Beste fremgangsmåter for enheter og sporfylling i Copilot Studio

Hva er sporfylling?

Sporfylling er relatert til bruk av enheter som lar en agent lettere innhente og bruke informasjon ved å identifisere og trekke dem ut fra brukerspørringen.

En agent trenger vanligvis flere opplysninger fra en bruker for å gjøre jobben sin. For å skaffe deg denne informasjonen, vil du vanligvis stille separate spørsmål, ett for hvert faktum agent trenger. Når du bruker enheter i spørsmålene dine, registrerer Copilot Studio den nødvendige informasjonen og hopper over spørsmålene om hvor informasjonen kan identifiseres i den utløsende brukerspørringen.

For eksempel, når en bruker spør: Jeg vil bestille 3 store blå t-skjorter

Copilot Studio Naturlig språkforståelse (NLU) kan umiddelbart forstå:

• Emnet er Orden
• Antall er 3
• Fargen er blå
• Varetype er T-skjorte

Agent kan da hoppe over unødvendige spørsmål. Hvis det mangler noe informasjon, for eksempel Størrelse, blir de ubesvarte spørsmålene stilles før de flyttes fremover. Sporfylling lar agent lettere skaffe og bruke informasjon og reduserer antall spørsmål du trenger å stille.

Først definerer du hvilke enheter du vil bruke, og typer.

Definere enheter

Copilot Studio inneholder flere innebygde enheter for de vanligste brukssakene, for eksempel E-post, Dato og klokkeslett, Personnavn, Telefonnummer, Farge, Land, Poststed, Tall, Penger og mer.

Innebygde enheter er kraftige fordi de kan håndtere mange variasjoner av skjemaet som en informasjon kan ta. Når det brukes Penger i en samtale, kan brukeren for eksempel angi en verdi som "kr 100" eller "hundre kroner" eller "100 kroner". NLU-modellen i Copilot Studio finner ut at verdien er en pengeverdi på 100 kroner.

Du kan også definere dine egne egendefinerte enheter, for eksempel Elementtype fra forrige eksempel. Egendefinerte enheter kan være av to typer:

• Lukket liste: for en forhåndsdefinert liste med verdier.
• Vanlige uttrykk (RegEx): for informasjon som samsvarer med et bestemt mønster. RegEx er ideelt når du trenger å registrere data som alltid følger samme format (for eksempel INC000001 for et billettnummer)

Forbedre brukeropplevelsen

Bruk av enheter gjør livet enklere ved å la Copilot Studio samle informasjon på en mer intelligent måte fra brukerspørringer. Det gjør også livet bedre for brukere siden enheter kan finne og lagre informasjon fra brukerspørringer, og deretter gjøre informasjonen tilgjengelig senere i samtalen. Enheter forbedrer brukeropplevelsen – de får agent til å virke smartere – og å bruke dem når det er mulig er definitivt en beste praksis.

Anbefalte fremgangsmåter for enhet

Bruke synonymer

Du kan legge til synonymer i lukkede listeenhetsverdier for manuelt å utvide den samsvarende logikken for hvert element i listen over enheter. I «tur»-elementet kan du for eksempel legge til «fottur» og «fjelltur» som synonymer.

Aktiver smart samsvar

For hver lukkede listeenhet kan du også aktivere Smart samsvar.

Smart matching er en del av intelligensen som støttes av agent's naturlig språkforståelse-modellen. Når dette alternativet er aktivert, tolker agent brukerens inndata ved hjelp av fuzzy-logikk, basert på de oppførte elementene i enheten.

Spesielt agent korrigerer automatisk feilstavinger og utvider sin matchende logikk semantisk For eksempel kan agent automatisk matche "softball" til "baseball".

Vær kreativ med vanlige uttrykk

Noen ganger kan utpakking av enheter fra en brukerspørring føre til forvirring for NLU-modellen, spesielt når flere enheter av samme type finnes i brukerspørringen.

For eksempel, hvis en bruker sier: "kan du ta med 2 håndklær og 1 pute til rom 101"?

Bruk av den innebygde Tall-enheten ville bli forvekslet mellom 2, 1 og 101. Du kan omgå denne forvirringen ved å definere følgende enheter for vanlige uttrykk:

• Antall håndklær: [1–9] håndklær
• Antall puter: [1–9] puter
• Romnummer: [0–9]{3}

Alternativer til enheter for å lagre referensielle data

For store eller endrede datasett (for eksempel en liste over produkter eller kunder) kan det være lurt å kontrollere eksterne kilder i stedet for å bruke lukkede Copilot Studio-listeenheter. Du må sende brukerytring til den eksterne tjenesten ved hjelp av en Power Automate-skyflyt.

Emnet ditt kan deretter validere nøyaktigheten av resultatet (eller be brukeren om å validere det) før den flyttes fremover i samtalen.

Dataverse er et godt valg for å lagre slike data, siden den har en innebygd Dataverse-søk-funksjon som støtter tilnærmet samsvar for å returnere de beste resultatene sammen med et konfidensresultat. Selv om du søker med en fullstendig setning, kan den hente potensielle treff.