

Jako tělo použijte následující ukázkový JSON.

{
  "projectName": "{PROJECT-NAME}",
  "language": "{LANGUAGE-CODE}",
  "projectKind": "Orchestration",
  "description": "Project description"
 }

Sestavení schématu

Po dokončení rychlého startu clu a vytvoření projektu orchestrace je dalším krokem přidání záměrů.

Odešlete požadavek POST pomocí následující adresy URL, hlaviček a textu JSON pro import projektu.

Adresa URL požadavku

Při vytváření požadavku rozhraní API použijte následující adresu URL. Nahraďte níže uvedené zástupné hodnoty vlastními hodnotami.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:import?api-version={API-VERSION}

Hlavičky

K ověření požadavku použijte následující hlavičku.

Text

Jako tělo použijte následující ukázkový JSON.

{
  "projectFileVersion": "{API-VERSION}",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectKind": "Orchestration",
    "settings": {
      "confidenceThreshold": 0
    },
    "projectName": "{PROJECT-NAME}",
    "description": "Project description",
    "language": "{LANGUAGE-CODE}"
  },
  "assets": {
    "projectKind": "Orchestration",
    "intents": [
      {
        "category": "string",
        "orchestration": {
          "kind": "luis",
          "luisOrchestration": {
            "appId": "00000000-0000-0000-0000-000000000000",
            "appVersion": "string",
            "slotName": "string"
          },
          "cluOrchestration": {
            "projectName": "string",
            "deploymentName": "string"
          },
          "qnaOrchestration": {
            "projectName": "string"
          }
        }
      }
    ],
    "utterances": [
      {
        "text": "Trying orchestration",
        "language": "{LANGUAGE-CODE}",
        "intent": "string"
      }
    ]
  }
}

Trénování vašeho modelu

Pokud chcete vytrénovat model, musíte zahájit trénovací úlohu. Výstupem úspěšné trénovací úlohy je trénovaný model.

K odeslání trénovací úlohy vytvořte požadavek POST pomocí následující adresy URL, hlaviček a textu JSON.

Adresa URL požadavku

Při vytváření požadavku rozhraní API použijte následující adresu URL. Nahraďte níže uvedené zástupné hodnoty vlastními hodnotami.

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}

Hlavičky

K ověření požadavku použijte následující hlavičku.

Text požadavku

V požadavku použijte následující objekt. Model bude pojmenován MyModel po dokončení trénování.

{
  "modelLabel": "{MODEL-NAME}",
  "trainingMode": "standard",
  "trainingConfigVersion": "{CONFIG-VERSION}",
  "evaluationOptions": {
    "kind": "percentage",
    "testingSplitPercentage": 20,
    "trainingSplitPercentage": 80
  }
}

Po odeslání požadavku rozhraní API obdržíte 202 odpověď, která značí úspěch. V hlavičce odpovědi extrahujte operation-location hodnotu. Bude formátován takto:

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

Tuto adresu URL můžete použít k získání stavu trénovací úlohy.

Get Training Status

Trénování může trvat 10 až 30 minut. Pomocí následujícího požadavku můžete pokračovat v dotazování stavu úlohy trénování, dokud se úspěšně nedokončil.

Stav průběhu trénování modelu získáte pomocí následujícího požadavku GET . Nahraďte níže uvedené zástupné hodnoty vlastními hodnotami.

Adresa URL požadavku

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

Hlavičky

K ověření požadavku použijte následující hlavičku.

Text odpovědi

Po odeslání požadavku se zobrazí následující odpověď. Pokračujte v dotazování na tento koncový bod, dokud se parametr stavu nezmění na "úspěch".

{
  "result": {
    "modelLabel": "{MODEL-LABEL}",
    "trainingConfigVersion": "{TRAINING-CONFIG-VERSION}",
    "estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
    "trainingStatus": {
      "percentComplete": 3,
      "startDateTime": "2022-04-18T15:45:06.8190649Z",
      "status": "running"
    },
    "evaluationStatus": {
      "percentComplete": 0,
      "status": "notStarted"
    }
  },
  "jobId": "xxxxxx-xxxxx-xxxxxx-xxxxxx",
  "createdDateTime": "2022-04-18T15:44:44Z",
  "lastUpdatedDateTime": "2022-04-18T15:45:48Z",
  "expirationDateTime": "2022-04-25T15:44:44Z",
  "status": "running"
}

Nasazení modelu

Obecně platí, že po trénování modelu byste zkontrolovali jeho podrobnosti o vyhodnocení. V tomto rychlém startu jednoduše nasadíte model a zavoláte rozhraní API pro predikce pro dotazování výsledků.

Odeslání úlohy nasazení

Vytvořte požadavek PUT pomocí následující adresy URL, hlaviček a textu JSON a začněte nasazovat model pracovního postupu orchestrace.

Adresa URL požadavku

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version={API-VERSION}

Hlavičky

K ověření požadavku použijte následující hlavičku.

Text požadavku

{
  "trainedModelLabel": "{MODEL-NAME}",
}

Po odeslání požadavku rozhraní API obdržíte 202 odpověď, která značí úspěch. V hlavičce odpovědi extrahujte operation-location hodnotu. Bude formátován takto:

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

Tuto adresu URL můžete použít k získání stavu úlohy nasazení.

Získání stavu úlohy nasazení

Stav úlohy nasazení získáte pomocí následujícího požadavku GET . Nahraďte níže uvedené zástupné hodnoty vlastními hodnotami.

Adresa URL požadavku

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

Hlavičky

K ověření požadavku použijte následující hlavičku.

Text odpovědi

Po odeslání požadavku se zobrazí následující odpověď. Pokračujte v dotazování na tento koncový bod, dokud se parametr stavu nezmění na "úspěch".

{
    "jobId":"{JOB-ID}",
    "createdDateTime":"{CREATED-TIME}",
    "lastUpdatedDateTime":"{UPDATED-TIME}",
    "expirationDateTime":"{EXPIRATION-TIME}",
    "status":"running"
}

Dotazování modelu

Po nasazení modelu ho můžete začít používat k předpovědím prostřednictvím rozhraní API pro predikce.

Po úspěšném nasazení můžete začít dotazovat nasazený model na předpovědi.

Vytvořte požadavek POST pomocí následující adresy URL, hlaviček a textu JSON a začněte testovat model pracovního postupu orchestrace.

Adresa URL požadavku

{ENDPOINT}/language/:analyze-conversations?api-version={API-VERSION}

Hlavičky

K ověření požadavku použijte následující hlavičku.

Text požadavku

{
  "kind": "Conversation",
  "analysisInput": {
    "conversationItem": {
      "text": "Text1",
      "participantId": "1",
      "id": "1"
    }
  },
  "parameters": {
    "projectName": "{PROJECT-NAME}",
    "deploymentName": "{DEPLOYMENT-NAME}",
    "directTarget": "qnaProject",
    "targetProjectParameters": {
      "qnaProject": {
        "targetProjectKind": "QuestionAnswering",
        "callingOptions": {
          "context": {
            "previousUserQuery": "Meet Surface Pro 4",
            "previousQnaId": 4
          },
          "top": 1,
          "question": "App Service overview"
        }
      }
    }
  }
}

Text odpovědi

Po odeslání požadavku získáte následující odpověď na predikci.

{
  "kind": "ConversationResult",
  "result": {
    "query": "App Service overview",
    "prediction": {
      "projectKind": "Orchestration",
      "topIntent": "qnaTargetApp",
      "intents": {
        "qnaTargetApp": {
          "targetProjectKind": "QuestionAnswering",
          "confidenceScore": 1,
          "result": {
            "answers": [
              {
                "questions": [
                  "App Service overview"
                ],
                "answer": "The compute resources you use are determined by the *App Service plan* that you run your apps on.",
                "confidenceScore": 0.7384000000000001,
                "id": 1,
                "source": "https://video2.skills-academy.com/azure/app-service/overview",
                "metadata": {},
                "dialog": {
                  "isContextOnly": false,
                  "prompts": []
                }
              }
            ]
          }
        }
      }
    }
  }
}

Vyčištění prostředků

Pokud už projekt nepotřebujete, můžete projekt odstranit pomocí rozhraní API.

Vytvořte požadavek DELETE pomocí následující adresy URL, hlaviček a textu JSON k odstranění projektu pro porozumění konverzačnímu jazyku.

Adresa URL požadavku

{ENDPOINT}/language/authoring/analyze-conversations/projects/{PROJECT-NAME}?api-version={API-VERSION}

Hlavičky

K ověření požadavku použijte následující hlavičku.

Po odeslání požadavku rozhraní API obdržíte 202 odpověď s informací o úspěchu, což znamená, že projekt byl odstraněn.