トリガー フレーズは、Copilot Studio での効果的なトピック認識の基礎です。 彼らはエージェントの自然言語理解(NLU)モデルを訓練し、ユーザーが特定のトピックについて質問したときにそれを識別します。 トリガーフレーズを使うことで、エージェントは会話を正確に正しいトピックに誘導できます。
Copilot Studio のトリガー フレーズとは
トリガー フレーズは、エージェントの自然言語理解 (NLU) モデルをトレーニングします。 トリガー フレーズは、一般的なユーザー発話が特定のトピックをトリガーする必要があることをエージェントに示します。
トリガーフレーズは通常、ユーザーが問題や問題についてどのように質問するかを捉えます。 例えば、トリガーフレーズとして「芝生の雑草の問題」などがあります。
新しいトピックを作成するときは、いくつかのサンプル フレーズを指定するだけで済みます (理想的には 5 から 10 の間)。 実行時、AI はユーザーの発言を解析し、ユーザーの発話に最も近い意味のトピックをトリガーします。 「 効果的なトリガーフレーズを選ぶ」をご覧ください。
トリガーコンテキストの重要性
Copilot Studio NLU は、会話の状態に基づいて動作が異なります。 この挙動は、同じユーザーの発話に対して異なる振る舞いを引き起こすことがあります。
さまざまな会話状態を次に示します:
会話の開始:エージェントには文脈がないため、ユーザーの発話は以下のいずれかを期待されます:
- トピックを直接トリガーします (意図認識)。
- 一致するトピックが複数ある場合、意図の候補者間で 「did you mean (もしかして)」 (Multiple Topics Matched) という曖昧さ回避の質問をトリガーします。
- 意図が認識されない場合は、フォールバック トピックに移動します。
「もしかして」(複数のトピックが一致) がトリガーされた後: NLU は、提示されたオプションから除外するためのより高いしきい値を使用して、提案されたトピックのいずれかと一致するように最適化します。
現在のトピックからの切り替え:NLUがあるトピックのスロットを埋めようとしていて、ユーザーが別のトピックをトリガーする可能性のあるユーザークエリを出した場合(トピック切り替え)。
エンティティの正規化とトピックのトリガー
実行時に、クラシック オーケストレーションを使用するエージェントは、ユーザーの発話を各トピックのトリガー フレーズと比較してトピックを選択します。
システムは、検出されたエンティティをエンティティ型に正規化し、正規化された形式に基づいて類似性を計算します。 この方法では意図の認識が向上しますが、トリガー フレーズを作成するときに明確ではない方法で一致を広げることもあります。
たとえば、 トピック A のトリガー フレーズが Alex との会議の作成で、ユーザーの発話が [スーザンとの会議の作成] であるとします。
テキストのみの一致では、"Alex" と "Susan" はリテラル値が異なるため、類似性は低くなります。 エンティティの正規化では、両方の値が同じエンティティ型 ( ユーザー名など) として認識される場合、類似性が高くなる可能性があります。 その場合、ユーザー発話の特定の名前がトリガー フレーズに表示されない場合でも、 トピック A が選択されます。
エンティティの正規化により、従来のオーケストレーションを使用するエージェントは、可変エンティティ値に対してより堅牢になり、より広範な照合を許容できます。
この機能は、次のようなユース ケースに適用されます。
- トリガー フレーズは主にエンティティ値 (名前、場所、日付、数値) によって異なり、正確なエンティティ トークンではなく、要求の構造に基づいてトピックを一致させる必要があります。
- クローズド リスト エンティティまたはその他の構造化されたエンティティに依存しており、照合中に高い再現率が必要です。
- エンティティの正規化が期待されるが、トピックに正規化可能なエンティティが含まれていないため、マッチングスコアが低くなる問題をトラブルシューティングしています。 たとえば、動的リスト エンティティのみが存在し、トリガー時の正規化には関与しません。
句読点
NLUモデルは句読点や疑問符を含め、同じように機能します。
新しいトリガーフレーズを作成する
可能であれば、自分でトリガーフレーズを作るのではなく、実際の生産データから始めましょう。 最良のトリガーフレーズは、ユーザーからの実際のデータに似ています。 これらのフレーズは、ユーザーがデプロイされたエージェントに尋ねるものです。
具体的な言葉を省略しないでください。 このモデルでは、ストップワードのような不要な単語にはあまり重みを置かれません。 ストップワードとは、自然言語データを処理する前にシステムが重要性を欠くためにフィルターをかける言葉のことです。
トリガーフレーズの最適化
以下のベストプラクティスは、トリガーフレーズの最適化に役立ちます。
| Tip | 例示 |
|---|---|
|
トピック ごとに少なくとも 5 ～ 10 個のトリガー フレーズを用意する ユーザーから学びながら繰り返し、追加していきます。 |
最寄りの店舗を探す 店舗の場所の確認 店舗を探す あなたの最寄りの場所を探す 近くの店舗 |
|
文章の構造と重要な用語を変える モデルはそれらのフレーズのバリエーションを自動的に考慮します。 |
定休日はいつですか 毎日の営業時間 |
|
短いトリガー フレーズを使用する 10 語より少なくします。 |
営業日はいつですか |
|
単一単語のトリガーフレーズを避ける この方法では、トピックトリガーの特定の単語の重みが増えます。 同様のトピック間で混乱が生じる可能性があります。 |
ストア |
| 完全なフレーズを使用する | 人間のアシスタントと話せますか |
| 固有の動詞と名詞、またはそれらの組み合わせがある |
顧客サービスが必要です コンサルタントと話したい |
|
同じエンティティ バリエーションの使用を避ける エンティティ値の例をすべて使用する必要はありません。 NLU はすべてのバリエーションを自動的に考慮します。 |
ハンバーガーを注文したいです ピザをお願いします チキンナゲットが欲しいです |
トピック ごとのトリガー フレーズの数のバランスをとる
トピック間でトリガー フレーズの数のバランスをとるようにする。 こうすることで、NLU 機能は、構成されたトリガー フレーズに基づいて、トピック と別の トピック を過度に重み付けすることがなくなります。
自分の変化を評価しましょう
トリガーフレーズを更新したり、トピックを統合・分割した後、変更点を評価しましょう。 例えば次が挙げられます。
- テストチャットを通じてエージェントの行動が即座に変化するのを観察します。 例えば、トピックがトリガーフレーズの更新によってトリガーまたは停止されることがあります。
- エージェントを展開しトラフィックを処理すると、偏向率が高くなったり低くなったりします(非エスカレーション率)。 これらのレートを確認するには、Copilot Studioの Analytics ページに移動します。
Tip
トピックのトリガーと、テスト データに対する NLU モデルの一括実行方法をテストするには、Copilot Studio Kit を使用します。
Troubleshooting
エージェントが 1 人のユーザー メッセージに複数回応答したり、予期しないトピックをトリガーしたりする場合、トリガー フレーズが重複したり、トピック構成が競合したりすると、問題が発生することがよくあります。
次の手順を使用して、問題を診断して解決します。
エージェント設定の確認:
- すべてのトピックを確認し、それぞれに独自の目的と明確なトリガーフレーズがあることを確認しましょう。
- 特定のユーザー入力に自動的に応答するトピックが1つだけに設定されているか確認してください。
重複する意図や条件を確認する:
- 複数のトピックで似ているトリガーフレーズを特定しましょう。
- 同じユーザーメッセージに対して真と評価される可能性のある条件、エンティティ、システムトピックをレビューしてください。
トピックの優先順位と範囲を調整する:
- より広範なトピックの前に、より具体的なトピックが一致するようにトリガー フレーズを調整します。
- 重複する応答を防ぐには、機能で重複するトピックを無効、マージ、または絞り込みます。