Glossario per la comprensione del linguaggio con vocabolario e concetti comuni

Il glossario luis (Language Understanding) illustra i termini che è possibile riscontrare mentre si lavora con il servizio LUIS.

Versione attiva

La versione attiva è la versione dell'app aggiornata quando si apportano modifiche al modello usando il portale LUIS. Nel portale LUIS, se si desidera apportare modifiche a una versione che non è la versione attiva, è prima necessario impostare tale versione come attiva.

Apprendimento attivo

L'apprendimento attivo è una tecnica di Machine Learning in cui viene usato il modello di Machine Learning per identificare nuovi esempi informativi da etichettare. In LUIS l'apprendimento attivo si riferisce all'aggiunta di espressioni dal traffico dell'endpoint le cui stime correnti non sono chiare per migliorare il modello. Selezionare "Rivedi espressioni endpoint" per visualizzare le espressioni da etichettare.

Vedere anche:

• Informazioni concettuali
• Esercitazione sulla revisione delle espressioni endpoint
• Come migliorare l'app LUIS esaminando le espressioni dell'endpoint

Applicazione (app)

In LUIS l'applicazione o l'app è una raccolta di modelli basati su Machine Learning, basati sullo stesso set di dati, che interagiscono per stimare finalità ed entità per uno scenario specifico. Ogni applicazione ha un endpoint di stima separato.

Se si sta creando un bot HR, potrebbe essere disponibile un set di finalità, ad esempio "Pianificazione dell'ora di uscita", "richiedere vantaggi" e "aggiornare le informazioni personali" e le entità per ognuna di queste finalità raggruppate in una singola applicazione.

Creazione

La creazione è la possibilità di creare, gestire e distribuire un'app LUIS, usando il portale LUIS o le API di creazione.

Chiave di creazione

La chiave di creazione viene usata per creare l'app. Non utilizzata per le query di endpoint a livello di produzione. Per altre informazioni, vedere Limiti delle risorse.

Risorsa Creazione

La risorsa di creazione LUIS è un elemento gestibile disponibile tramite Azure. La risorsa è l'accesso alle funzionalità di creazione, training e pubblicazione associate del servizio di Azure. La risorsa include l'autenticazione, l'autorizzazione e le informazioni di sicurezza necessarie per accedere al servizio di Azure associato.

La risorsa di creazione ha un "tipo" di LUIS-AuthoringAzure.

Test in batch

Il test batch è la possibilità di convalidare i modelli di un'app LUIS corrente con un set di test coerente e noto di espressioni utente. Il test batch viene definito in un file in formato JSON.

Vedere anche:

• Concetti
• Come eseguire un test batch
• Esercitazione : creare ed eseguire un test batch

Misura F

Nei test batch è una misura dell'accuratezza del test.

Falso negativo

Nei test in batch i punti dati rappresentano espressioni in cui l'app ha erroneamente stimato l'assenza della finalità/entità di destinazione.

Falso positivo

Nei test in batch i punti dati rappresentano espressioni in cui l'app ha erroneamente stimato la presenza della finalità/entità di destinazione.

Precisione

Nei test in batch, la precisione (denominata anche valore predittivo positivo) è la frazione delle espressioni rilevanti tra le espressioni recuperate.

Un esempio per un test batch di animali è il numero di pecore stimate diviso per il numero totale di animali (pecore e non pecore).

Richiamo

Nei test in batch il richiamo (anche detto sensibilità) è la capacità di LUIS di generalizzare.

Un esempio per un test in batch animale è il numero di pecore stimate diviso per il numero totale di pecore disponibili.

Vero negativo

Un vero negativo è quando l'app non prevede correttamente alcuna corrispondenza. Nei test in batch, si verifica un vero negativo quando l'app stima una finalità o un'entità per un esempio che non è stato etichettato con tale finalità o entità.

Vero positivo

Vero positivo (TP) Un vero positivo è quando l'app stima correttamente una corrispondenza. Nei test batch, un vero positivo si verifica quando l'app stima una finalità o un'entità per un esempio etichettato con tale finalità o entità.

Classificatore

Un classificatore è un modello di machine learning che stima la categoria o la classe in cui si inserisce un input.

Una finalità è un esempio di classificatore.

Collaboratore

Un collaboratore è concettualmente la stessa cosa di un collaboratore. A un collaboratore viene concesso l'accesso quando un proprietario aggiunge l'indirizzo di posta elettronica del collaboratore a un'app non controllata con il controllo degli accessi in base al ruolo di Azure. Se si usano ancora collaboratori, è necessario eseguire la migrazione dell'account LUIS e usare le risorse di creazione LUIS per gestire i collaboratori con il controllo degli accessi in base al ruolo di Azure.

Collaboratore

Un collaboratore non è il proprietario dell'app, ma ha le stesse autorizzazioni per aggiungere, modificare ed eliminare le finalità, le entità, le espressioni. Un collaboratore fornisce il controllo degli accessi in base al ruolo di Azure a un'app LUIS.

Vedere anche:

• Procedura per aggiungere collaboratori

Descrittore

Un descrittore è il termine usato in precedenza per una funzionalità di Machine Learning.

Domain

Nel contesto di LUIS, un dominio è un'area di conoscenza. Il dominio è specifico dello scenario. Domini diversi usano linguaggio e terminologia specifici che hanno un significato nel contesto del dominio. Ad esempio, se si sta creando un'applicazione per riprodurre musica, l'applicazione avrà termini e lingua specifici per la musica, ad esempio parole come "canzone, traccia, album, testi, b-side, artista". Per esempi di domini, vedere Domini predefiniti.

Endpoint

Endpoint di creazione

L'URL dell'endpoint di creazione LUIS è la posizione in cui si crea, esegue il training e pubblica l'app. L'URL dell'endpoint contiene l'area o il sottodominio personalizzato dell'app pubblicata, nonché l'ID app.

Altre informazioni sulla creazione dell'app a livello di codice dalle informazioni di riferimento per sviluppatori

Endpoint di stima

L'URL dell'endpoint di stima LUIS è il punto in cui si inviano query LUIS dopo la creazione e la pubblicazione dell'app LUIS. L'URL dell'endpoint contiene l'area o il sottodominio personalizzato dell'app pubblicata, nonché l'ID app. È possibile trovare l'endpoint nella pagina delle risorse di Azure dell'app oppure ottenere l'URL dell'endpoint dall'API Ottieni informazioni sull'app.

L'accesso all'endpoint di stima è autorizzato con la chiave di stima LUIS.

Entità

Le entità sono parole in espressioni che descrivono le informazioni usate per soddisfare o identificare una finalità. Se l'entità è complessa e si desidera che il modello identifichi parti specifiche, è possibile suddividere il modello in sottoentità. Ad esempio, si potrebbe desiderare che il modello preveda un indirizzo, oltre che le sottoentità di strada, città, Stato e codice postale. Le entità possono essere usate anche come funzionalità per i modelli. La risposta dell'app LUIS include sia le finalità stimate che tutte le entità.

Estrattore di entità

Un estrattore di entità talvolta noto solo come estrattore è il tipo di modello machine learning usato da LUIS per stimare le entità.

Schema entità

Lo schema di entità è la struttura definita per le entità basate su Machine Learning con sottoentità. L'endpoint di stima restituisce tutte le entità estratte e le sottoentità definite nello schema.

Sottoentità dell'entità

Una sottoentità è un'entità figlio di un'entità di Machine Learning.

Entità non di Machine Learning

Entità che usa la corrispondenza di testo per estrarre i dati:

• Entità elenco
• Entità di espressione regolare

Entità elenco

Un'entità elenco rappresenta un set fisso e chiuso di parole correlate insieme ai relativi sinonimi. Le entità elenco sono corrispondenze esatte, a differenza delle entità apprese con l'elaborazione.

L'entità verrà stimata se una parola nell'entità elenco è inclusa nell'elenco. Ad esempio, se si dispone di un'entità elenco denominata "size" e si hanno le parole "small, medium, large" nell'elenco, l'entità size verrà stimata per tutte le espressioni in cui le parole "small", "medium" o "large" vengono usate indipendentemente dal contesto.

Espressione regolare

Un'entità di espressione regolare rappresenta un'espressione regolare. Le entità di espressione regolare sono corrispondenze esatte, a differenza delle entità apprese con machined.

Entità predefinita

Vedere Voce del modello predefinito per l'entità predefinita.

Funzionalità

In Machine Learning, una funzionalità è una caratteristica che consente al modello di riconoscere un concetto specifico. Si tratta di un suggerimento che LUIS può usare, ma non una regola rigida.

Questo termine è detto anche funzionalità di Machine Learning.

Questi hint vengono usati con le etichette per informazioni su come stimare nuovi dati. LUIS supporta sia gli elenchi di frasi che l'uso di altri modelli come funzionalità.

Funzionalità richiesta

Una funzionalità necessaria è un modo per vincolare l'output di un modello LUIS. Quando una funzionalità per un'entità è contrassegnata come obbligatoria, la funzionalità deve essere presente nell'esempio per la stima dell'entità, indipendentemente dal modello appreso dal computer.

Si consideri un esempio in cui si dispone di una funzionalità predefinita numero contrassegnata come necessaria per l'entità di quantità per un bot di ordinamento dei menu. Quando il bot vede I want a bajillion large pizzas?, bajlion non verrà stimato come quantità indipendentemente dal contesto in cui viene visualizzato. Bajlion non è un numero valido e non verrà stimato dall'entità predefinita del numero.

Finalità

Una finalità rappresenta un'attività o un'azione che l'utente desidera eseguire. È uno scopo o un obiettivo espresso nell'input di un utente, ad esempio la prenotazione di un volo o il pagamento di una bolletta. In LUIS un'espressione nel suo complesso viene classificata come finalità, ma le parti dell'espressione vengono estratte come entità.

Esempi di etichettatura

L'etichettatura, o il contrassegno, è il processo di associazione di un esempio positivo o negativo a un modello.

Assegnazione di etichette per le finalità

In LUIS le finalità all'interno di un'app si escludono a vicenda. Ciò significa che quando si aggiunge un'espressione a una finalità, viene considerato un esempio positivo per tale finalità e un esempio negativo per tutte le altre finalità. Gli esempi negativi non devono essere confusi con la finalità "None", che rappresenta espressioni esterne all'ambito dell'app.

Etichettatura per le entità

In LUIS si etichetta una parola o una frase nell'espressione di esempio di una finalità con un'entità come esempio positivo . L'etichettatura mostra la finalità che deve prevedere per l'espressione. Le espressioni etichettate vengono usate per eseguire il training della finalità.

App LUIS

Vedere la definizione per l'applicazione (app).

Modello

Un modello (machine learning) è una funzione che esegue una stima sui dati di input. In LUIS si fa riferimento a classificatori di finalità ed estrattori di entità in modo generico come "modelli" e si fa riferimento a una raccolta di modelli sottoposti a training, pubblicati ed sottoposti a query insieme come "app".

Valore normalizzato

Aggiungere valori alle entità elenco . Ognuno di questi valori può avere un elenco di uno o più sinonimi. Nella risposta viene restituito solo il valore normalizzato.

Overfitting

L'overfitting si verifica quando il modello viene corretto negli esempi specifici e non è in grado di generalizzare in modo soddisfacente.

Proprietario

Ogni app ha un proprietario, ossia la persona che ha creato l'app. Il proprietario gestisce le autorizzazioni per l'applicazione nel portale di Azure.

Elenco di frasi

Un elenco di frasi è un tipo specifico di funzionalità di Machine Learning che include un gruppo di valori (parole o frasi) che appartengono alla stessa classe e devono essere trattati in modo analogo (ad esempio, nomi di città o prodotti).

Modello predefinito

Un modello predefinito è una finalità, un'entità o una raccolta di entrambi, insieme agli esempi etichettati. Questi modelli predefiniti comuni possono essere aggiunti all'app per ridurre il lavoro di sviluppo del modello necessario per l'app.

Dominio predefinito

Un dominio predefinito è un'app LUIS configurata per un dominio specifico, ad esempio di domotica (HomeAutomation) o di prenotazione di ristoranti (RestaurantReservation). Le finalità, le espressioni e le entità sono configurate per questo dominio.

Entità predefinita

Un'entità predefinita è un'entità fornita da LUIS per tipi di informazioni comuni quali numeri, URL e posta elettronica. Questi vengono creati in base ai dati pubblici. È possibile scegliere di aggiungere un'entità predefinita come entità autonoma o come funzionalità a un'entità.

Finalità predefinita

Una finalità predefinita è una finalità che LUIS fornisce per tipi comuni di informazioni e include espressioni di esempio etichettate.

Previsione

Una stima è una richiesta REST al servizio di stima LUIS di Azure che accetta nuovi dati (espressione utente) e applica l'applicazione sottoposta a training e pubblicata a tali dati per determinare le finalità e le entità trovate.

Chiave di previsione

La chiave di stima è la chiave associata al servizio LUIS creato in Azure che autorizza l'utilizzo dell'endpoint di stima.

Questa chiave non è la chiave di creazione. Se si dispone di una chiave dell'endpoint di stima, deve essere usata per qualsiasi richiesta di endpoint anziché per la chiave di creazione. È possibile visualizzare la chiave di stima corrente all'interno dell'URL dell'endpoint nella parte inferiore della pagina delle risorse di Azure nel sito Web LUIS. È il valore della coppia nome/valore della chiave di sottoscrizione.

Risorsa di previsione

La risorsa di stima LUIS è un elemento gestibile disponibile tramite Azure. La risorsa è l'accesso alla stima associata del servizio di Azure. La risorsa include stime.

La risorsa di stima ha un "tipo" di LUISAzure.

Punteggio di stima

Il punteggio è un numero compreso tra 0 e 1 che è una misura di quanto il sistema sia sicuro che una particolare espressione di input corrisponda a una determinata finalità. Un punteggio più vicino a 1 indica che il sistema è molto sicuro dell'output e un punteggio più vicino a 0 indica che il sistema è sicuro che l'input non corrisponde a un determinato output. I punteggi al centro indicano che il sistema non è sicuro di come prendere la decisione.

Ad esempio, prendere un modello usato per identificare se un testo del cliente include un ordine alimentare. Potrebbe dare un punteggio di 1 per "Vorrei ordinare un caffè" (il sistema è molto sicuro che questo è un ordine) e un punteggio di 0 per "la mia squadra ha vinto la partita ieri sera" (il sistema è molto sicuro che questo non è un ordine). E potrebbe avere un punteggio di 0,5 per "facciamo un po'di tè" (non è sicuro se questo è un ordine o no).

Chiave programmatica

Rinominata chiave di creazione.

Pubblicazione

La pubblicazione significa rendere disponibile una versione attiva luis nell'endpoint di staging o di produzione.

Obiettivo di vendita

La quota LUIS è la limitazione del livello di sottoscrizione di Azure. La quota LUIS può essere limitata sia dalle richieste al secondo (stato HTTP 429) che dalle richieste totali in un mese (stato HTTP 403).

Schema

Lo schema include le finalità e le entità insieme alle sottoentità. Lo schema è inizialmente pianificato per l'iterazione nel tempo. Lo schema non include impostazioni, funzionalità o espressioni di esempio dell'app.

Analisi del sentiment

L'analisi del sentiment fornisce valori positivi o negativi delle espressioni fornite dal servizio lingua.

Priming del riconoscimento vocale

Il priming vocale migliora il riconoscimento di parole e frasi pronunciate comunemente usate nello scenario con i servizi Voce. Per le applicazioni abilitate per il priming vocale, tutti gli esempi con etichetta LUIS vengono usati per migliorare l'accuratezza del riconoscimento vocale creando un modello di riconoscimento vocale personalizzato per questa specifica applicazione. Ad esempio, in un gioco di scacchi che vuoi assicurarti che quando l'utente dice "Sposta cavaliere", non viene interpretato come "Sposta notte". L'app LUIS deve includere esempi in cui "knight" è etichettato come entità.

Chiave di avvio

Chiave gratuita da usare quando si inizia a usare LUIS per la prima volta.

Sinonimi

In LUIS elencare le entità è possibile creare un valore normalizzato, che può avere un elenco di sinonimi. Ad esempio, se si crea un'entità di dimensioni con valori normalizzati di piccole, medie, grandi e extra-large. È possibile creare sinonimi per ogni valore simile al seguente:

Valore nomalizzato	Sinonimi
Piccola	il piccolo, 8 once
Medio	regolare, 12 once
Grande	grande, 16 once
Xtra grande	più grande, 24 once

Il modello restituisce il valore normalizzato per l'entità quando uno dei sinonimi viene visualizzato nell'input.

  Test

Il test di un'app LUIS significa visualizzare le stime del modello.

Differenza fuso orario

L'endpoint include timezoneOffset. È il numero di minuti da aggiungere o rimuovere dall'entità predefinita datetimeV2. Ad esempio, se l'espressione è "che ore sono?", il valore datetimeV2 restituito è l'ora corrente per la richiesta del client. Se la richiesta client proviene da un bot o da un'altra applicazione che non corrisponde all'utente del bot, è necessario passare l'offset tra il bot e l'utente.

Vedere Cambiare il fuso orario dell'entità datetimeV2 predefinita.

Token

Un token è l'unità di testo più piccola che LUIS può riconoscere. Questo comportamento differisce leggermente tra le lingue.

Per l'inglese, un token è un intervallo continuo (senza spazi o punteggiatura) di lettere e numeri. Uno spazio non è un token.

Frase	Numero di token	Spiegazione
Dog	1	Una singola parola senza punteggiatura o spazi.
RMT33W	1	Numero del localizzatore di record. Potrebbe contenere numeri e lettere, ma non ha punteggiatura.
425-555-5555	5	Numero di telefono. Ogni segno di punteggiatura è un singolo token, quindi 425-555-5555 saranno 5 token: 425 - 555 - 5555
https://luis.ai	7	https : / / luis . ai

Esecuzione del training

Il training è il processo di insegnamento di LUIS sulle modifiche apportate alla versione attiva dall'ultimo training.

Dati di training

I dati di training costituiscono il set di informazioni necessarie per eseguire il training di un modello. Sono inclusi lo schema, le espressioni etichettate, le funzionalità e le impostazioni dell'applicazione.

Errori di training

Gli errori di training sono stime sui dati di training che non corrispondono alle etichette.

Espressione

Un'espressione è l'input dell'utente rappresentativo di testo breve di una frase in una conversazione. È una frase nel linguaggio naturale, ad esempio "prenota 2 biglietti per Roma per martedì prossimo". Le espressioni di esempio vengono aggiunte per eseguire il training del modello e il modello prevede una nuova espressione in fase di esecuzione.

Versione

Una versione luis è un'istanza specifica di un'applicazione LUIS associata a un ID app LUIS e all'endpoint pubblicato. Ogni app LUIS ha almeno una versione.