Créer un modèle de compréhension du langage avec le service Langage

REMARQUE : la fonctionnalité de compréhension du langage courant du service Azure AI Language est actuellement en version préliminaire et peut être modifiée. Dans certains cas, l’entraînement du modèle peut échouer. Si cela se produit, réessayez.

Le service Azure AI Language vous permet de définir un modèle de compréhension du langage courant que les applications peuvent utiliser pour interpréter l’entrée en langage naturel des utilisateurs, prédire l’intention des utilisateurs (les résultats souhaités) et identifier toutes les entités auxquelles l’intention doit être appliquée.

Par exemple, on peut s’attendre à ce qu’un modèle de langage courant pour une application d’horloge traite des entrées telles que :

Quelle heure est-il à Londres ?

Ce type d’entrée est un exemple d’énoncé (quelque chose qu’un utilisateur peut dire ou type), pour lequel l’intention souhaitée est d’obtenir l’heure pour un emplacement spécifique (une entité) ; dans ce cas, Londres.

REMARQUE : la tâche d’un modèle de langage courant consiste à prédire l’intention de l’utilisateur et à identifier toutes les entités auxquelles l’intention s’applique. La tâche d’un modèle de langage courant n’est pas d’effectuer réellement les actions requises pour satisfaire l’intention. Par exemple, une application d’horloge peut utiliser un modèle de langage courant pour discerner que l’utilisateur souhaite connaître l’heure à Londres ; mais l’application cliente elle-même doit ensuite implémenter la logique pour déterminer la bonne heure et la présenter à l’utilisateur.

Configurer une ressource Azure AI Language

Si vous n’avez pas encore de ressource dans votre abonnement, vous devez configurer une ressource du service Azure AI Language dans votre abonnement Azure.

  1. Ouvrez le portail Azure à l’adresse https://portal.azure.com et connectez-vous avec le compte Microsoft associé à votre abonnement Azure.
  2. Recherchez Services Azure AI à l’aide du champ disponible dans la partie supérieure. Sélectionnez Créer sous Service Language.
  3. Sélectionnez Continuer pour créer votre ressource.
  4. Configurez la ressource avec les paramètres suivants :
    • Abonnement : votre abonnement Azure.
    • Groupe de ressources : créez ou sélectionnez un groupe de ressources.
    • Région : choisissez n’importe quelle région disponible.
    • Nom : entrez un nom unique.
    • Niveau tarifaire : sélectionnez F0 (gratuit) ou S (standard) si F n’est pas disponible.
    • Mention sur l’IA responsable : J’accepte.
  5. Sélectionnez Vérifier + créer, puis Créer pour provisionner la ressource.
  6. Attendez la fin du déploiement, puis accédez à la ressource déployée.
  7. Consultez la page Clés et points de terminaison. Plus loin dans l’exercice, vous aurez besoin des informations disponibles sur cette page.

Créer un projet de compréhension du langage courant

Maintenant que vous avez créé une ressource de création, vous pouvez l’utiliser pour créer un projet de compréhension du langage courant.

  1. Dans un nouvel onglet de navigateur, ouvrez le portail Azure AI Language Studio sur https://language.cognitive.azure.com/ et connectez-vous avec le compte Microsoft associé à votre abonnement Azure.

  2. Si vous êtes invité à choisir une ressource de langue, sélectionnez les paramètres suivants :

    • Azure Directory : Annuaire Azure contenant votre abonnement.
    • Abonnement Azure : Votre abonnement Azure.
    • Type de ressource : Language.
    • Ressource Language : nom de la ressource Azure AI Language que vous avez créée précédemment.

    Si vous n’êtes pas invité à choisir une ressource de langue, c’est peut-être parce que vous avez plusieurs ressources de langue dans votre abonnement, auquel cas :

    1. Dans la barre supérieure de la page, sélectionnez le bouton Paramètres (⚙).
    2. Dans la page Paramètres, affichez l’onglet Ressources.
    3. Sélectionnez la ressource de langue que vous venez de créer, puis cliquez sur Changer de ressource.
    4. En haut de la page, cliquez sur Language Studio pour revenir à la page d’accueil de Language Studio.

  3. En haut du portail, dans le menu Créer, sélectionnez Conversational Language Understanding.

  4. Dans la boîte de dialogue Créer un projet, sur la page Entrer les informations de base, entrez les détails suivants, puis sélectionnez Suivant :
    • Nom : Clock
    • Langue principale des énoncés : anglais
    • Activer plusieurs langages dans le projet ? : Non sélectionné
    • Description : Natural language clock
  5. Sur la page Vérifier et terminer, sélectionnez Créer.

Créer des intentions

La première chose que nous allons faire dans le nouveau projet consiste à définir certaines intentions. L’objectif du modèle est de prédire quelles sont les intentions spécifiques d’un utilisateur lorsqu’il envoie un énoncé en langage naturel.

Conseil : lorsque vous travaillez sur votre projet, si des conseils sont affichés, lisez-les et sélectionnez J’ai compris ou Ignorer tout pour les ignorer.

  1. Sur la page Définition du schéma, sous l’onglet Intentions, sélectionnez ＋ Ajouter pour ajouter une nouvelle intention nommée GetTime.
  2. Vérifiez que l’intention GetTime est répertoriée (ainsi que l’intention None par défaut). Ajoutez ensuite les intentions supplémentaires suivantes :
    • GetDay
    • GetDate

Étiqueter chaque intention avec des exemples d’énoncés

Pour aider le modèle à prédire l’intention demandée par un utilisateur, vous devez étiqueter chaque option avec des exemples d’énoncés.

  1. Dans le volet de gauche, sélectionnez la page Étiquetage des données.

Conseil : vous pouvez développer le volet avec l’icône » pour afficher les noms des pages. Pour masquer les détails, utilisez l’icône «.

  1. Sélectionnez la nouvelle intention GetTime et entrez l’énoncé what is the time?. Cet énoncé devient un exemple d’entrée pour l’intention.
  2. Ajoutez les énoncés supplémentaires suivants pour l’intention GetTime :
    • what's the time?
    • what time is it?
    • tell me the time

    REMARQUE Pour ajouter un nouvel énoncé, écrivez l’énoncé dans la zone de texte en regard de l’intention, puis appuyez sur Entrée.

  3. Sélectionnez l’intention GetDay et ajoutez les énoncés suivants comme exemples d’entrée utilisateur :
    • what day is it?
    • what's the day?
    • what is the day today?
    • what day of the week is it?
  4. Sélectionnez l’intention GetDate et ajoutez-lui les énoncés suivants :
    • what date is it?
    • what's the date?
    • what is the date today?
    • what's today's date?
  5. Une fois que vous avez ajouté des énoncés pour chacune de vos intentions, sélectionnez Enregistrer les modifications.

Entraîner et tester le modèle

Maintenant que vous avez ajouté certaines intentions, nous allons entraîner le modèle de langage et voir s’il peut correctement les prédire à partir de l’entrée utilisateur.

  1. Dans le volet de gauche, sélectionnez Travaux d’entraînement. Ensuite, sélectionnez + Démarrer un travail d’entraînement.

  2. Dans la boîte de dialogue Démarrer un travail de formation, sélectionnez l’option pour former un nouveau modèle et nommez-le Clock. Sélectionnez le mode Entraînement standard et utilisez les options par défaut pour la section Fractionnement des données.

  3. Pour commencer le processus d’entraînement de votre modèle, sélectionnez Entraîner.

  4. Une fois l’entraînement terminé (ce qui peut prendre plusieurs minutes), l’État du travail passe à Apprentissage réussi.

  5. Sélectionnez la page Performances du modèle, puis sélectionnez le modèle Clock. Passez en revue les métriques d’évaluation globales et par intention (précision, rappel et score F1) et la matrice de confusion générée par l’évaluation effectuée lors de l’entraînement (notez qu’en raison du petit nombre d’exemples d’énoncés, toutes les intentions ne peuvent pas être incluses dans les résultats).

    REMARQUE : pour en savoir plus sur les métriques d’évaluation, consultez la documentation.

  6. Accédez à la page Déploiement d’un modèle, puis sélectionnez Ajouter un déploiement.

  7. Dans la boîte de dialogue Ajouter un déploiement, sélectionnez Créer un nom de déploiement, puis entrez production.

  8. Sélectionnez le modèle Horloge dans le champ Modèle, puis sélectionnez Déployer. Le déploiement peut prendre un certain temps.

  9. Une fois le modèle déployé, sélectionnez la page Tests des déploiements, puis sélectionnez le déploiement production dans le champ Nom du déploiement.

  10. Dans le champ de texte vide, entrez ce qui suit, puis sélectionnez Exécuter le test :

    what's the time now?

    Passez en revue le résultat retourné, en notant qu’il inclut l’intention prédite (qui doit être GetTime) et un score de confiance qui indique la probabilité calculée par le modèle pour l’intention prédite. L’onglet JSON montre la confiance comparative pour chaque intention potentielle (celle qui a le score de confiance le plus élevé est l’intention prédite)

  11. Effacez la zone de texte, puis exécutez un autre test avec le texte suivant :

    tell me the time

    Là encore, passez en revue l’intention prédite et le score de confiance.

  12. Essayez le texte suivant :

    what's the day today?

    Espérons que le modèle prédit l’intention GetDay.

Ajouter des entités

Jusqu’à présent, vous avez défini des énoncés simples qui mappent aux intentions. La plupart des applications réelles incluent des énoncés plus complexes à partir desquels des entités de données spécifiques doivent être extraites pour obtenir plus de contexte pour l’intention.

Ajouter une entité apprise

Le type d’entité le plus courant est une entité apprise, dans laquelle le modèle apprend à identifier les valeurs d’entité en fonction d’exemples.

  1. Dans Language Studio, revenez à la page Définition du schéma puis, sous l’onglet Entités, sélectionnez ＋ Ajouter pour ajouter une nouvelle entité.

  2. Dans la boîte de dialogue Ajouter une entité, entrez le nom d’entité Location et vérifiez que l’onglet Apprise est sélectionné. Ensuite, sélectionnez Ajouter une entité.

  3. Une fois l’entité Emplacement créée, revenez à la page Étiquetage des données.

  4. Sélectionnez l’intention GetTime et entrez le nouvel exemple d’énoncé suivant :

    what time is it in London?

  5. Une fois l’énoncé ajouté, sélectionnez le mot Londres, puis dans la liste déroulante qui s’affiche, sélectionnez Emplacement pour indiquer que « Londres » est un exemple d’emplacement.

  6. Ajoutez un autre exemple d’énoncé pour l’intention GetTime :

    Tell me the time in Paris?

  7. Une fois l’énoncé ajouté, sélectionnez le mot Paris, puis mappez-le à l’entité Emplacement.

  8. Ajoutez un autre exemple d’énoncé pour l’intention GetTime :

    what's the time in New York?

  9. Une fois l’énoncé ajouté, sélectionnez le mot New York, puis mappez-les à l’entité Emplacement.

  10. Sélectionnez Enregistrer les modifications pour enregistrer les nouveaux énoncés.

Ajouter une entité de liste

Dans certains cas, les valeurs valides pour une entité peuvent être limitées à une liste de termes et de synonymes spécifiques, qui peut aider l’application à identifier les instances de l’entité dans les énoncés.

  1. Dans Language Studio, revenez à la page Définition du schéma puis, sous l’onglet Entités, sélectionnez ＋ Ajouter pour ajouter une nouvelle entité.

  2. Dans la boîte de dialogue Ajouter une entité, entrez le nom d’entité Weekday et ouvrez l’onglet d’entité Liste, puis sélectionnez Ajouter une entité.

  3. Sur la page de l’entité Jour de la semaine, dans la section Apprise , vérifiez que l’option Non obligatoire est sélectionnée. Ensuite, dans la section Liste , sélectionnez ＋ Ajouter une nouvelle liste. Entrez ensuite la valeur et le synonyme suivants, puis sélectionnez Enregistrer :

    Clé de liste Synonymes
    Sunday Sun

    REMARQUE : pour saisir les champs de la nouvelle liste, insérez la valeur Sunday dans le champ de texte, puis cliquez sur le champ où « Tapez la valeur et appuyez sur Entrée… » s’affiche, entrez les synonymes, puis appuyez sur Entrée.

  4. Répétez l’étape précédente pour ajouter les composants de liste suivants :

    Valeur Synonymes
    Monday Mon
    Tuesday Tue, Tues
    Wednesday Wed, Weds
    Thursday Thur, Thurs
    Friday Fri
    Saturday Sat
  5. Après avoir ajouté et enregistré les valeurs de la liste, revenez à la page Étiquetage des données.

  6. Sélectionnez l’intention GetDate et entrez le nouvel exemple d’énoncé suivant :

    what date was it on Saturday?

  7. Une fois l’énoncé ajouté, sélectionnez le mot Samedi, puis dans la liste déroulante qui s’affiche, sélectionnez Jour de la semaine.

  8. Ajoutez un autre exemple d’énoncé pour l’intention GetDate :

    what date will it be on Friday?

  9. Une fois l’énoncé ajouté, mappez Vendredi à l’entité Jour de la semaine.

  10. Ajoutez un autre exemple d’énoncé pour l’intention GetDate :

    what will the date be on Thurs?

  11. Une fois l’énoncé ajouté, mappez Jeudi à l’entité Jour de la semaine.

  12. Sélectionnez Enregistrer les modifications pour enregistrer les nouveaux énoncés.

Ajouter une entité prédéfinie

Le service Azure AI Language fournit un ensemble d’entités prédéfinies couramment utilisées dans les applications conversationnelles.

  1. Dans Language Studio, revenez à la page Définition du schéma puis, sous l’onglet Entités, sélectionnez ＋ Ajouter pour ajouter une nouvelle entité.

  2. Dans la boîte de dialogue Ajouter une entité, entrez le nom d’entité Date et ouvrez l’onglet d’entité Prédéfinie, puis sélectionnez Ajouter une entité.

  3. Sur la page de l’entité Date, dans la section Apprise , vérifiez que l’option Non obligatoire est sélectionnée. Ensuite, dans la section Prédéfinie , sélectionnez ＋ Ajouter une nouvelle entité prédéfinie.

  4. Dans la liste Sélectionner une entité prédéfinie, sélectionnez DateTime, puis Enregistrer.
  5. Après avoir ajouté l’entité prédéfinie, retournez à la page d’étiquetage des données

  6. Sélectionnez l’intention GetDay et entrez le nouvel exemple d’énoncé suivant :

    what day was 01/01/1901?

  7. Une fois l’énoncé ajouté, sélectionnez 01/01/1901, puis dans la liste déroulante qui s’affiche, sélectionnez Date.

  8. Ajoutez un autre exemple d’énoncé pour l’intention GetDay :

    what day will it be on Dec 31st 2099?

  9. Une fois l’énoncé ajouté, mappez 31 déc 2099 à l’entité Date.

  10. Sélectionnez Enregistrer les modifications pour enregistrer les nouveaux énoncés.

Recycler le modèle

Maintenant que vous avez modifié le schéma, vous devez réentraîner et retester le modèle.

  1. Dans la page Travaux d’entraînement, sélectionnez Démarrer un travail d’entraînement.

  2. Dans la boîte de dialogue Démarrer un travail d’entraînement, sélectionnez l’option permettant de remplacer un modèle existant et spécifiez le modèle Horloge. Pour entraîner le modèle, sélectionnez Entraîner. Si le système vous y invite, confirmez que vous souhaitez remplacer le modèle existant.

  3. Une l’entraînement terminé, l’État du travail est mis à jour vers Entraînement réussi.

  4. Sélectionnez la page Performances du modèle, puis sélectionnez le modèle Clock. Passez en revue les métriques d’évaluation (précision, rappel et score F1) et la matrice de confusion générée par l’évaluation effectuée lors de l’entraînement (notez qu’en raison du petit nombre d’exemples d’énoncés, toutes les intentions ne peuvent pas être incluses dans les résultats).

  5. Dans la page Déploiement d’un modèle, sélectionnez Ajouter un déploiement.

  6. Dans la boîte de dialogue Ajouter un déploiement, sélectionnez Remplacer un nom de déploiement existant, puis sélectionnez production.

  7. Sélectionnez le modèle Horloge dans le champ Modèle, puis sélectionnez Déployer. Cette opération peut prendre un certain temps.

  8. Une fois le modèle déployé, sur la page Test des déploiements, sélectionnez le déploiement production sous le champ Nom du déploiement, puis testez-le avec le texte suivant :

    what's the time in Edinburgh?

  9. Passez en revue le résultat retourné, qui devrait prédire l’intention GetTime et une entité Emplacement avec la valeur de texte « Édimbourg ».

  10. Essayez de tester les énoncés suivants :

    what time is it in Tokyo?

    what date is it on Friday?

    what's the date on Weds?

    what day was 01/01/2020?

    what day will Mar 7th 2030 be?

Utiliser le modèle à partir d’une application cliente

Dans un projet réel, vous affineriez de manière itérative les intentions et les entités, entraîneriez à nouveau et retesteriez jusqu’à ce que vous soyez satisfait des performances prédictives. Ensuite, une fois que vous auriez testé le modèle et que vous seriez satisfait de ses performances prédictives, vous pourriez l’utiliser dans une application cliente en appelant son interface REST ou un SDK spécifique au runtime.

Préparer le développement d’une application dans Visual Studio Code

Vous allez développer votre application de compréhension du langage à l’aide de Visual Studio Code. Les fichiers de code de votre application ont été fournis dans un référentiel GitHub.

Conseil : si vous avez déjà cloné le référentiel mslearn-ai-language, ouvrez-le dans Visual Studio Code. Dans le cas contraire, procédez comme suit pour le cloner dans votre environnement de développement.

  1. Démarrez Visual Studio Code.
  2. Ouvrez la palette (Maj+CTRL+P) et exécutez une commande Git : Cloner pour cloner le référentiel https://github.com/MicrosoftLearning/mslearn-ai-language vers un dossier local (peu importe quel dossier).

  3. Lorsque le référentiel a été cloné, ouvrez le dossier dans Visual Studio Code.

    Remarque : Si Visual Studio Code affiche un message contextuel qui vous invite à approuver le code que vous ouvrez, cliquez sur l’option Oui, je fais confiance aux auteurs dans la fenêtre contextuelle.

  4. Attendez que des fichiers supplémentaires soient installés pour prendre en charge les projets de code C# dans le référentiel.

    Remarque : si vous êtes invité à ajouter des ressources requises pour générer et déboguer, sélectionnez Not Now (Pas maintenant).

Configuration de votre application

Des applications pour C# et Python sont fournies, ainsi qu’un exemple de fichier texte que vous utiliserez pour tester le résumé. Les deux applications présentent les mêmes fonctionnalités. Premièrement, vous allez terminer certaines parties clés de l’application pour lui permettre d’utiliser votre ressource Azure AI Language.

  1. Dans Visual Studio Code, dans le volet Explorateur, accédez au dossier Labfiles/03-language et développez le dossier CSharp ou Python en fonction de votre préférence de langage, ainsi que le dossier clock-client qu’il contient. Chaque dossier contient les fichiers propres au langage d’une application dans laquelle vous allez intégrer des fonctionnalités de réponse aux questions d’Azure AI Language.

  2. Cliquez avec le bouton droit sur le dossier clock-client, qui contient vos fichiers de code, et ouvrez un terminal intégré. Installez ensuite le package du kit de développement logiciel (SDK) de compréhension du langage courant d’Azure AI Language en exécutant la commande appropriée en fonction de votre préférence de langage :

    C# :

     dotnet add package Azure.AI.Language.Conversations --version 1.1.0

    Python :

     pip install azure-ai-language-conversations

  3. Dans le volet Explorateur, dans le dossier clock-client, ouvrez le fichier de configuration correspondant à votre langage préféré.

    • C# : appsettings.json
    • Python : .env
  4. Mettez à jour les valeurs de configuration de sorte à inclure un point de terminaison et une clé de la ressource Azure Language que vous avez créée (disponible sur la page Clés et point de terminaison de votre ressource Azure AI Language dans le Portail Azure).
  5. Enregistrez le fichier de configuration.

Ajouter du code à l’application

Vous pouvez maintenant ajouter le code nécessaire pour importer les bibliothèques de SDK requises, établir une connexion authentifiée à votre projet déployé et poser des questions.

  1. Notez que le dossier clock-client contient un fichier de code pour l’application cliente :

    • C# : Program.cs
    • Python : clock-client.py

    Ouvrez le fichier de code et, en haut, sous les références d’espace de noms existantes, recherchez le commentaire Importer des espaces de noms. Ensuite, sous ce commentaire, ajoutez le code spécifique au langage suivant pour importer les espaces de noms dont vous aurez besoin pour utiliser le kit de développement logiciel (SDK) d’analyse de texte :

    C#  : Programs.cs

     // import namespaces
 using Azure;
 using Azure.AI.Language.Conversations;

    Python : clock-client.py

     # Import namespaces
 from azure.core.credentials import AzureKeyCredential
 from azure.ai.language.conversations import ConversationAnalysisClient

  2. Dans la fonction Principal, notez que le code pour charger le point de terminaison et la clé de la prédiction à partir du fichier de configuration a déjà été fourni. Recherchez ensuite le commentaire Créer un client pour le modèle de service de langage et ajoutez le code suivant pour créer un client de prédiction pour votre application Language Service :

    C#  : Programs.cs

     // Create a client for the Language service model
 Uri endpoint = new Uri(predictionEndpoint);
 AzureKeyCredential credential = new AzureKeyCredential(predictionKey);

 ConversationAnalysisClient client = new ConversationAnalysisClient(endpoint, credential);

    Python : clock-client.py

     # Create a client for the Language service model
 client = ConversationAnalysisClient(
     ls_prediction_endpoint, AzureKeyCredential(ls_prediction_key))

  3. Notez que le code de la fonction Main invite l’utilisateur à entrer une entrée utilisateur jusqu’à ce que l’utilisateur entre « quit ». Dans cette boucle, recherchez le commentaire Appeler le modèle de service de langage pour obtenir l’intention et les entités et ajouter le code suivant :

    C#  : Programs.cs

     // Call the Language service model to get intent and entities
 var projectName = "Clock";
 var deploymentName = "production";
 var data = new
 {
     analysisInput = new
     {
         conversationItem = new
         {
             text = userText,
             id = "1",
             participantId = "1",
         }
     },
     parameters = new
     {
         projectName,
         deploymentName,
         // Use Utf16CodeUnit for strings in .NET.
         stringIndexType = "Utf16CodeUnit",
     },
     kind = "Conversation",
 };
 // Send request
 Response response = await client.AnalyzeConversationAsync(RequestContent.Create(data));
 dynamic conversationalTaskResult = response.Content.ToDynamicFromJson(JsonPropertyNames.CamelCase);
 dynamic conversationPrediction = conversationalTaskResult.Result.Prediction;   
 var options = new JsonSerializerOptions { WriteIndented = true };
 Console.WriteLine(JsonSerializer.Serialize(conversationalTaskResult, options));
 Console.WriteLine("--------------------\n");
 Console.WriteLine(userText);
 var topIntent = "";
 if (conversationPrediction.Intents[0].ConfidenceScore > 0.5)
 {
     topIntent = conversationPrediction.TopIntent;
 }

    Python : clock-client.py

     # Call the Language service model to get intent and entities
 cls_project = 'Clock'
 deployment_slot = 'production'

 with client:
     query = userText
     result = client.analyze_conversation(
         task={
             "kind": "Conversation",
             "analysisInput": {
                 "conversationItem": {
                     "participantId": "1",
                     "id": "1",
                     "modality": "text",
                     "language": "en",
                     "text": query
                 },
                 "isLoggingEnabled": False
             },
             "parameters": {
                 "projectName": cls_project,
                 "deploymentName": deployment_slot,
                 "verbose": True
             }
         }
     )

 top_intent = result["result"]["prediction"]["topIntent"]
 entities = result["result"]["prediction"]["entities"]

 print("view top intent:")
 print("\ttop intent: {}".format(result["result"]["prediction"]["topIntent"]))
 print("\tcategory: {}".format(result["result"]["prediction"]["intents"][0]["category"]))
 print("\tconfidence score: {}\n".format(result["result"]["prediction"]["intents"][0]["confidenceScore"]))

 print("view entities:")
 for entity in entities:
     print("\tcategory: {}".format(entity["category"]))
     print("\ttext: {}".format(entity["text"]))
     print("\tconfidence score: {}".format(entity["confidenceScore"]))

 print("query: {}".format(result["result"]["query"]))

    L’appel au modèle de service de langage retourne une prédiction/un résultat, qui inclut l’intention supérieure (la plus probable) ainsi que toutes les entités détectées dans l’énoncé d’entrée. Votre application cliente doit maintenant utiliser cette prédiction pour déterminer et effectuer l’action appropriée.

  4. Recherchez le commentaire Appliquer l’action appropriée et ajoutez le code suivant, qui recherche les intentions prises en charge par l’application (GetTime, GetDate et GetDay) et détermine si des entités pertinentes ont été détectées, avant d’appeler une fonction existante pour produire une réponse appropriée.

    C#  : Programs.cs

     // Apply the appropriate action
 switch (topIntent)
 {
     case "GetTime":
         var location = "local";           
         // Check for a location entity
         foreach (dynamic entity in conversationPrediction.Entities)
         {
             if (entity.Category == "Location")
             {
                 //Console.WriteLine($"Location Confidence: {entity.ConfidenceScore}");
                 location = entity.Text;
             }
         }
         // Get the time for the specified location
         string timeResponse = GetTime(location);
         Console.WriteLine(timeResponse);
         break;
     case "GetDay":
         var date = DateTime.Today.ToShortDateString();            
         // Check for a Date entity
         foreach (dynamic entity in conversationPrediction.Entities)
         {
             if (entity.Category == "Date")
             {
                 //Console.WriteLine($"Location Confidence: {entity.ConfidenceScore}");
                 date = entity.Text;
             }
         }            
         // Get the day for the specified date
         string dayResponse = GetDay(date);
         Console.WriteLine(dayResponse);
         break;
     case "GetDate":
         var day = DateTime.Today.DayOfWeek.ToString();
         // Check for entities            
         // Check for a Weekday entity
         foreach (dynamic entity in conversationPrediction.Entities)
         {
             if (entity.Category == "Weekday")
             {
                 //Console.WriteLine($"Location Confidence: {entity.ConfidenceScore}");
                 day = entity.Text;
             }
         }          
         // Get the date for the specified day
         string dateResponse = GetDate(day);
         Console.WriteLine(dateResponse);
         break;
     default:
         // Some other intent (for example, "None") was predicted
         Console.WriteLine("Try asking me for the time, the day, or the date.");
         break;
 }

    Python : clock-client.py

     # Apply the appropriate action
 if top_intent == 'GetTime':
     location = 'local'
     # Check for entities
     if len(entities) > 0:
         # Check for a location entity
         for entity in entities:
             if 'Location' == entity["category"]:
                 # ML entities are strings, get the first one
                 location = entity["text"]
     # Get the time for the specified location
     print(GetTime(location))

 elif top_intent == 'GetDay':
     date_string = date.today().strftime("%m/%d/%Y")
     # Check for entities
     if len(entities) > 0:
         # Check for a Date entity
         for entity in entities:
             if 'Date' == entity["category"]:
                 # Regex entities are strings, get the first one
                 date_string = entity["text"]
     # Get the day for the specified date
     print(GetDay(date_string))

 elif top_intent == 'GetDate':
     day = 'today'
     # Check for entities
     if len(entities) > 0:
         # Check for a Weekday entity
         for entity in entities:
             if 'Weekday' == entity["category"]:
             # List entities are lists
                 day = entity["text"]
     # Get the date for the specified day
     print(GetDate(day))

 else:
     # Some other intent (for example, "None") was predicted
     print('Try asking me for the time, the day, or the date.')

  5. Enregistrez vos modifications et revenez au terminal intégré pour le dossier clock-client et entrez la commande suivante pour exécuter le programme :

    • C#  : dotnet run
    • Python : python clock-client.py

    Conseil : vous pouvez utiliser l’icône Agrandir le volet (^) dans la barre d’outils du terminal pour mieux voir le texte de la console.

  6. Lorsque vous y êtes invité, entrez des énoncés pour tester l’application. Par exemple, essayez :

    Bonjour

    Quelle heure est-il ?

    Quelle heure est-il à Londres ?

    Quelle est la date ?

    Quelle est la date du dimanche ?

    Quel jour sommes-nous ?

    Quel jour sera le 01/01/2025 ?

    Remarque : La logique de l’application est délibérément simple et présente un certain nombre de limitations. Par exemple, lorsque vous obtenez l’heure, seul un ensemble restreint de villes est pris en charge et l’heure d’été est ignorée. L’objectif est de voir un exemple de modèle classique pour l’utilisation du service de langage dans lequel votre application doit :

    1. Se connecter à un point de terminaison de prédiction.
    2. Envoyer un énoncé pour obtenir une prédiction.
    3. Implémenter une logique pour répondre de manière appropriée à l’intention et aux entités prédites.

  7. Une fois que vous avez terminé le test, saisissez quit.

Nettoyer les ressources

Si vous avez fini d’explorer le service Azure AI Language, vous pouvez supprimer les ressources que vous avez créées dans cet exercice. Voici comment procéder :

  1. Ouvrez le portail Azure à l’adresse https://portal.azure.com et connectez-vous avec le compte Microsoft associé à votre abonnement Azure.
  2. Accédez à la ressource Azure AI Language que vous avez créée dans ce labo.
  3. Dans la page de la ressource, sélectionnez Supprimer et suivez les instructions pour supprimer la ressource.

Plus d’informations

Pour en savoir plus sur la compréhension du langage courant avec Azure AI Language, consultez la documentation d’Azure AI Language.