Ontwerp effectieve trigger-phrases

Triggertermen vormen de basis van effectieve onderwerpherkenning in Copilot Studio. Ze trainen het natuurlijke taalbegrip (NLU)-model van je agent om te herkennen wanneer gebruikers naar specifieke onderwerpen vragen. Door triggerzinnen te gebruiken, kan je makelaar gesprekken nauwkeurig naar het juiste onderwerp leiden.

Wat zijn triggertermen in Copilot Studio?

Triggerzinnen trainen het model voor begrip van natuurlijke taal (NLU) van uw agent. Triggertermen geven aan de agent aan welke typische gebruikersuitingen een specifiek onderwerp moeten activeren.

Triggerzinnen geven meestal weer hoe een gebruiker naar een probleem of issue vraagt. Een triggerzin kan bijvoorbeeld zijn: "probleem met onkruid in gazon."

Wanneer u een nieuw onderwerp maakt, hoeft u slechts een paar voorbeeldzinnen op te geven (idealiter tussen de vijf en tien). Tijdens runtime parseert de AI wat de gebruiker zegt en wordt het onderwerp geactiveerd dat qua betekenis het dichtst bij de uiting van de gebruiker ligt. Lees meer in Kies effectieve trigger-zinnen.

Belang van de triggerende context

Copilot Studio NLU gedraagt zich anders op basis van de gespreksstatus. Dit gedrag kan soms leiden tot verschillend gedrag voor dezelfde gebruikersuiting.

Dit zijn de verschillende gespreksstatussen:

• Begin van het gesprek: De agent heeft geen context, dus een uiting van de gebruiker wordt verwacht of:

  • Direct een onderwerp activeren (intentieherkenning).
  • Een verduidelijkende vraag met "bedoelde u" (meerdere overeenkomende onderwerpen) stellen aan intentiekandidaten als er meerdere overeenkomende onderwerpen zijn.
  • Naar een terugvalonderwerp gaan als de intentie niet wordt herkend.

• Als een vraag 'bedoelde u' (Meerdere overeenkomende onderwerpen) is geactiveerd: NLU wordt geoptimaliseerd om een van de voorgestelde onderwerpen te kiezen, met hogere drempels om de weergegeven opties te filteren.

• Overstappen van een huidig onderwerp: Als de NLU probeert een plek in een onderwerp te vullen en de gebruiker geeft een gebruikersquery die een ander onderwerp kan triggeren (onderwerpwisseling).

Entiteitsnormalisatie en onderwerpactivering

Tijdens runtime selecteren agents die gebruikmaken van klassieke indeling een onderwerp door de uiting van de gebruiker te vergelijken met de triggertermen van elk onderwerp.

Het systeem normaliseert gedetecteerde entiteiten naar hun entiteitstypen en berekent overeenkomsten op basis van de genormaliseerde vorm. Deze methode kan de intentieherkenning vergroten, maar kan ook matches uitbreiden op manieren die niet meteen duidelijk zijn wanneer u triggerzinnen opstelt.

Stel dat de triggerterm voor Onderwerp Aeen vergadering met Alex maken is en dat de uiting van een gebruiker een vergadering met Susan maakt.

Bij overeenkomsten met alleen tekst zou de gelijkenis laag zijn omdat 'Alex' en 'Susan' verschillende letterlijke waarden zijn. Met entiteitsnormalisatie kan gelijkenis hoog zijn als beide waarden worden herkend als hetzelfde entiteitstype (bijvoorbeeld de naam van de persoon). In dat geval wordt onderwerp A geselecteerd, ook al wordt de specifieke naam in de uiting van de gebruiker niet weergegeven in de triggerzin.

Entiteitsnormalisatie maakt agents die gebruikmaken van klassieke indeling krachtiger voor variabele entiteitswaarden en ze kunnen bredere overeenkomsten tolereren.

Deze functie is van toepassing op use cases zoals:

• Uw triggertermen verschillen voornamelijk per entiteitswaarden (namen, locaties, datums, getallen) en u wilt dat het onderwerp overeenkomt op basis van de structuur van de aanvraag in plaats van de exacte entiteitstokens.
• U bent afhankelijk van gesloten lijst-entiteiten of andere gestructureerde entiteiten en wilt een hogere mate van relevantie bij het afstemmen.
• U kunt problemen met scores met lage overeenkomsten oplossen waarbij entiteitsnormalisatie wordt verwacht, maar dit niet gebeurt omdat het onderwerp geen in aanmerking komende entiteiten voor normalisatie bevat. Zo zijn alleen dynamische lijstentiteiten aanwezig, die niet deelnemen aan normalisatie op triggertijd.

Interpunctie

Het NLU-model werkt op dezelfde manier, ongeacht de interpunctie, inclusief vraagtekens.

Maak nieuwe triggerzinnen

Begin indien mogelijk met echte productiedata in plaats van zelf trigger-zinnen te verzinnen. De beste triggerzinnen lijken op echte gegevens van gebruikers. Dit zijn de triggerzinnen die gebruikers als vraag aan een geïmplementeerde agent stellen.

Laat geen specifieke woorden weg. Het model geeft minder gewicht aan onnodige woorden, zoals stopwoorden. Stopwoorden zijn woorden die het systeem eruit filtert voordat natuurlijke taaldata wordt verwerkt omdat ze onbeduidend zijn.

Optimaliseer triggerzinnen

De volgende best practices helpen je om je triggerzinnen te optimaliseren.

Het aantal triggerzinnen per onderwerp in evenwicht brengen

Probeer een evenwicht te vinden in het aantal triggerzinnen per onderwerp. Op die manier zorgen de NLU-mogelijkheden ervoor dat het ene onderwerp niet zwaarder weegt dan het andere op basis van de geconfigureerde triggerzinnen.

Beoordeel je veranderingen

Nadat je triggerzinnen hebt bijgewerkt of onderwerpen hebt samengevoegd of gesplitst, beoordeel dan de wijzigingen. Voorbeeld:

• Je ziet een directe verandering in het gedrag van agenten via de testchat. Een onderwerp kan bijvoorbeeld triggeren of stoppen met triggeren op basis van updates van triggerphrases.
• Na het implementeren van uw agent en het afhandelen van het verkeer zie je hogere of lagere doorverwijzingspercentages (niet-escalatiepercentages). Als u deze tarieven wilt bekijken, gaat u naar de pagina Analytics in Copilot Studio.

Troubleshooting

Als een agent meerdere keren reageert op één gebruikersbericht of een onverwacht onderwerp activeert, veroorzaken overlappende triggerzinnen of conflicterende onderwerpconfiguraties vaak het probleem.

Gebruik de volgende stappen om het probleem vast te stellen en op te lossen:

1. Controleer de configuratie van de agent:

   • Bekijk alle onderwerpen om zeker te zijn dat elk een uniek doel en duidelijk gedefinieerde trigger-frasen heeft.
   • Bevestig dat slechts één onderwerp is geconfigureerd om automatisch te reageren op een specifieke gebruikersinvoer.

2. Controleer op overlappende intenties of voorwaarden:

   • Identificeer triggerzinnen die op meerdere onderwerpen lijken.
   • Bekijk voorwaarden, entiteiten en systeemthema's die mogelijk als waar worden geëvalueerd voor hetzelfde gebruikersbericht.

3. Pas de prioriteit en scope van het onderwerp aan:

   • Triggertermen verfijnen zodat specifiekere onderwerpen overeenkomen met bredere onderwerpen.
   • Om dubbele antwoorden te voorkomen, kunt u onderwerpen uitschakelen, samenvoegen of beperken die overlappen in functionaliteit.