Что такое распознавание устной речи?

Это важно

Conversational Распознавание речи (CLU) перестанет поддерживаться в Azure Language 31 марта 2029 года. Чтобы избежать сбоев в производственной среде, перенесите существующие нагрузки и направляйте все новые проекты на платформу Microsoft Foundry, которая предоставляет расширенные возможности для понимания естественного языка и которую можно легко интегрировать в ваши приложения. Инструкции см. в статье «Переход от функций Azure Language к моделям Foundry».

Распознавание общения — это одна из пользовательских функций, предлагаемых языком Azure. Это облачная служба API, которая применяет аналитику машинного обучения для создания компонента распознавания естественного языка, который будет использоваться в комплексном приложении для общения.

Распознавание устной речи (CLU) позволяет пользователям создавать настраиваемые модели распознавания естественного языка для прогнозирования общего намерения входящего речевого фрагмента и извлечения из него важных сведений. CLU лишь предоставляет аналитику для понимания входного текста клиентского приложения и не выполняет никаких действий. Разработчики могут итеративно помечать речевые фрагменты, обучать и оценивать производительность модели, прежде чем сделать ее доступной для потребления путем создания проекта CLU. Качество данных с метками значительно влияет на производительность модели. Чтобы упростить создание и настройку модели, служба предлагает пользовательский веб-портал, к которому можно получить доступ через Microsoft Foundry. Вы можете легко приступить к работе со службой, выполнив действия, описанные в этом кратком руководстве.

Эта документация включает статьи следующих типов:

Примеры сценариев использования

CLU можно использовать в нескольких сценариях в различных отраслях. Некоторые примеры:

Многоэтапные диалоги

Используйте CLU с заполнением слотов сущностей, чтобы обеспечить естественный и прогрессивный сбор информации в рамках нескольких обменов репликами в разговоре. Вместо того чтобы подавлять пользователей сложными формами, ваше приложение может собирать необходимые сведения по мере их естественного появления в диалоге. Этот подход идеально подходит для таких сценариев, как системы резервирования, рабочие процессы обслуживания клиентов или любое приложение, где полная информация должна собираться с помощью обмена беседами.

Комплексный бот для общения

Используйте CLU для создания и обучения пользовательской модели распознавания естественного языка, адаптированной к конкретному домену и ожидаемых речевых фрагментов пользователей. Затем вы можете подключить это решение к любому сквозному чат-боту. Этот процесс позволяет боту обрабатывать и интерпретировать входящие сообщения в режиме реального времени. Эта интеграция позволяет боту определить намерение пользователя и извлечь ключевые сведения из беседы, как это происходит. Бот выполняет требуемое действие на основе намерения и извлеченных сведений. В качестве примера можно привести настраиваемый бот розничной торговли для покупок в Интернете или заказа продуктов питания.

Объединяя его с комплексной платформой бота для общения, система может мгновенно анализировать текст, точно определять намерения пользователей и извлекать соответствующие сведения для дальнейшей обработки.

Боты-человеческие помощники

Бот-помощник человеку может улучшить обслуживание клиентов, сортируя их запросы и направляя их к правильному специалисту по поддержке. Аналогичным образом, в корпоративной среде бот кадровых ресурсов позволяет сотрудникам задавать вопросы на повседневном языке и получать соответствующие рекомендации на основе своих запросов.

Приложения для контроля и управления

При интеграции клиентского приложения с компонентом преобразования речи в текст, пользователи могут произнести команду на естественном языке, чтобы CLU обработал её, определил намерение и извлек информацию для выполнения действия клиентским приложением. Этот вариант использования имеет множество применений, таких как остановка, воспроизведение и перемотка композиции или включение и отключение освещения.

Корпоративный чат-бот

В рамках крупной корпорации корпоративный чат-бот активно обрабатывает широкий спектр вопросов сотрудников. Сотрудники полагаются на чат-бота, чтобы ответить на часто задаваемые вопросы, опираясь на пользовательскую базу знаний с ответами на вопросы. Когда пользователи взаимодействуют с календарями, чат-бот использует календарный навык, основанный на понимании разговорного языка. Сотрудники также получают преимущества навыка предоставления обратной связи по итогам интервью, который работает через CLU. Рабочий процесс оркестрации беспрепятственно связывает эти возможности, обеспечивая маршрутизацию каждого запроса непосредственно в соответствующую службу.

Жизненный цикл разработки проекта

Создание проекта CLU обычно включает в себя несколько шагов.

Диаграмма пути быстрого развертывания с помощью LLM.

Note

В Foundry вы создадите задачу точной настройки в качестве рабочей области для настройки модели CLU. Ранее задача тонкой настройки CLU называлась проектом CLU. Вы можете заметить, что эти термины могут использоваться взаимозаменяемо в устаревшей документации CLU.

CLU предлагает два пути, чтобы получить максимальную выгоду от вашего внедрения.

Вариант 1 (быстрое развертывание на основе LLM):

  1. Определение схемы. Изучите свои данные и определите действия и соответствующие сведения, которые необходимо распознать из входных речевых фрагментов пользователя. На этом шаге вы создаете намерения и предоставляете подробное описание смысла намерений, которые вы хотите назначить высказываниям пользователя.

  2. Разверните модель: развертывание модели с помощью конфигурации обучения на основе LLM делает его доступным для использования через API среды выполнения.

  3. Прогнозируйте намерения и сущности: используйте развертывание пользовательской модели для прогнозирования пользовательских намерений и предварительно созданных сущностей из пользовательских фраз.

Вариант 2 (пользовательская модель машинного обучения)

Выполните следующие действия, чтобы извлечь максимум из вашей обученной модели:

  1. Определение схемы. Изучите свои данные и определите действия и соответствующие сведения, которые необходимо распознать из входных речевых фрагментов пользователя. На этом шаге вы создадите намерения , которые вы хотите назначить речевым фрагментам пользователя, и соответствующие сущности , которые требуется извлечь.

  2. Маркировка данных. Качество этого процесса является ключевым фактором, от которого зависит производительность модели.

  3. Обучение модели. Обучение модели начинается с изучения промаркированных данных.

  4. Просмотр сведений о производительности модели. Просмотрите сведения об оценке модели, чтобы определить, насколько она эффективна при внесении новых данных.

  5. Улучшение модели. После просмотра сведений о производительности модели вы можете изучить возможности по ее улучшению.

  6. Развертывание модели. Развернутая модель становится доступной для использования посредством API среды выполнения.

  7. Прогнозирование намерений и сущностей. Используйте настраиваемую модель для прогнозирования намерений и сущностей на основе речевых фрагментов пользователя.

Справочная документация и примеры кода

При использовании CLU ознакомьтесь со следующей справочной документацией и примерами для языка Azure:

Вариант разработки и язык Справочная документация Samples
REST API (разработка) Документация по REST API
REST API (среда выполнения) Документация по REST API
C# (время выполнения) Документация по C# Примеры C#
Python (среда выполнения) Документация по Python Примеры Python

Ответственное применение ИИ

Система ИИ включает в себя технологию, отдельных лиц, управляющих системой, людей, которые испытывают её последствия, и более широкую среду, где система функционирует, — все они играют роль. Ознакомьтесь с примечанием о прозрачности для CLU, чтобы узнать больше об ответственном использовании и развертывании искусственного интеллекта в своих системах.

Дальнейшие шаги

  • Last updated on