Dalam Copilot Studio, Anda dapat menggunakan entitas untuk memudahkan pengumpulan informasi dari user query dan mengurangi jumlah pertanyaan yang perlu dijawab. Untuk melakukan hal tersebut, Anda harus terlebih dahulu mendefinisikan entitas yang ingin digunakan dan tipe-tipe mereka.

Mendefinisikan Entitas

Copilot Studio menyediakan beberapa entitas bawaan untuk beberapa kasus penggunaan umum, seperti Email, Date and time, Person name, Phone number, Color, Country, City, Number, Money, dan lain-lain. Entitas bawaan ini sangat kuat karena dapat menghandle banyak variasi bentuk informasi yang dapat diinput user.

Misalnya, jika Anda menggunakan entitas Money dalam sebuah konversi, pengguna mungkin memasukkan nilai sebagai "$100" atau "a hundred dollars" atau "100 dollars". Model NLU (Natural Language Understanding) dalam Copilot Studio akan mengetahui bahwa nilai tersebut adalah nilai uang sebesar 100 dollar.

TIPS

Jika nilai-nilai diinput, asalkan mereka di- request dengan pertanyaan dalam flow konversi Anda, maka nilai-nilai tersebut akan disimpan sebagai variabel yang dapat digunakan kembali.

Anda juga dapat mendefinisikan entitas sendiri, seperti Item Type dari contoh sebelumnya. Entitas custom ini dapat berupa dua tipe:

• Daftar tertutup (Closed List): untuk daftar nilai yang telah ditentukan sebelumnya.
• Regular expressions (RegEx): untuk informasi yang sesuai dengan pola tertentu.

Meningkatkan Pengalaman Pengguna

Penggunaan entitas membuat hidup Anda lebih sederhana, karena Copilot Studio dapat mengumpulkan informasi dari user query lebih inteligently. Yang lebih penting lagi, penggunaan entitas juga membuat pengalaman pengguna lebih baik, karena entitas dapat menemukan dan menyimpan informasi dari user query, kemudian membuat informasi tersebut tersedia kembali dalam konversi.

Entitas meningkatkan pengalaman pengguna – mereka membuat Copilot Anda tampak lebih cerdas – dan menggunakan entitas secara teratur adalah praktik terbaik.

Praktik Terbaik Entitas

• Gunakan sinonim

• Anda dapat menambahkan sinonim ke nilai daftar tertutup entitas untuk memanualisasi logika matching manual untuk setiap item dalam daftar. Contoh, dalam "hiking" item, Anda dapat menambahkan "trekking" dan "mountaineering" sebagai sinonim.

• Aktifkan Pemantau Smart Matching

• Untuk setiap entitas daftar tertutup, Anda juga dapat mengaktifkan pemantau Smart Matching.
• Pemantau Smart Matching adalah bagian dari intelligence yang didukung oleh model NLU Copilot. Dengan opsi ini diaktifkan, Copilot akan memahami input pengguna menggunakan logika fuzzy berdasarkan daftar item entitas.

Banyak Sekali: Menggunakan RegEx

• Kadang-kadang, ekstraksi entitas dari query user dapat menyebabkan kebingungan untuk model NLU, terutama saat beberapa entitas tipe yang sama hadir dalam query.

• Misalnya, jika pengguna mengatakan:
  "can you bring 2 towels and 1 pillow to room 101"

• Anda dapat menggunakan RegEx entitas untuk menyelesaikan kebingungan ini. Contoh, Anda dapat mendefinisikan entitas sebagai berikut:

Towel Quantity: [1-9] towel
Pillow Quantity: [1-9] pillow
Room Number: [0-9]{3}

Alternatif untuk Menyimpan Data Referensi

• Untuk dataset besar atau yang sedang berkembang (misalnya daftar produk atau pelanggan), Anda mungkin ingin menggunakan sumber eksternal. Anda perlu mempass user utterance ke jasa eksternal melalui aliran cloud Power Automate.
• Logika topik Anda kemudian dapat mengvalidasi akurasinya (atau meminta pengguna untuk mengkonfirmasikan) sebelum melanjutkan konversi.

Dataverse adalah kandidat yang baik untuk menyimpan data referensi, karena memiliki fitur Dataverse Search bawaan yang mendukung matching fuzzy untuk mencari hasil terbaik dengan skor kepercayaan. Bahkan jika Anda mencari dengan kalimat penuh, maka dapat mengembalikan potensial match.

Umpan Balik

• Kami akan menulis artikel lainnya tentang bagaimana menggunakan entitas dalam Copilot Studio.