Otimização de frases de gatilho e compreensão de linguagem natural
O que são frases de gatilho no Copilot Studio
As frases de gatilho treinam o modelo de compreensão de linguagem natural (NLU) do copiloto.
As frases de gatilho são configuradas no nível do tópico e indicam ao copiloto para quais expressões típicas do usuário um tópico específico deve ser acionado.
As frases de gatilho geralmente capturam a maneira como um usuário final perguntaria sobre um problema ou questão. Por exemplo, "problema com ervas daninhas no gramado"
Dica
Ao criar um novo tópico, o criador só precisa fornecer algumas frases de exemplo (idealmente entre cinco e dez). Quando o copiloto é usado, a IA analisa o que o usuário diz e aciona o tópico mais próximo do significado do enunciado do usuário.
A importância do contexto de acionamento
O Copilot Studio NLU se comporta de maneira diferente com base no estado da conversa, o que às vezes pode levar a comportamentos diferentes para o mesmo enunciado do usuário.
A seguir estão os diferentes estados de conversação:
- Início da conversa: o copiloto não tem contexto, portanto, espera-se que um enunciado do usuário: acione um tópico diretamente (reconhecimento de intenção), acione uma pergunta de desambiguação "você quis dizer" (vários tópicos correspondentes) entre os candidatos à intenção se houver vários tópicos correspondentes ou vá para um tópico de fallback, caso a intenção não seja reconhecida.
- Depois que um "você quis dizer" (múltiplos tópicos correspondentes) for acionado: o NLU otimizará para corresponder a um dos tópicos sugeridos, com limites mais altos para sair das opções apresentadas.
- Saindo de um tópico atual: se o NLU estiver tentando preencher um espaço em um tópico e o usuário estiver fazendo uma consulta de usuário que possa acionar outro tópico (alteração de tópico).
Na pontuação
O modelo NLU é independente de pontuação, incluindo pontos de interrogação.
Criar novas frases de gatilho
Se possível, comece com dados de produção reais ao invés de criar suas próprias frases de gatilho. As melhores frases de gatilho são aquelas semelhantes aos dados reais provenientes dos usuários finais. Essas frases são aquelas que os usuários perguntam a um copiloto implantado.
Não há necessidade de deixar palavras específicas de fora: o modelo é projetado para dar menos peso a palavras desnecessárias, como palavras de parada (palavras que são filtradas antes do processamento de dados de linguagem natural porque são insignificantes).
Otimizar frases de gatilho
| # | Dica | Exemplos |
|---|---|---|
| 1 | Tenha pelo menos 5 a 10 frases de gatilho por tópico Repita e adicione mais à medida que aprende com os usuários. |
Encontre a loja mais próxima Verificar localização da loja Encontre uma loja Encontre seu local mais próximo para mim Loja perto de mim |
| 2 | Varie a estrutura da frase e os termos-chave O modelo considera automaticamente variações dessas frases. |
Quando estiverem fechados Horário de funcionamento diário |
| 3 | Use frases de gatilho curtas Menos de 10 palavras. |
Quando você está disponível |
| 4 | Evite frases de gatilho de uma única palavra Isso aumenta o peso de palavras específicas no acionamento do tópico. Isso gerar introduzir confusão entre tópicos semelhantes. |
Store |
| 5 | Use frases completas | Posso falar com um assistente humano |
| 6 | Utilize verbos e substantivos únicos ou combinações deles | Preciso acessar o SAC Eu quero falar com um operador |
| 7 | Evite usar a mesma variação de entidade Você não precisa usar todos os exemplos do valor da entidade. O NLU considera automaticamente todas as variações. |
Quero pedir um hambúrguer Eu queria uma pizza Eu quero nuggets de frango |
Equilibrar o número de frases de gatilho por tópico
Tentar equilibrar o número de frases de gatilho entre tópicos.
Dica
Dessa forma, os recursos do NLU não excedem o peso de um tópico em relação a outro com base nas frases de gatilho configuradas.
Avaliando o impacto de suas mudanças
Ao atualizar frases de gatilho ou ao mesclar ou dividir tópicos, há várias maneiras de avaliar as alterações:
- Uma mudança imediata no comportamento do copiloto, que pode ser observada por meio da tela "copiloto de teste" (por exemplo, um tópico que agora está sendo acionado ou não com base em atualizações de frases de gatilho).
- Uma alteração após a implantação do copiloto e o tráfego direcionado, que se traduz em taxas de deflexão (sem escalonamento) mais altas ou mais baixas. Isso pode ser observado na guia de análise no Copilot Studio.
Dica
Você pode testar o acionamento de tópicos e o desempenho do seu modelo NLU em relação aos dados de teste em massa, aproveitando o Copilot Test Framework.
Embora os recursos e componentes subjacentes usados para compilar o Copilot Test Framework (como interagir com a API do Direct Line) tenham suporte total, o próprio Copilot Test Framework representa implementações desses recursos.
Nossos clientes e comunidade podem usar e ajustar o Copilot Test Framework para implementar testes em massa. Se você tiver problemas com o Copilot Test Framework, relate o problema aqui: https://aka.ms/PVASamples. (O Suporte da Microsoft não ajudará você em problemas relacionados a esses problemas, mas ajudará em problemas relacionados à plataforma e recursos subjacentes.)