Примечание.
Для доступа к этой странице требуется авторизация. Вы можете попробовать войти или изменить каталоги.
Для доступа к этой странице требуется авторизация. Вы можете попробовать изменить каталоги.
Фразы-триггеры являются основой эффективного распознавания тем в Copilot Studio. Они обучают модель понимания естественного языка (NLU) вашего агента определять, когда пользователи задают вопросы об определенных темах. Используя фразы-триггеры, ваш агент может точно направлять разговоры на нужную тему.
Что такое фразы-триггеры в Copilot Studio?
Фразы-триггеры обучают модель понимания естественного языка (NLU) агента. Фразы-триггеры сообщают агенту, какие стандартные пользовательские фразы должны активировать определенную тему.
Фразы-триггеры обычно отражают, как пользователь обращается с проблемой или затруднением. Например, фразой-триггером может быть «проблема с сорняками на газоне».
При создании новой темы вам нужно предоставить всего несколько примеров фраз (в идеале от 5 до 10). Во время выполнения ИИ анализирует то, что говорит пользователь, и активирует тему, наиболее близкую по смыслу к высказыванию пользователя. Подробнее см. в разделе Выбор эффективных фраз-триггеров.
Важность контекста срабатывания
Copilot Studio NLU ведет себя по-разному в зависимости от состояния разговора. Такое поведение иногда может приводить к разным реакциям на одно и то же высказывание пользователя.
Ниже приведены различные состояния разговора:
Начало разговора: у агента нет контекста, поэтому от высказывания пользователя ожидается:
- Запуск темы напрямую (распознавание намерений).
- Инициирование вопроса «Вы имели в виду» (несколько сопоставленных тем) для устранения неоднозначности среди намерений-кандидатов, если есть несколько подходящих тем.
- Переход к резервной теме, если намерение не распознано.
После срабатывания запроса «Вы имели в виду» (совпадение нескольких тем): NLU оптимизируется для соответствия одной из предложенных тем с более высокими пороговыми значениями для выхода из представленных вариантов.
Смена текущей темы: если NLU пытается заполнить слот в теме, а пользователь задает запрос, который может инициировать другую тему (смена темы).
Нормализация сущностей и активация темы
Во время выполнения агенты, использующие классическую оркестрацию, выбирают тему, сравнивая речевые фрагменты пользователя с фразами-триггерами каждой темы.
Система нормализует обнаруженные сущности по их типам сущностей и вычисляет сходство на основе нормализованной формы. Этот метод может повысить точность распознавания намерений, однако также способен расширить диапазон совпадений способами, которые не всегда очевидны при составлении фраз-триггеров.
Например, допустим, фраза-триггер для темы А — Добавь встречу с Иваном, а речевой фрагмент пользователя — Добавь встречу с Марией.
При сопоставлении только по тексту сходство будет низким, потому что «Иван» и «Мария» — разные буквальные значения. При нормализации сущности сходство может быть высоким, если оба значения распознаются как одинаковый тип сущности (например, имя человека). В этом случае выбирается тема A, хотя конкретное имя в пользовательском высказывании не появляется во фразе-триггер.
Нормализация сущностей делает агентов, использующих классическую оркестрацию, более устойчивыми к изменяющимся значениям сущностей и обеспечивает возможность более широкого сопоставления.
Эта функция применима к следующим случаям:
- Ваши фразы-триггеры различаются главным образом по значениям сущностей (имена, местоположения, даты, числа), и вы хотите, чтобы тема определялась по структуре запроса, а не по точным значениям сущностей.
- Вы используете закрытые списки или другие структурированные сущности и хотите повысить полноту при сопоставлении.
- Вы устраняете проблемы с низкими показателями совпадения, когда ожидается нормализация сущностей, но она не происходит, потому что тема не содержит пригодных для нормализации сущностей. Например, присутствуют только динамические сущности списка, которые не участвуют в нормализации при срабатывании триггера.
Знаки препинания
Модель NLU работает одинаково вне зависимости от пунктуации, включая вопросительные знаки.
Создание новых фраз-триггеров
По возможности начинайте с реальных данных пользователей, а не придумывайте собственные фразы-триггеры. Лучшие фразы-триггер похожи на реальные запросы пользователей. Именно эти фразы пользователи задают развернутому агенту.
Не пропускайте конкретные слова. Модель в меньшей степени учитывает ненужные слова, такие как стоп-слова. Стоп-слова — это слова, которые система удаляет перед обработкой текста на естественном языке, поскольку они считаются незначимыми.
Оптимизация фраз-триггеров
Следующие рекомендации помогут вам оптимизировать фразы-триггеры.
| Подсказка | Examples |
|---|---|
|
Подготовьте не менее 5–10 фраз-триггеров для каждой темы Выполняйте итерации и добавляйте больше, изучая поведение пользователей. |
Найти ближайший магазин Узнать расположение магазина Найти магазин Найди ближайшую локацию Магазин рядом со мной |
|
Меняйте структуру предложения и ключевые термины Модель автоматически учитывает варианты этих фраз. |
Время закрытия Ежедневный график работы |
|
Используйте короткие фразы-триггеры Меньше 10 слов. |
Когда вы открыты |
|
Избегайте фраз-триггеров, состоящих из одного слова Эта рекомендация повышает значимость отдельных слов при срабатывании темы. Это может привести к путанице между похожими темами. |
Магазин |
| Используйте полные фразы | Могу ли я поговорить с человеком |
| Используйте уникальные глаголы и существительные или их комбинации |
Мне нужен отдел обслуживания клиентов Я хочу поговорить с консультантом |
|
Избегайте использования одного и того же варианта сущности Вам не нужно использовать все примеры из значения сущности. NLU автоматически рассматривает все варианты. |
Я хочу заказать бургер Я хочу пиццу Я хочу куриные наггетсы |
Сбалансируйте количество фраз-триггеров на тему
Постарайтесь сбалансировать количество фраз-триггеров между темами. Таким образом, возможности NLU не перевешивают одну тему по сравнению с другими на основе настроенных фраз-триггеров.
Оценка изменений
Оцените эффективность изменений после того, как обновите фразы-триггеры или объедините или разделите темы. Рассмотрим пример.
- Поведение агента можно мгновенно проанализировать в тестовом чате. Например, тема может начать срабатывать или перестать срабатывать в зависимости от обновлений фраз-триггер.
- После развертывания агента и обработки трафика вы наблюдаете более высокие или более низкие показатели отклонения (уровни неэскалации). Чтобы ознакомиться с этими показателями, перейдите на страницу Аналитика в Copilot Studio.
Подсказка
Чтобы проверить триггер темы и то, как ваша модель NLU работает по сравнению с тестовыми данными в большом объеме, используйте Copilot Agent Kit.
Troubleshooting
Если агент отвечает несколько раз на одно сообщение пользователя или запускает неожиданную тему, перекрывающиеся фразы-триггер или конфликтующие конфигурации тем часто вызывают проблему.
Чтобы диагностировать и устранить проблему, выполните следующие действия:
Проверьте конфигурацию агента:
- Изучите все темы, чтобы убедиться, что каждая имеет уникальную цель и четко определенные фразы-триггеры.
- Убедитесь, что только одна тема настроена так, чтобы автоматически отвечать на конкретный ввод пользователя.
Проверьте, нет ли пересечений между намерениями или условиями:
- Определите фразы-триггеры, которые схожи в различных темах.
- Проверьте условия, сущности и системные темы, которые могут сработать для одного и того же сообщения пользователя.
Корректируйте приоритет и охват тем:
- Уточните фразы-триггер так, чтобы более конкретные темы срабатывали раньше, чем более общие темы.
- Чтобы избежать дублирования ответов, отключите, объедините или сузите темы, которые пересекаются по функционалу.