Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Le frasi trigger sono la base del riconoscimento efficace degli argomenti in Copilot Studio. Allenano il modello di comprensione del linguaggio naturale (NLU) del tuo agente per identificare quando gli utenti chiedono su argomenti specifici. Utilizzando frasi trigger, il tuo agente può indirizzare le conversazioni verso l'argomento giusto con precisione.
Che cosa sono le frasi di attivazione in Copilot Studio?
Le frasi trigger addestrano il modello di comprensione del linguaggio naturale (NLU) del tuo agente. Le frasi trigger indicano all'agente quali espressioni utente tipiche devono attivare un argomento specifico.
Le frasi trigger di solito catturano come un utente chiede informazioni su un problema o una questione. Ad esempio, una frase trigger potrebbe essere "problema con le erbacce nel prato."
Quando crei un nuovo argomento, devi solo fornire alcune frasi di esempio (idealmente tra 5 e 10). In fase di esecuzione, l'IA analizza ciò che dice l'utente e attiva l'argomento di significato più vicino all'espressione dell'utente. Scopri di più in Scegli frasi trigger efficaci.
Importanza del contesto di attivazione
Copilot Studio NLU si comporta in modo diverso in base allo stato della conversazione. Questo comportamento può talvolta portare a comportamenti diversi per la stessa voce dell'utente.
Di seguito sono riportati stati di conversazione differenti:
Inizio della conversazione: L'agente non ha contesto, quindi l'enunciato dell'utente è tenuto a o:
- Attiva direttamente un argomento (riconoscimento delle finalità).
- Attiva una domanda di disambiguazione "intendevi dire" (Più argomenti corrispondenti) tra i candidati intenti se ci sono più argomenti corrispondenti.
- Passa a un argomento di fallback se la finalità non viene riconosciuta.
Dopo l'attivazione di "volevi dire" (Più argomenti corrispondenti): NLU si ottimizza per corrispondere a uno degli argomenti suggeriti, con soglie più alte per uscire dalle opzioni presentate.
Passaggio da un argomento corrente: se l'NLU sta tentando di riempire uno slot in un argomento e l'utente fornisce una domanda dell'utente che potrebbe attivare un altro argomento (passaggio tra argomenti).
Normalizzazione delle entità e attivazione di argomenti
In fase di esecuzione, gli agenti che usano l'orchestrazione classica selezionano un argomento confrontando l'espressione dell'utente con le frasi trigger di ogni argomento.
Il sistema normalizza le entità rilevate nei relativi tipi di entità e calcola la somiglianza in base al modulo normalizzato. Questo metodo può aumentare il riconoscimento delle finalità, ma può anche ampliare le corrispondenze in modi non evidenti quando si creano frasi trigger.
Si supponga, ad esempio, che la frase trigger per Argomento A sia Creare una riunione con Alex e che l'espressione di un utente sia Creare una riunione con Susan.
Con la corrispondenza di solo testo, la somiglianza sarebbe bassa perché "Alex" e "Susan" sono valori letterali diversi. Con la normalizzazione delle entità, la somiglianza può essere elevata se entrambi i valori vengono riconosciuti come lo stesso tipo di entità (ad esempio, Nome persona). In tal caso, l'argomento A viene selezionato anche se il nome specifico nell'enunciato dell'utente non viene visualizzato nella frase di attivazione.
La normalizzazione delle entità rende gli agenti che usano l'orchestrazione classica più affidabili per i valori di entità variabili e possono tollerare una corrispondenza più ampia.
Questa funzionalità si applica ai casi d'uso, ad esempio:
- Le frasi trigger variano principalmente in base ai valori delle entità (nomi, posizioni, date, numeri) e si vuole che l'argomento corrisponda in base alla struttura della richiesta anziché ai token di entità esatti.
- Ti basi su entità dell'elenco chiuso o su altre entità strutturate e desideri un richiamo più elevato durante la corrispondenza.
- Si stanno risolvendo i problemi relativi ai punteggi a bassa corrispondenza in cui è prevista la normalizzazione delle entità, ma non accade perché l'argomento non contiene entità idonee per la normalizzazione. Ad esempio, sono presenti solo entità elenco dinamiche, che non partecipano alla normalizzazione in fase di attivazione.
Punteggiatura
Il modello NLU funziona allo stesso modo indipendentemente dalla punteggiatura, inclusi i punti interrogativi.
Creare nuove frasi trigger
Se possibile, inizia con dati di produzione reali invece di inventarti le tue frasi trigger. Le migliori frasi trigger sono simili ai dati reali degli utenti. Queste frasi sono quelle che gli utenti chiedono a un agente distribuito.
Non tralasciare parole specifiche. Il modello dà meno peso a parole inutili, come le parole stop. Le parole di stop sono parole che il sistema filtra prima di elaborare i dati in linguaggio naturale perché sono insignificanti.
Ottimizza le frasi di attivazione
Le seguenti best practice ti aiutano a ottimizzare le tue espressioni trigger.
| Tip | Esempi |
|---|---|
|
Avere almeno 5-10 frasi attivanti per argomento Iterare e aggiungere di più man mano che impari dagli utenti. |
Trova il punto vendita più vicino Controlla la posizione del punto vendita Trova un punto vendita Trovami la posizione più vicina Punto vendita vicino a me |
|
Varia la struttura della frase e i termini chiave Il modello considera automaticamente le variazioni di tali frasi. |
Quando sei chiuso Orari di apertura giornalieri |
|
Usa frasi di attivazione brevi Meno di 10 parole. |
Quando sei aperto |
|
Evita frasi trigger composte da una sola parola Questa pratica incrementa il peso di parole specifiche nell'attivazione di temi. Può introdurre confusione tra argomenti simili. |
Punto vendita |
| Usa frasi complete | Posso parlare con un assistente umano |
| Avere verbi e nomi univoci o una combinazione di questi |
Ho bisogno del servizio clienti Voglio parlare con un consulente |
|
Evita di utilizzare la stessa variazione di entità Non è necessario utilizzare tutti gli esempi del valore dell'entità. L'NLU considera automaticamente tutte le variazioni. |
Voglio ordinare un hamburger Vorrei una pizza Voglio crocchette di pollo |
Bilancia il numero di frasi di attivazione per argomento
Tenta di bilanciare il numero di frasi trigger tra gli argomenti. In questo modo, le funzionalità NLU non sovraccaricano un argomento rispetto a un altro in base alle frasi trigger configurate.
Valuta i tuoi cambiamenti
Dopo aver aggiornato le frasi trigger o unito o diviso gli argomenti, valuta i cambiamenti. Per esempio:
- Osservate un cambiamento immediato nel comportamento degli agenti attraverso la chat di test. Ad esempio, un argomento potrebbe attivarsi o smettere di attivarsi in base agli aggiornamenti sulle frasi di attivazione.
- Dopo aver implementato il tuo agente software e gestito il traffico, potresti vedere tassi di deflessione più alti o più bassi (tassi di non escalation). Per osservare queste frequenze, passare alla pagina Analytics in Copilot Studio.
Tip
Per testare l'attivazione degli argomenti e le prestazioni del modello NLU rispetto ai dati di test in blocco, utilizza il kit di Copilot Studio.
Risoluzione dei problemi
Se un agente risponde più volte a un singolo messaggio utente o attiva un argomento imprevisto, le frasi trigger sovrapposte o le configurazioni degli argomenti in conflitto spesso causano il problema.
Usare la procedura seguente per diagnosticare e risolvere il problema:
Verifica la configurazione dell'agente:
- Rivedi tutti gli argomenti per assicurarti che ognuno abbia uno scopo unico e frasi trigger chiaramente definite.
- Conferma che solo un argomento sia configurato per rispondere automaticamente a un specifico input dell'utente.
Controlla la presenza di intenti o condizioni sovrapposte:
- Identifica frasi trigger che sono simili su più argomenti.
- Rivedere condizioni, entità e argomenti di sistema che potrebbero essere considerati veri per lo stesso messaggio utente.
Regola priorità e ambito del tema:
- Perfezionare le frasi trigger in modo che argomenti più specifici corrispondano prima di argomenti più ampi.
- Per impedire risposte duplicate, disabilitare, unire o restringere gli argomenti il cui contenuto si sovrappone in termini di funzionalità.