언어 서비스를 사용하여 언어 이해 모델 만들기

참고 Azure AI 언어 서비스의 대화 언어 이해 기능은 현재 미리 보기 상태이며 변경될 수 있습니다. 경우에 따라 모델 학습이 실패할 수 있습니다. 이 경우 다시 시도하세요.

언어 서비스를 사용하면 애플리케이션이 사용자의 자연어 입력을 해석하고, 사용자 의도(달성하려는 것)를 예측하고, 의도를 적용해야 하는 엔터티를 식별하는 데 사용할 수 있는 대화 언어 이해 모델을 정의할 수 있습니다.

예를 들어, 시계 애플리케이션용 대화 언어 모델은 다음과 같은 입력을 처리해야 할 수 있습니다.

What is the time in London?

이러한 입력 유형의 예가 발화(사용자가 말하거나 입력하는 내용)입니다. 이 발화에서 원하는 의도는 특정 위치(엔터티), 즉 여기서는 런던의 시간을 확인하는 것입니다.**

참고 대화 언어 모델의 작업은 사용자 의도를 예측하고 해당 의도가 적용되는 엔터티를 식별하는 것입니다. 의도를 충족하는 데 필요한 작업을 실제로 수행하는 것은 대화 언어 모델의 작업이 아닙니다. 예를 들어, 시계 애플리케이션은 대화 언어 모델을 사용하여 사용자가 런던의 시간을 확인하려 한다는 것을 파악할 수는 있습니다. 그러나 이처럼 의도가 파악되고 나면 클라이언트 애플리케이션 자체가 논리를 구현해 정확한 시간을 확인하여 사용자에게 표시해야 합니다.

Azure AI 언어 리소스를 프로비전합니다.

구독에 아직 리소스가 없는 경우 Azure 구독에 Azure AI 언어 서비스 리소스를 프로비전해야 합니다.

  1. https://portal.azure.com의 Azure Portal을 열고 Azure 구독과 연관된 Microsoft 계정을 사용하여 로그인합니다.
  2. 상단 검색 창에서 Azure AI 서비스를 검색합니다. 그런 다음 결과에서 언어 서비스 아래의 만들기를 선택합니다.
  3. 계속하여 리소스 만들기를 선택합니다.
  4. 다음 설정을 사용하여 리소스를 프로비전합니다.
    • 구독: 자신의 Azure 구독.
    • 리소스 그룹: 리소스 그룹을 선택하거나 만듭니다.
    • 지역: 사용 가능한 지역을 선택합니다.
    • 이름: 고유한 이름을 입력합니다.
    • 가격 책정 계층: F를 사용할 수 없는 경우 F0(무료) 또는 S(표준)를 선택합니다.
    • 담당 AI 알림: 동의합니다.
  5. 검토 + 만들기를 선택한 다음, 만들기를 선택하여 리소스를 프로비전합니다.
  6. 배포가 완료될 때까지 기다린 다음, 배포된 리소스로 이동합니다.
  7. 키 및 엔드포인트 페이지를 확인합니다. 연습 후반부에서 이 페이지의 정보가 필요합니다.

대화 언어 이해 프로젝트 만들기

이제 작성 리소스를 만들었으므로 이 리소스를 사용하여 대화 언어 이해 프로젝트를 만들 수 있습니다.

  1. 새 브라우저 탭에서 https://language.cognitive.azure.com/의 Azure AI 언어 스튜디오 포털을 열고 Azure 구독과 연결된 Microsoft 계정을 사용하여 로그인합니다.

  2. 언어 리소스를 선택하라는 메시지가 표시되면 다음 설정을 선택합니다.

    • Azure Directory: 구독이 포함된 Azure Directory입니다.
    • Azure 구독: Azure 구독입니다.
    • 리소스 종류: 언어.
    • 언어 리소스: 이전에 만든 Azure AI 언어 리소스입니다.

    언어 리소스를 선택하라는 메시지가 표시되지 않으면 구독에 여러 언어 리소스가 있기 때문일 수 있습니다. 이 경우 다음을 수행합니다.

    1. 페이지 상단 표시줄에서 설정(⚙) 단추를 선택합니다.
    2. 설정 페이지에서 리소스 탭을 봅니다.
    3. 방금 만든 언어 리소스를 선택하고 리소스 전환을 클릭합니다.
    4. 페이지 맨 위에서 Language Studio를 클릭하여 Language Studio 홈페이지로 돌아갑니다.

  3. 포털 위쪽의 새로 만들기 메뉴에서 대화형 언어 이해을 선택합니다.

  4. 기본 정보 입력 페이지의 프로젝트 만들기 대화 상자에 다음 세부 정보를 입력하고 다음을 선택합니다.
    • 이름: Clock
    • 발화 기본 언어: 영어
    • 프로젝트에서 여러 언어 사용: 선택 안 함**
    • 설명: Natural language clock
  5. 검토 및 완료 페이지에서 만들기를 선택합니다.

의도 만들기

새 프로젝트에서 가장 먼저 수행할 작업은 일부 의도를 정의하는 것입니다. 모델은 궁극적으로 자연어 발화를 제출할 때 사용자가 요청하는 의도를 예측합니다.

팁: 프로젝트 작업 시 몇 가지 팁이 표시되면 해당 팁을 읽고 확인을 선택하여 닫거나 모두 건너뛰기를 선택합니다.

  1. 스키마 정의 페이지의 의도 탭에서 ＋ 추가를 선택하여 GetTime이라는 새 의도를 추가합니다.
  2. GetTime 의도가 기본 None 의도와 함께 나열되어 있는지 확인합니다. 그런 후 다음 추가 의도를 추가합니다.
    • GetDay
    • GetDate

샘플 발화로 각 의도에 레이블 지정

모델이 사용자가 요청하는 의도를 예측할 수 있도록 하려면 몇 가지 샘플 발화로 각 의도에 레이블을 지정해야 합니다.

  1. 왼쪽 창에서 데이터 레이블 지정 페이지를 선택합니다.

팁: » 아이콘을 사용하여 창을 확장하여 페이지 이름을 확인하고, « 아이콘을 사용하여 창을 다시 숨길 수 있습니다.

  1. 새 GetTime 의도를 선택하고 발화 what is the time?을 입력합니다. 이렇게 하면 발화가 의도에 대한 샘플 입력으로 추가됩니다.
  2. GetTime 의도에 대해 다음 추가 발화를 추가합니다.
    • what's the time?
    • what time is it?
    • tell me the time

    참고 새 발화를 추가하려면 의도 옆에 있는 텍스트 상자에 발화를 작성한 다음 Enter 키를 누릅니다.

  3. GetDay 의도를 선택하고 해당 의도에 대한 입력 예로 다음 발화를 추가합니다.
    • what day is it?
    • what's the day?
    • what is the day today?
    • what day of the week is it?
  4. GetDate 의도를 선택하고 이에 대한 다음 발화를 추가합니다.
    • what date is it?
    • what's the date?
    • what is the date today?
    • what's today's date?
  5. 각 의도에 대한 발화를 추가한 후 변경 내용 저장을 선택합니다.

모델 학습 및 테스트

이제 일부 의도를 추가했으므로 언어 모델을 학습시키고 사용자 입력에서 올바르게 예측할 수 있는지 확인해 보겠습니다.

  1. 왼쪽 창에서 학습 작업을 선택합니다. 그런 다음 + 학습 작업 시작을 선택합니다.

  2. 학습 작업 시작 대화 상자에서 새 모델을 학습하는 옵션을 선택하고 이름을 Clock로 지정합니다. 표준 학습 모드와 기본 데이터 분할 옵션을 선택합니다.

  3. 모델 학습 과정을 시작하려면 학습을 선택합니다.

  4. 학습이 완료되면(몇 분 정도 걸릴 수 있음) 작업 상태가 학습 성공으로 변경됩니다.

  5. 모델 성능 페이지를 선택한 다음 클록 모델을 선택합니다. 전체 및 의도별 평가 메트릭(정밀도, 재현율, F1 점수)과 학습 시 수행된 평가에서 생성된 혼동 행렬을 검토합니다(샘플 발화 수가 적기 때문에 일부 의도가 결과에 포함되지 않을 수 있음).****

    참고 평가 메트릭에 대해 자세히 알아보려면 설명서를 참조하세요.

  6. 모델 배포 페이지로 이동한 다음 배포 추가를 선택합니다.

  7. 배포 추가 대화 상자에서 새 배포 이름 만들기를 선택한 다음 production을 입력합니다.

  8. 모델 필드에서 클록 모델을 선택한 다음 배포를 선택합니다. 배포에는 다소 시간이 걸릴 수 있습니다.

  9. 모델이 배포되면 배포 테스트 페이지를 선택한 다음 배포 이름 필드에서 프로덕션 배포를 선택합니다.

  10. 빈 텍스트 상자에 다음 텍스트를 입력한 후 테스트 실행을 선택합니다.

    what's the time now?

    반환되는 결과를 검토하여 예측한 의도(GetTime이어야 함), 그리고 모델이 예측한 의도를 대상으로 계산한 가능성을 나타내는 신뢰도 점수가 포함되어 있음을 확인합니다. JSON 탭은 각 잠재적 의도에 대한 비교 신뢰도를 표시합니다(신뢰도 점수가 가장 높은 것이 예측된 의도임).

  11. 텍스트 상자를 지우고 다음 텍스트로 다른 테스트를 실행합니다.

    tell me the time

    이번에도 예측한 의도 및 신뢰도 점수를 검토합니다.

  12. 다음 텍스트를 시도합니다.

    what's the day today?

    이 경우 모델은 GetDay 의도를 예측해야 합니다.

엔터티 추가

지금까지 의도에 매핑되는 간단한 발화 몇 가지를 정의했습니다. 대다수 실제 애플리케이션에는 더 복잡한 발화가 포함됩니다. 이러한 발화에서 구체적인 데이터 엔터티를 추출하여 의도 예측을 위한 추가 컨텍스트를 수집해야 합니다.

{b>학습된<b} 엔터티를 추가합니다.

가장 일반적인 엔터티 종류는 모델이 예제를 기반으로 엔터티 값을 식별하기 위해 학습하는 학습된 엔터티입니다.**

  1. Language Studio에서 스키마 정의 페이지로 돌아간 다음 엔터티 탭에서 **＋ 새 엔터티를 추가하려면 **을 추가합니다.

  2. 엔터티 추가 대화 상자에서 엔터티 이름 Location을 입력하고 학습함 탭이 선택되어 있는지 확인합니다. 그런 다음 엔터티 추가를 선택합니다.

  3. 위치 엔터티가 만들어진 후 데이터 레이블 지정 페이지로 돌아갑니다.

  4. GetTime 의도를 선택하고 다음과 같은 새로운 발화 예를 입력합니다.

    what time is it in London?

  5. 이 발화를 추가한 후 단어 London을 선택합니다. 그러면 표시되는 드롭다운 목록에서 Location을 선택하여 “London”이 위치의 예임을 지정합니다.

  6. GetTime 의도에 대한 또 다른 발화 예를 추가합니다.

    Tell me the time in Paris?

  7. 발화가 추가된 경우 단어 Paris를 선택하고 Location 엔터티에 매핑합니다.

  8. GetTime 의도에 대한 또 다른 발화 예를 추가합니다.

    what's the time in New York?

  9. 이 발화를 추가한 후 단어 New York을 선택하여 Location 엔터티에 매핑합니다.

  10. 새 발화를 저장하려면 변경 내용 저장을 선택합니다.

list 엔터티 추가

엔터티의 유효한 값을 특정 단어 및 동의어 목록으로 제한할 수 있는 경우도 있습니다. 이렇게 하면 앱이 발화의 엔터티 인스턴스를 쉽게 식별할 수 있습니다.

  1. Language Studio에서 스키마 정의 페이지로 돌아간 다음 엔터티 탭에서 **＋ 새 엔터티를 추가하려면 **을 추가합니다.

  2. 엔터티 추가 대화 상자에서 엔터티 이름 Weekday를 입력하고 목록 엔터티 탭을 선택합니다. 그런 다음 엔터티 추가를 선택합니다.

  3. 평일 엔터티 페이지의 학습함 섹션에서 필요하지 않음이 선택되어 있는지 확인합니다. 그런 다음 목록 섹션에서 ＋ 새 목록 추가를 선택합니다. 그런 후 다음 값과 동의어를 입력하고 저장을 선택합니다.

    목록 키 동의어
    Sunday Sun

    참고 새 목록의 필드를 입력하려면 텍스트 필드에 Sunday 값을 삽입한 다음 ‘값을 입력하고 Enter 키를 누릅니다…‘가 표시되는 필드를 클릭한 다음, 동의어를 입력하고 Enter 키를 누릅니다.

  4. 이전 단계를 반복하여 다음 목록 구성 요소를 추가합니다.

    값 동의어
    Monday Mon
    Tuesday Tue, Tues
    Wednesday Wed, Weds
    Thursday Thur, Thurs
    Friday Fri
    Saturday Sat
  5. 목록 값을 추가하고 저장한 후 데이터 레이블 지정 페이지로 돌아갑니다.

  6. GetDate 의도를 선택하고 다음과 같은 새로운 발화 예를 입력합니다.

    what date was it on Saturday?

  7. 발화가 추가된 경우 단어 Saturday를 선택하고 표시되는 드롭다운 목록에서 Weekday를 선택합니다.

  8. GetDate 의도에 대한 또 다른 발화 예를 추가합니다.

    what date will it be on Friday?

  9. 발화가 추가된 경우 금요일을 Weekday 엔터티에 매핑합니다.

  10. GetDate 의도에 대한 또 다른 발화 예를 추가합니다.

    what will the date be on Thurs?

  11. 발화가 추가된 경우 Thurs를 Weekday 엔터티에 매핑합니다.

  12. 새 발화를 저장하려면 변경 내용 저장을 선택합니다.

미리 빌드된 엔터티 추가**

Azure AI 언어 서비스는 대화형 애플리케이션에서 일반적으로 사용되는 미리 빌드됨 엔터티 집합을 제공합니다.

  1. Language Studio에서 스키마 정의 페이지로 돌아간 다음 엔터티 탭에서 **＋ 새 엔터티를 추가하려면 **을 추가합니다.

  2. 엔터티 추가 대화 상자에서 엔터티 이름 Date를 입력하고 미리 빌드됨 엔터티 탭을 선택합니다. 그런 다음 엔터티 추가를 선택합니다.

  3. 날짜 엔터티 페이지의 학습함 섹션에서 필요하지 않음이 선택되어 있는지 확인합니다. 그런 다음 미리 빌드됨 섹션에서 ＋ 새 미리 빌드됨 추가를 선택합니다.

  4. 미리 빌드됨 선택 목록에서 DateTime을 선택한 다음 저장을 선택합니다.
  5. 미리 빌드됨 엔터티를 추가한 후 데이터 레이블 지정 페이지로 돌아갑니다.

  6. GetDay 의도를 선택하고 다음과 같은 새로운 발화 예를 입력합니다.

    what day was 01/01/1901?

  7. 발화가 추가된 경우 단어 01/01/1901을 선택하고 표시되는 드롭다운 목록에서 Date를 선택합니다.

  8. GetDay 의도에 대한 또 다른 발화 예를 추가합니다.

    what day will it be on Dec 31st 2099?

  9. 발화가 추가된 경우 2099년 12월 31일을 Date 엔터티에 매핑합니다.

  10. 새 발화를 저장하려면 변경 내용 저장을 선택합니다.

모델 재교육

이제 스키마를 수정했으므로 모델을 다시 학습시키고 다시 테스트해야 합니다.

  1. 학습 작업 페이지에서 학습 작업 시작을 선택합니다.

  2. 학습 작업 시작 대화 상자에서 기존 모델 덮어쓰기를 선택하고 클록 모델을 지정합니다. 모델을 학습하려면 학습을 선택합니다. 메시지가 나타나면 기존 모델을 덮어쓸 것인지 확인합니다.

  3. 학습이 완료되면 작업 상태가 학습 성공으로 업데이트됩니다.

  4. 모델 성능 페이지를 선택한 다음 클록 모델을 선택합니다. 평가 메트릭(정밀도, 재현율, F1 점수)과 학습 시 수행된 평가에서 생성된 혼동 행렬을 검토합니다(샘플 발화 수가 적기 때문에 일부 의도가 결과에 포함되지 않을 수 있음).

  5. 모델 배포 페이지에서 배포 추가를 선택합니다.

  6. 모델 배포 대화 상자에서 기존 배포 이름 재정의를 선택한 다음, production을 선택합니다.

  7. 모델 필드에서 클록 모델을 선택한 다음 배포를 선택하여 배포합니다. 이 작업에는 약간의 시간이 걸릴 수 있습니다.

  8. 모델이 배포되면 배포 테스트 페이지의 배포 이름 필드에서 프로덕션 배포를 선택한 후 다음 텍스트를 사용하여 테스트합니다.

    what's the time in Edinburgh?

  9. 반환되는 결과를 검토합니다. 여기에서 GetTime 의도 및 텍스트 값이 “Edinburgh”인 Location 엔터티를 예측할 수 있어야 합니다.

  10. 다음 발화를 테스트해 봅니다.

    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?

클라이언트 앱에서 모델 사용

실제 프로젝트에서는 만족할 만한 예측 성능이 제공될 때까지 의도와 엔터티를 여러 번 미세 조정하고 모델을 다시 학습시켜 테스트를 다시 진행합니다. 그런 다음 테스트를 마치고 예측 성능에 만족하면 REST 인터페이스 또는 런타임별 SDK를 호출하여 클라이언트 앱에서 사용할 수 있습니다.

Visual Studio Code에서 앱 개발 준비

Visual Studio Code를 사용하여 언어 이해 앱을 개발합니다. 앱의 코드 파일은 GitHub 리포지토리에 제공되었습니다.

팁: mslearn-ai-language 리포지토리를 이미 복제한 경우 Visual Studio Code에서 엽니다. 그렇지 않은 경우에는 다음 단계에 따라 개발 환경에 복제합니다.

  1. Visual Studio Code 시작
  2. 팔레트를 열고(Shift+Ctrl+P) Git: Clone 명령을 실행하여 https://github.com/MicrosoftLearning/mslearn-ai-language 리포지토리를 로컬 폴더(아무 폴더나 관계없음)에 복제합니다.

  3. 리포지토리가 복제되면 Visual Studio Code에서 폴더를 엽니다.

    참고: Visual Studio Code에서 열려는 코드를 신뢰하라는 팝업 메시지가 표시되면 팝업에서 예, 작성자를 신뢰합니다. 옵션을 클릭합니다.

  4. 리포지토리의 C# 코드 프로젝트를 지원하는 추가 파일이 설치되는 동안 기다립니다.

    참고: 빌드 및 디버깅에 필요한 자산을 추가하라는 메시지가 표시되면 나중에를 선택합니다.

애플리케이션 사용

C# 및 Python용 애플리케이션과 요약을 테스트하는 데 사용할 샘플 텍스트 파일이 제공되었습니다. 두 앱 모두 동일한 기능을 제공합니다. 먼저, Azure AI 언어 리소스를 사용할 수 있도록 애플리케이션의 일부 주요 부분을 완료합니다.

  1. Visual Studio Code의 탐색기 창에서 Labfiles/03-언어 폴더를 찾아 CSharp 또는 Python 폴더를 확장합니다. 언어 선택과 여기에 포함된 clock-client 폴더에 따라 다릅니다. 각 폴더에는 Azure AI 언어 질문 답변 기능을 통합할 앱에 대한 언어별 파일이 포함되어 있습니다.

  2. 코드 파일이 포함된 clock-client 폴더를 마우스 오른쪽 단추로 클릭하고 통합 터미널을 엽니다. 그런 다음, 언어 선택에 적절한 명령을 실행하여 Azure AI 언어 대화 언어 이해 SDK 패키지를 설치합니다.

    C#:

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

    Python:

     pip install azure-ai-language-conversations

  3. 탐색기 창의 clock-client 폴더에서 기본 설정 언어에 대한 구성 파일을 엽니다.

    • C#: appsettings.json
    • Python: .env
  4. 만든 Azure 언어 리소스의 엔드포인트 및 키를 포함하도록 구성 값을 업데이트합니다(Azure Portal의 Azure AI 언어 리소스에 대한 키 및 엔드포인트 페이지에서 사용 가능).
  5. 구성 파일을 저장합니다.

애플리케이션에 코드 추가

이제 필수 SDK 라이브러리를 가져오고, 배포된 프로젝트에 인증된 연결을 설정하고, 질문을 제출하는 데 필요한 코드를 추가할 준비가 되었습니다.

  1. clock-client 폴더에는 클라이언트 애플리케이션용 코드 파일이 포함되어 있습니다.

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

    코드 파일을 열고 파일 맨 윗부분의 기존 네임스페이스 참조 아래에 있는 네임스페이스 가져오기 주석을 찾습니다. 그런 다음 이 주석 아래에 다음 언어별 코드를 추가하여 Text Analytics SDK를 사용하는 데 필요한 네임스페이스를 가져옵니다.

    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. Main 함수에서 구성 파일의 예측 엔드포인트 및 키를 로드하는 코드가 이미 제공되어 있음을 알 수 있습니다. 그런 후 언어 서비스 모델에 대한 클라이언트 만들기 주석을 찾고 다음 코드를 추가하여 언어 서비스 앱에 대한 예측 클라이언트를 만듭니다.

    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. Main의 코드는 사용자가 “quit”을 입력할 때까지 사용자 입력을 제공하라는 메시지를 표시합니다. 이 루프 내에서 언어 서비스 모델을 호출하여 의도 및 엔터티 가져오기 주석을 찾고 다음 코드를 추가합니다.

    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"]))

    언어 서비스 모델을 호출하면 예측/결과가 반환됩니다. 여기에는 상위(가장 가능성이 높은) 의도, 그리고 입력 발화에서 검색된 모든 엔터티가 포함됩니다. 이제 클라이언트 애플리케이션은 해당 예측을 사용하여 적절한 작업을 결정한 다음 수행해야 합니다.

  4. 적절한 작업 적용 주석을 찾고 다음 코드를 추가합니다. 이 코드는 애플리케이션에서 지원하는 의도(GetTime, GetDate 및 GetDay)를 확인하고 관련 엔터티가 검색되었는지를 확인한 후 기존 함수를 호출하여 적절한 응답을 생성합니다.

    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. 변경 내용을 저장하고 clock-client 폴더의 통합 터미널로 돌아와서 다음 명령을 입력하여 프로그램을 실행합니다.

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

    팁: 터미널 도구 모음의 패널 크기 최대화(^) 아이콘을 사용하면 더 많은 콘솔 텍스트를 볼 수 있습니다.

  6. 메시지가 표시되면 발화를 입력하여 애플리케이션을 테스트합니다. 예를 들어 다음을 시도해 보세요.

    Hello

    What time is it?

    What’s the time in London?

    What’s the date?

    What date is Sunday?

    What day is it?

    What day is 01/01/2025?

    참고: 여기서는 애플리케이션에 의도적으로 단순한 논리가 사용되었으며 몇 가지 제한이 적용되었습니다. 예를 들어 시간을 가져올 때는 제한된 도시 세트만 지원되며 일광 절약 시간제는 무시됩니다. 목표는 애플리케이션이 수행해야 하는 일반적인 언어 서비스 사용 패턴의 예를 확인하는 것입니다.

    1. 예측 엔드포인트에 연결
    2. 발화를 제출하여 예측 가져오기
    3. 예측된 의도와 엔터티에 적절하게 응답하는 논리 구현

  7. 테스트를 완료한 후 quit을 입력합니다.

리소스 정리

Azure AI 언어 서비스 탐색을 마쳤으면 이 연습에서 만든 리소스를 삭제할 수 있습니다. 이 경우 가능한 방법은 다음과 같습니다.

  1. https://portal.azure.com의 Azure Portal을 열고 Azure 구독과 연관된 Microsoft 계정을 사용하여 로그인합니다.
  2. 이 랩에서 만든 Azure AI 언어 리소스를 찾습니다.
  3. 리소스 페이지에서 삭제를 선택하고 지침에 따라 리소스를 삭제합니다.

자세한 정보

Azure AI 언어의 대화 언어 이해에 대해 자세히 알아보려면 Azure AI 언어 설명서를 참조하세요.