QNA Maker

QnA Maker es un servicio de procesamiento de lenguaje natural (NLP) basado en la nube que le permite crear una capa de conversación natural sobre sus datos. Se utiliza para encontrar la respuesta más adecuada para cualquier entrada de su base de conocimientos (KB) de información personalizada.

QnA Maker se usa comúnmente para crear aplicaciones cliente conversacionales, que incluyen aplicaciones de redes sociales, bots de chat y aplicaciones de escritorio habilitadas para voz.

QnA Maker no almacena datos de clientes. Todos los datos de éste (respuestas a preguntas y registros de chat) se almacenan en la región en la que el cliente implementa las instancias de servicios dependientes.

Planifique su base de conocimientos

Planifique su aplicación QnA Maker**

Para planificar su aplicación QnA Maker, debe comprender cómo funciona e interactúa QnA Maker con otros servicios de Azure. También debe tener una sólida comprensión de los conceptos sobre la base de conocimientos.

Recursos de Azure

Cada recurso de Azure creado con QnA Maker tiene un propósito específico. Cada recurso tiene su propio propósito, límites y nivel de precios. Es importante comprender la función de estos para que pueda utilizar ese conocimiento en su proceso de planificación.

Planeación de recursos

El nivel gratuito puede proporcionar tanto la experiencia de creación como de predicción de consultas. Puede usar este nivel para aprender sobre la creación y la predicción de consultas. Cuando pase a un escenario de producción o en vivo, reevalúe su selección de recursos.

Tamaño y rendimiento de la base de conocimientos

Cuando cree una aplicación real, planifique recursos suficientes para el tamaño de su base de conocimientos y para sus solicitudes de predicción de consultas esperadas.

El tamaño de una base de conocimientos está controlado por:

-Límites del nivel de precios de los recursos de búsqueda cognitiva

-Límites de QnA Maker

El intercambio de recursos

Si ya tiene algunos de estos recursos en uso, puede considerar compartirlos. Vea qué cuales se pueden compartir con el entendimiento de que el uso compartido de recursos es un escenario avanzado.

Todas las bases de conocimiento creadas en el mismo recurso de QnA Maker comparten el mismo punto final de predicción de consultas de prueba.

Comprender el impacto de la selección de recursos

La selección adecuada de recursos significa que su base de conocimientos responde correctamente a las predicciones de consultas.

Si su base de conocimientos no funciona de forma correcta se puede deber a una gestión inadecuada de los recursos.

Bases de conocimiento

Una base de conocimientos está directamente vinculada a su recurso QnA Maker. Contiene los pares de preguntas y respuestas (QnA) que se utilizan para responder a las solicitudes de predicción de consultas.

Consideraciones de idioma

La primera base de conocimientos creada en su recurso QnA Maker establece el idioma del recurso. Solo puede tener un idioma para un recurso de QnA Maker.

Puede estructurar sus recursos de QnA Maker por idioma o puede usar Translator para cambiar una consulta de otro idioma al idioma de la base de conocimientos antes de enviar la consulta al punto final de predicción de consultas.

Ingesta fuentes de datos

Puede utilizar una de las siguientes fuentes de datos ingeridas para crear una base de conocimientos:

URL pública

URL de SharePoint privada

Expediente

Las imágenes vinculadas deben estar disponibles en una URL pública para que se muestren en el panel de prueba del portal QnA Maker o en una aplicación cliente. QnA Maker no proporciona autenticación para el contenido, incluidas las imágenes.

Autoría con colaboradores

Los colaboradores pueden ser otros desarrolladores que comparten la pila de desarrollo completa de la aplicación de la base de conocimientos o pueden estar limitados a crear la base de conocimientos.

La creación de la base de conocimientos admite varios permisos de acceso basados en roles que se aplican en Azure Portal para limitar el alcance de las capacidades de un colaborador.

Integración con aplicaciones cliente

La integración con las aplicaciones cliente se logra enviando una consulta al punto final de tiempo de ejecución de predicción. Se envía una consulta a su base de conocimientos específica con un SDK o una solicitud basada en REST al punto final de la aplicación web de QnA Maker.

Para autenticar la solicitud de un cliente correctamente, la aplicación de este, debe enviar las credenciales correctas y el ID de la base de conocimientos. Si usa un servicio de bot de Azure, configure estas opciones como parte de la configuración del bot en el portal de Azure.

Aprendizaje activo de una aplicación cliente

QnA Maker utiliza el aprendizaje activo para mejorar su base de conocimientos sugiriendo preguntas alternativas a una respuesta. La aplicación cliente es responsable de una parte de este aprendizaje activo. A través de mensajes de conversación, la aplicación cliente puede determinar que la base de conocimientos devolvió una respuesta que no es útil para el usuario y puede determinar una mejor respuesta. La aplicación cliente debe enviar esa información a la base de conocimientos para mejorar la calidad de la predicción.

Proporcionar una respuesta predeterminada

Si su base de conocimientos no encuentra una respuesta, devuelve la respuesta predeterminada. Esta respuesta se puede configurar en la página de Configuración en el portal QnA Maker o en las API.

Esta respuesta predeterminada es diferente de la respuesta predeterminada del bot de Azure. Configure la respuesta predeterminada para su bot de Azure en el portal de Azure como parte de las opciones de configuración. Se devuelve cuando no se alcanza el umbral de puntuación.

Predicción

La predicción es la respuesta de su base de conocimientos e incluye más información que solo la respuesta. Para obtener una respuesta de predicción de consulta, use la API GenerateAnswer.

Fluctuaciones de la puntuación de predicción

Una puntuación puede cambiar en función de varios factores:

-Número de respuestas que solicitó en respuesta a GenerateAnswer

-Variedad de preguntas alternativas disponibles

-Filtrado de metadatos

-Consulta enviada a la base de conocimientos de prueba o producción

Existe una clasificación de respuestas de dos fases:

• Búsqueda cognitiva - primer rango. Establezca el número de respuestas permitidas lo suficientemente alto para que las mejores respuestas sean devueltas por Cognitive Search y luego pasen al rango de QnA Maker.

• QnA Maker - segundo rango. Aplique características y aprendizaje automático para determinar la mejor respuesta.

Actualizaciones de servicio

Aplique las últimas actualizaciones de tiempo de ejecución para administrar automáticamente las actualizaciones del servicio.

Escalado, rendimiento y resiliencia

El escalado, el rendimiento y la resistencia están determinados por los recursos de Azure, sus niveles de precios y cualquier arquitectura circundante, como Traffic Manager.

Análisis con Application Insights

Todas las consultas a su base de conocimientos se almacenan en Application Insights. Utilice nuestras consultas principales para comprender sus métricas.

Ciclo de vida de desarrollo

El ciclo de vida de desarrollo de una base de conocimientos es continuo: editar, probar y publicar su base de conocimientos.