Konuşma dilini anlama nedir?
Konuşma dili anlama, Azure Yapay Zeka Dili tarafından sunulan özel özelliklerden biridir. Uçtan uca konuşma uygulamasında kullanılacak doğal dil anlama bileşeni oluşturmanıza olanak tanımak için makine öğrenmesi zekası uygulayan bulut tabanlı bir API hizmetidir.
Konuşma dili anlama (CLU), kullanıcıların gelen bir konuşmanın genel amacını tahmin etmek ve ondan önemli bilgileri ayıklamak için özel doğal dil anlama modelleri oluşturmasını sağlar. CLU yalnızca istemci uygulamasının giriş metnini anlamak için zeka sağlar ve herhangi bir eylem gerçekleştirmez. Geliştiriciler, bir CLU projesi oluşturarak konuşmaları yinelemeli olarak etiketleyebilir, model performansını tüketim için kullanılabilir hale getirmeden önce eğitebilir ve değerlendirebilir. Etiketlenen verilerin kalitesi model performansını büyük ölçüde etkiler. Hizmet, modelinizi oluşturmayı ve özelleştirmeyi basitleştirmek için Language Studio üzerinden erişilebilen özel bir web portalı sunar. Bu hızlı başlangıçtaki adımları izleyerek hizmeti kullanmaya kolayca başlayabilirsiniz.
Bu belge aşağıdaki makale türlerini içerir:
- Hızlı başlangıçlar , hizmete istekte bulunma konusunda size yol gösteren başlangıç yönergeleridir.
- Kavramlar , hizmet işlevselliğinin ve özelliklerinin açıklamalarını sağlar.
- Nasıl yapılır kılavuzları , hizmeti daha belirli veya özelleştirilmiş yollarla kullanmaya yönelik yönergeler içerir.
Örnek kullanım senaryoları
CLU, çeşitli sektörlerde birden çok senaryoda kullanılabilir. Aşağıda bazı örnekler bulunmaktadır:
Uçtan uca konuşma botu
Belirli bir etki alanını ve beklenen kullanıcıların konuşmalarını temel alan özel bir doğal dil anlama modeli oluşturmak ve eğitmek için CLU kullanın. Metnin amacını belirlemek ve ondan önemli bilgileri ayıklamak için gelen metni gerçek zamanlı olarak işleyip analiz edebilmesi için bunu uçtan uca konuşma botlarıyla tümleştirin. Bota amaç ve ayıklanan bilgilere göre istenen eylemi gerçekleştirmesini sağlayın. Çevrimiçi alışveriş veya yiyecek siparişi için özelleştirilmiş bir perakende botu buna örnek olarak verilmiştir.
İnsan yardımcı botları
İnsan yardımcı botunun bir örneği, personelin müşteri sorgularını önceliklendirmek ve bunları uygun destek mühendisine atayarak müşteri etkileşimlerini geliştirmesine yardımcı olmaktır. Bir diğer örnek, çalışanların doğal dilde iletişim kurmasına ve sorguya dayalı rehberlik almasına olanak tanıyan bir kuruluştaki insan kaynakları botu olabilir.
Komut ve denetim uygulaması
Bir istemci uygulamasını metine konuşma bileşeniyle tümleştirdiğinizde, kullanıcılar CLU'nin eylem gerçekleştirmesi için istemci uygulamasının metinden bilgi işlemesi, amacı tanımlaması ve metinden bilgi ayıklaması için doğal dilde bir komut konuşabilir. Bu kullanım örneğinde bir şarkıyı durdurmak, çalmak, iletmek ve geri sarmak ya da ışıkları açmak veya kapatmak gibi birçok uygulama vardır.
Kurumsal sohbet botu
Büyük bir şirkette kurumsal sohbet botu çeşitli çalışan işlerini halledebilir. bilgi bankası yanıtlayan özel bir soru, konuşma dili anlama tarafından sunulan takvime özgü beceri ve LUIS tarafından sunulan bir görüşme geri bildirimi becerisi tarafından sunulan sık sorulan soruları işleyebilir. Tüm bu becerileri birbirine bağlamak ve gelen istekleri uygun şekilde doğru hizmete yönlendirmek için Orchestration iş akışını kullanın.
Proje geliştirme yaşam döngüsü
CLU projesi oluşturmak için genellikle birkaç farklı adım gerekir.
Modelinizden en iyi şekilde yararlanmak için şu adımları izleyin:
Şemanızı tanımlayın: Verilerinizi bilin ve kullanıcının giriş konuşmalarından tanınması gereken eylemleri ve ilgili bilgileri tanımlayın. Bu adımda, kullanıcının konuşmalarına atamak istediğiniz amaçları ve ayıklanmasını istediğiniz ilgili varlıkları oluşturursunuz.
Verilerinizi etiketleme: Veri etiketleme kalitesi, model performansını belirlemede önemli bir faktördür.
Modeli eğitme: Modeliniz etiketlenmiş verilerinizden öğrenmeye başlar.
Modelin performansını görüntüleme: Yeni verilere sunulduğunda ne kadar iyi performans sergilediğini belirlemek için modelinizin değerlendirme ayrıntılarını görüntüleyin.
Modeli geliştirme: Modelin performansını gözden geçirdikten sonra modeli nasıl geliştirebileceğinizi öğrenebilirsiniz.
Modeli dağıtma: Modeli dağıtmak, modeli Çalışma Zamanı API'sini kullanarak kullanılabilir hale getirir.
Amaçları ve varlıkları tahmin etme: Kullanıcının ifadelerindeki amaçları ve varlıkları tahmin etmek için özel modelinizi kullanın.
Başvuru belgeleri ve kod örnekleri
CLU kullanırken, Azure AI Dili için aşağıdaki başvuru belgelerine ve örneklerine bakın:
| Geliştirme seçeneği / dil | Başvuru belgeleri | Örnekler |
|---|---|---|
| REST API'leri (Yazma) | REST API belgeleri | |
| REST API'leri (Çalışma Zamanı) | REST API belgeleri | |
| C# (Çalışma Zamanı) | C# belgeleri | C# örnekleri |
| Python (Çalışma Zamanı) | Python belgeleri | Python örnekleri |
Sorumlu AI
Yapay zeka sistemi yalnızca teknolojiyi değil, onu kullanacak kişileri, bundan etkilenecek kişileri ve dağıtıldığı ortamı da içerir. Sistemlerinizde sorumlu yapay zeka kullanımı ve dağıtımı hakkında bilgi edinmek için CLU için saydamlık notunu okuyun. Daha fazla bilgi için aşağıdaki makalelere de bakabilirsiniz:
Sonraki adımlar
Konuşma dili anlama özelliğini kullanmaya başlamak için hızlı başlangıç makalesini kullanın.
Proje geliştirme yaşam döngüsü boyunca bu özelliğin belgelerinde kullanılan terimler hakkında daha fazla bilgi edinmek için sözlüğü gözden geçirin.
Bölgesel kullanılabilirlik gibi bilgiler için hizmet sınırlarını görüntülemeyi unutmayın.