Copilot Studio のトリガー フレーズとは
トリガー フレーズは、エージェントの自然言語理解 (NLU) モデルをトレーニングします。
トリガー フレーズはトピック レベルで構成され、一般的なユーザーの発話に対して特定のトピックをトリガーする必要があることをエージェントに示します。
トリガー フレーズは、通常、ユーザーが問題や問題について質問する方法をキャプチャします (たとえば、「芝生の雑草の問題 」など)。
新しいトピックを作成するときは、いくつかのサンプル フレーズを指定するだけで済みます (理想的には 5 から 10 の間)。 実行時、AI はユーザーの発言を解析し、ユーザーの発話に最も近い意味のトピックをトリガーします。 効果的なトリガー フレーズの詳細については、有効なトリガー フレーズの選択を参照してください。
トリガーとなるコンテキストの重要性
Copilot Studio NLU は会話の状態に基づいて異なる動作をするため、同じユーザーの発話でも異なる動作が発生する場合があります。
さまざまな会話状態を次に示します:
会話の開始: エージェントにはコンテキストがないため、ユーザーの発話は次のいずれかである必要があります。
- トピックを直接トリガーします (意図認識)。
- 一致するトピックが複数ある場合、意図の候補者間で 「did you mean (もしかして)」 (Multiple Topics Matched) という曖昧さ回避の質問をトリガーします。
- 意図が認識されない場合は、フォールバック トピックに移動します。
もしかして (複数のトピックが一致) がトリガーされた後: NLU は、提示されたオプションから除外するためのより高いしきい値を使用して、提案されたトピックのいずれかと一致するように最適化します。
現在の トピックからの切り替え : NLU があるトピックのスロットを埋めようとしているときに、ユーザーが別のトピックを引き起こす可能性のあるユーザー クエリを与えた場合 (トピック切り替え)。
句読点
NLU モデルは、疑問符を含む句読点に依存しません。
新規トリガー フレーズの作成
可能であれば、独自のトリガー フレーズを作成するよりも、実際の運用データから始めてください。 最適なトリガー フレーズは、ユーザーからの実際のデータに類似したものです。 これらのフレーズは、ユーザーがデプロイされたエージェントに尋ねるものです。
特定の単語を除外する必要はありません。モデルは、ストップ ワード (重要ではないため自然言語データの処理前に除外される単語) などの不必要な単語の重みを下げるように設計されています。
トリガー フレーズの最適化
| チップ | 使用例 |
|---|---|
|
トピック ごとに少なくとも 5 ～ 10 個のトリガー フレーズを用意する ユーザーから学びながら繰り返し、追加していきます。 |
最寄りの店舗を探す 店舗の場所の確認 店舗を探す 最寄りの場所を探す 近くの店舗 |
|
文章の構造と重要な用語を変える モデルはそれらのフレーズのバリエーションを自動的に考慮します。 |
定休日はいつですか 毎日の営業時間 |
|
短いトリガー フレーズを使用する 10 語より少なくします。 |
営業日はいつですか |
|
単一単語のトリガーフレーズを避ける これにより、トピック トリガーにおける特定の単語の重みが増加します。 同様のトピック間で混乱が生じる可能性があります。 |
ストア |
| 完全なフレーズを使用する | 人間のアシスタントと話せますか |
| 固有の動詞と名詞、またはそれらの組み合わせがある |
顧客サービスが必要です コンサルタントと話したい |
|
同じエンティティ バリエーションの使用を避ける エンティティ値の例をすべて使用する必要はありません。 NLU はすべてのバリエーションを自動的に考慮します。 |
ハンバーガーを注文したいです ピザをお願いします チキンナゲットが欲しいです |
トピック ごとのトリガー フレーズの数のバランスをとる
トピック間でトリガー フレーズの数のバランスをとるようにする。 こうすることで、NLU 機能は、構成されたトリガー フレーズに基づいて、トピック と別の トピック を過度に重み付けすることがなくなります。
変更の評価
トリガー フレーズを更新した後、またはトピックをマージまたは分割した後は、複数の方法で変更を評価できます。
- テスト チャットを通じて観察できる、エージェントの行動の即時の変化 (たとえば、トリガー フレーズの更新に基づいてトリガーされているトピック、またはトリガー フレーズの更新に基づいていないトピックなど)。
- エージェントが展開され、トラフィックに直面した後の変化。これは、逸脱 (非エスカレーション) 率の増減につながります。 これは、Copilot Studio の [分析] タブで確認できます。
ヒント
Copilot Studio Kit を使用して、トピックのトリガーと、テスト データに対する NLU モデルのパフォーマンスを一括でテストできます。
Copilot Studio Kit の構築に使用される基礎となる機能とコンポーネント (Direct Line API とのやり取りなど) は完全にサポートされていますが、Copilot Studio Kit 自体はこれらの機能のサンプル実装を表しています。
お客様やコミュニティは、Copilot Studio Kit を使用および調整して、一括テストを実装できます。 Copilot Studio キットで問題が発生した場合は、こちらで問題を報告してください: https://aka.ms/CopilotStudioKit。 (Microsoft サポートは、これらのサンプルに関連する問題についてはサポートできませんが、関連する根本的なプラットフォームや機能の問題についてはサポートできます。)