32 KiB

Raw Permalink Blame History

Fahami Bahasa

Sketchnote oleh Nitya Narasimhan. Klik imej untuk versi yang lebih besar.

Kuiz Pra-Kuliah

Pengenalan

Dalam pelajaran sebelum ini, anda telah menukar ucapan kepada teks. Untuk menggunakan ini dalam memprogramkan pemasa pintar, kod anda perlu memahami apa yang telah dikatakan. Anda mungkin mengandaikan pengguna akan menyebut frasa tetap, seperti "Set a 3 minute timer", dan menganalisis ungkapan itu untuk mendapatkan tempoh pemasa, tetapi ini tidak mesra pengguna. Jika pengguna berkata "Set a timer for 3 minutes", anda atau saya akan memahami maksudnya, tetapi kod anda tidak akan, kerana ia menjangkakan frasa tetap.

Di sinilah pemahaman bahasa memainkan peranan, menggunakan model AI untuk mentafsir teks dan mengembalikan butiran yang diperlukan, contohnya dapat memahami kedua-dua "Set a 3 minute timer" dan "Set a timer for 3 minutes", dan mengetahui bahawa pemasa diperlukan selama 3 minit.

Dalam pelajaran ini, anda akan mempelajari tentang model pemahaman bahasa, cara menciptanya, melatihnya, dan menggunakannya dalam kod anda.

Dalam pelajaran ini, kita akan membincangkan:

Pemahaman Bahasa

Manusia telah menggunakan bahasa untuk berkomunikasi selama ratusan ribu tahun. Kita berkomunikasi dengan kata-kata, bunyi, atau tindakan dan memahami apa yang dikatakan, bukan sahaja maksud kata-kata, bunyi, atau tindakan itu, tetapi juga konteksnya. Kita memahami keikhlasan dan sindiran, membolehkan kata-kata yang sama membawa maksud yang berbeza bergantung pada nada suara kita.

✅ Fikirkan tentang beberapa perbualan yang anda lakukan baru-baru ini. Berapa banyak daripada perbualan itu yang sukar untuk komputer fahami kerana ia memerlukan konteks?

Pemahaman bahasa, juga dikenali sebagai pemahaman bahasa semula jadi, adalah sebahagian daripada bidang kecerdasan buatan yang dipanggil pemprosesan bahasa semula jadi (atau NLP), dan berkaitan dengan kefahaman membaca, cuba memahami butiran kata-kata atau ayat. Jika anda menggunakan pembantu suara seperti Alexa atau Siri, anda telah menggunakan perkhidmatan pemahaman bahasa. Ini adalah perkhidmatan AI di belakang tabir yang menukar "Alexa, mainkan album terbaru Taylor Swift" kepada anak perempuan saya menari di ruang tamu dengan lagu kegemarannya.

💁 Komputer, walaupun dengan semua kemajuan mereka, masih mempunyai perjalanan yang panjang untuk benar-benar memahami teks. Apabila kita merujuk kepada pemahaman bahasa dengan komputer, kita tidak bermaksud apa-apa yang hampir setanding dengan komunikasi manusia, sebaliknya kita bermaksud mengambil beberapa kata dan mengekstrak butiran utama.

Sebagai manusia, kita memahami bahasa tanpa perlu berfikir panjang. Jika saya meminta manusia lain untuk "mainkan album terbaru Taylor Swift", mereka akan secara naluri tahu apa yang saya maksudkan. Bagi komputer, ini lebih sukar. Ia perlu mengambil kata-kata, yang telah ditukar daripada ucapan kepada teks, dan menentukan maklumat berikut:

Muzik perlu dimainkan
Muzik itu adalah oleh artis Taylor Swift
Muzik tertentu adalah satu album penuh dengan beberapa lagu dalam urutan
Taylor Swift mempunyai banyak album, jadi album tersebut perlu disusun mengikut urutan kronologi dan yang paling baru diterbitkan adalah yang diperlukan

✅ Fikirkan beberapa ayat lain yang anda gunakan semasa membuat permintaan, seperti memesan kopi atau meminta ahli keluarga untuk memberikan sesuatu. Cuba pecahkan kepada maklumat yang perlu diekstrak oleh komputer untuk memahami ayat tersebut.

Model pemahaman bahasa adalah model AI yang dilatih untuk mengekstrak butiran tertentu daripada bahasa, dan kemudian dilatih untuk tugas tertentu menggunakan pembelajaran pemindahan, sama seperti anda melatih model Custom Vision menggunakan set kecil imej. Anda boleh mengambil model, kemudian melatihnya menggunakan teks yang anda mahu ia fahami.

Cipta Model Pemahaman Bahasa

Anda boleh mencipta model pemahaman bahasa menggunakan LUIS, perkhidmatan pemahaman bahasa daripada Microsoft yang merupakan sebahagian daripada Cognitive Services.

Tugas - Cipta sumber pengarang

Untuk menggunakan LUIS, anda perlu mencipta sumber pengarang.

Gunakan arahan berikut untuk mencipta sumber pengarang dalam kumpulan sumber smart-timer anda:

az cognitiveservices account create --name smart-timer-luis-authoring \
                                    --resource-group smart-timer \
                                    --kind LUIS.Authoring \
                                    --sku F0 \
                                    --yes \
                                    --location <location>

Gantikan <location> dengan lokasi yang anda gunakan semasa mencipta Kumpulan Sumber.

⚠️ LUIS tidak tersedia di semua wilayah, jadi jika anda mendapat ralat berikut:
InvalidApiSetId: The account type 'LUIS.Authoring' is either invalid or unavailable in given region.
pilih wilayah lain.

Ini akan mencipta sumber pengarang LUIS peringkat percuma.

Tugas - Cipta aplikasi pemahaman bahasa

Buka portal LUIS di luis.ai dalam pelayar anda, dan log masuk menggunakan akaun yang sama yang anda gunakan untuk Azure.
Ikuti arahan pada dialog untuk memilih langganan Azure anda, kemudian pilih sumber smart-timer-luis-authoring yang baru anda cipta.
Dari senarai Aplikasi Perbualan, pilih butang Aplikasi Baru untuk mencipta aplikasi baru. Namakan aplikasi baru smart-timer, dan tetapkan Budaya kepada bahasa anda.

💁 Terdapat medan untuk sumber ramalan. Anda boleh mencipta sumber kedua hanya untuk ramalan, tetapi sumber pengarang percuma membenarkan 1,000 ramalan sebulan yang sepatutnya mencukupi untuk pembangunan, jadi anda boleh biarkan ini kosong.
Baca panduan yang muncul selepas anda mencipta aplikasi untuk memahami langkah-langkah yang perlu diambil untuk melatih model pemahaman bahasa. Tutup panduan ini apabila anda selesai.

Niat dan Entiti

Pemahaman bahasa berasaskan kepada niat dan entiti. Niat adalah tujuan kata-kata, contohnya memainkan muzik, menetapkan pemasa, atau memesan makanan. Entiti adalah apa yang dirujuk oleh niat, seperti album, tempoh pemasa, atau jenis makanan. Setiap ayat yang ditafsirkan oleh model sepatutnya mempunyai sekurang-kurangnya satu niat, dan secara opsional satu atau lebih entiti.

Beberapa contoh:

Ayat	Niat	Entiti
"Play the latest album by Taylor Swift"	mainkan muzik	album terbaru oleh Taylor Swift
"Set a 3 minute timer"	tetapkan pemasa	3 minit
"Cancel my timer"	batalkan pemasa	Tiada
"Order 3 large pineapple pizzas and a caesar salad"	pesan makanan	3 pizza besar nanas, salad caesar

✅ Dengan ayat-ayat yang anda fikirkan sebelum ini, apakah niat dan entiti dalam ayat tersebut?

Untuk melatih LUIS, pertama anda menetapkan entiti. Ini boleh menjadi senarai tetap istilah, atau dipelajari daripada teks. Sebagai contoh, anda boleh menyediakan senarai tetap makanan yang tersedia dalam menu anda, dengan variasi (atau sinonim) setiap perkataan, seperti terung dan aubergine sebagai variasi aubergine. LUIS juga mempunyai entiti pra-bina yang boleh digunakan, seperti nombor dan lokasi.

Untuk menetapkan pemasa, anda boleh mempunyai satu entiti menggunakan entiti nombor pra-bina untuk masa, dan satu lagi untuk unit, seperti minit dan saat. Setiap unit akan mempunyai pelbagai variasi untuk merangkumi bentuk tunggal dan jamak - seperti minit dan minit-minit.

Setelah entiti ditentukan, anda mencipta niat. Ini dipelajari oleh model berdasarkan ayat contoh yang anda sediakan (dikenali sebagai ucapan). Sebagai contoh, untuk niat tetapkan pemasa, anda mungkin menyediakan ayat berikut:

set a 1 second timer
set a timer for 1 minute and 12 seconds
set a timer for 3 minutes
set a 9 minute 30 second timer

Anda kemudian memberitahu LUIS bahagian mana dalam ayat ini yang memetakan kepada entiti:

Ayat set a timer for 1 minute and 12 seconds mempunyai niat set timer. Ia juga mempunyai 2 entiti dengan 2 nilai setiap satu:

	masa	unit
1 minute	1	minute
12 seconds	12	second

Untuk melatih model yang baik, anda memerlukan pelbagai ayat contoh yang berbeza untuk merangkumi pelbagai cara seseorang mungkin meminta perkara yang sama.

💁 Seperti mana-mana model AI, lebih banyak data dan lebih tepat data yang anda gunakan untuk melatih, lebih baik model tersebut.

✅ Fikirkan tentang pelbagai cara anda mungkin meminta perkara yang sama dan mengharapkan manusia untuk memahaminya.

Tugas - Tambah entiti kepada model pemahaman bahasa

Untuk pemasa, anda perlu menambah 2 entiti - satu untuk unit masa (minit atau saat), dan satu lagi untuk bilangan minit atau saat.

Anda boleh mendapatkan arahan untuk menggunakan portal LUIS dalam Dokumentasi Quickstart: Bina aplikasi anda di portal LUIS di Microsoft Docs.

Dari portal LUIS, pilih tab Entities dan tambahkan entiti pra-bina number dengan memilih butang Add prebuilt entity, kemudian memilih number daripada senarai.
Cipta entiti baru untuk unit masa menggunakan butang Create. Namakan entiti time unit dan tetapkan jenis kepada List. Tambahkan nilai untuk minute dan second kepada senarai Normalized values, menambahkan bentuk tunggal dan jamak kepada senarai synonyms. Tekan return selepas menambahkan setiap sinonim untuk menambahkannya ke senarai.

Nilai Normalisasi Sinonim

minute minute, minutes

second second, seconds

Nilai Normalisasi	Sinonim
minute	minute, minutes
second	second, seconds

Tugas - Tambah niat kepada model pemahaman bahasa

Dari tab Intents, pilih butang Create untuk mencipta niat baru. Namakan niat ini set timer.
Dalam contoh, masukkan pelbagai cara untuk menetapkan pemasa menggunakan minit, saat, dan gabungan minit dan saat. Contoh boleh jadi:
- set a 1 second timer
- set a 4 minute timer
- set a four minute six second timer
- set a 9 minute 30 second timer
- set a timer for 1 minute and 12 seconds
- set a timer for 3 minutes
- set a timer for 3 minutes and 1 second
- set a timer for three minutes and one second
- set a timer for 1 minute and 1 second
- set a timer for 30 seconds
- set a timer for 1 second
Campurkan nombor dalam bentuk perkataan dan angka supaya model belajar menangani kedua-duanya.
Semasa anda memasukkan setiap contoh, LUIS akan mula mengesan entiti, dan akan menggariskan serta melabelkan mana-mana yang ditemui.

Tugas - Latih dan uji model

Setelah entiti dan niat dikonfigurasi, anda boleh melatih model menggunakan butang Train pada menu atas. Pilih butang ini, dan model sepatutnya dilatih dalam beberapa saat. Butang akan kelihatan kelabu semasa latihan, dan akan diaktifkan semula setelah selesai.
Pilih butang Test dari menu atas untuk menguji model pemahaman bahasa. Masukkan teks seperti set a timer for 5 minutes and 4 seconds dan tekan return. Ayat akan muncul dalam kotak di bawah kotak teks yang anda taipkan, dan di bawah itu akan ada top intent, atau niat yang dikesan dengan kebarangkalian tertinggi. Ini sepatutnya set timer. Nama niat akan diikuti oleh kebarangkalian bahawa niat yang dikesan adalah betul.
Pilih pilihan Inspect untuk melihat pecahan hasil. Anda akan melihat niat dengan skor tertinggi bersama kebarangkalian peratusannya, bersama senarai entiti yang dikesan.
Tutup panel Test apabila anda selesai menguji.

Tugas - Terbitkan model

Untuk menggunakan model ini daripada kod, anda perlu menerbitkannya. Apabila menerbitkan daripada LUIS, anda boleh menerbitkan sama ada ke persekitaran pementasan untuk ujian, atau persekitaran produk untuk pelepasan penuh. Dalam pelajaran ini, persekitaran pementasan sudah mencukupi.

Dari portal LUIS, pilih butang Publish dari menu atas.
Pastikan Staging slot dipilih, kemudian pilih Done. Anda akan melihat pemberitahuan apabila aplikasi diterbitkan.
Anda boleh mengujinya menggunakan curl. Untuk membina arahan curl, anda memerlukan tiga nilai - titik akhir, ID aplikasi (App ID) dan kunci API. Nilai-nilai ini boleh diakses dari tab MANAGE yang boleh dipilih dari menu atas.
1. Dari bahagian Settings, salin App ID.
Dari bahagian Azure Resources, pilih Authoring Resource, dan salin Primary Key dan Endpoint URL.

Jalankan arahan curl berikut dalam command prompt atau terminal anda:

curl "<endpoint url>/luis/prediction/v3.0/apps/<app id>/slots/staging/predict" \
      --request GET \
      --get \
      --data "subscription-key=<primary key>" \
      --data "verbose=false" \
      --data "show-all-intents=true" \
      --data-urlencode "query=<sentence>"

Gantikan <endpoint url> dengan Endpoint URL dari bahagian Azure Resources.

Gantikan <app id> dengan App ID dari bahagian Settings.

Gantikan <primary key> dengan Primary Key dari bahagian Azure Resources.

Gantikan <sentence> dengan ayat yang ingin anda uji.

Output daripada panggilan ini akan menjadi dokumen JSON yang memperincikan pertanyaan, intent utama, dan senarai entiti yang dipecahkan mengikut jenis.

{
    "query": "set a timer for 45 minutes and 12 seconds",
    "prediction": {
        "topIntent": "set timer",
        "intents": {
            "set timer": {
                "score": 0.97031575
            },
            "None": {
                "score": 0.02205793
            }
        },
        "entities": {
            "number": [
                45,
                12
            ],
            "time-unit": [
                [
                    "minute"
                ],
                [
                    "second"
                ]
            ]
        }
    }
}

JSON di atas berasal daripada pertanyaan dengan set a timer for 45 minutes and 12 seconds:

set timer adalah intent utama dengan kebarangkalian 97%.
Dua entiti number dikesan, 45 dan 12.
Dua entiti time-unit dikesan, minute dan second.

Gunakan model pemahaman bahasa

Setelah diterbitkan, model LUIS boleh dipanggil dari kod. Dalam pelajaran sebelumnya, anda telah menggunakan IoT Hub untuk mengendalikan komunikasi dengan perkhidmatan awan, menghantar telemetri dan mendengar arahan. Ini sangat tidak segerak - setelah telemetri dihantar, kod anda tidak menunggu respons, dan jika perkhidmatan awan tidak berfungsi, anda tidak akan tahu.

Untuk pemasa pintar, kami mahukan respons segera supaya kami boleh memberitahu pengguna bahawa pemasa telah ditetapkan, atau memberi amaran kepada mereka bahawa perkhidmatan awan tidak tersedia. Untuk melakukan ini, peranti IoT kami akan memanggil endpoint web secara langsung, bukannya bergantung pada IoT Hub.

Daripada memanggil LUIS dari peranti IoT, anda boleh menggunakan kod tanpa pelayan dengan jenis trigger yang berbeza - trigger HTTP. Ini membolehkan aplikasi fungsi anda mendengar permintaan REST dan memberi respons kepada mereka. Fungsi ini akan menjadi endpoint REST yang boleh dipanggil oleh peranti anda.

💁 Walaupun anda boleh memanggil LUIS secara langsung dari peranti IoT anda, adalah lebih baik menggunakan sesuatu seperti kod tanpa pelayan. Dengan cara ini, apabila anda ingin menukar aplikasi LUIS yang anda panggil, contohnya apabila anda melatih model yang lebih baik atau melatih model dalam bahasa yang berbeza, anda hanya perlu mengemas kini kod awan anda, bukan menyebarkan semula kod kepada ribuan atau jutaan peranti IoT.

Tugasan - buat aplikasi fungsi tanpa pelayan

Buat aplikasi Azure Functions bernama smart-timer-trigger, dan buka ini dalam VS Code.
Tambahkan trigger HTTP ke aplikasi ini bernama speech-trigger menggunakan arahan berikut dari dalam terminal VS Code:
```
func new --name text-to-timer --template "HTTP trigger"
```
Ini akan membuat trigger HTTP bernama text-to-timer.

Uji trigger HTTP dengan menjalankan aplikasi fungsi. Apabila ia berjalan, anda akan melihat endpoint disenaraikan dalam output:

Functions:

        text-to-timer: [GET,POST] http://localhost:7071/api/text-to-timer

Uji ini dengan memuatkan URL http://localhost:7071/api/text-to-timer dalam pelayar anda.

This HTTP triggered function executed successfully. Pass a name in the query string or in the request body for a personalized response.

Tugasan - gunakan model pemahaman bahasa

SDK untuk LUIS tersedia melalui pakej Pip. Tambahkan baris berikut ke fail requirements.txt untuk menambahkan kebergantungan pada pakej ini:
```
azure-cognitiveservices-language-luis
```
Pastikan terminal VS Code mempunyai persekitaran maya diaktifkan, dan jalankan arahan berikut untuk memasang pakej Pip:
```
pip install -r requirements.txt
```
💁 Jika anda mendapat ralat, anda mungkin perlu menaik taraf pip dengan arahan berikut:
```
pip install --upgrade pip
```
Tambahkan entri baru ke fail local.settings.json untuk LUIS API Key, Endpoint URL, dan App ID anda dari tab MANAGE di portal LUIS:
```
"LUIS_KEY": "<primary key>",
"LUIS_ENDPOINT_URL": "<endpoint url>",
"LUIS_APP_ID": "<app id>"
```
Gantikan <endpoint url> dengan Endpoint URL dari bahagian Azure Resources tab MANAGE. Ini akan menjadi https://<location>.api.cognitive.microsoft.com/.

Gantikan <app id> dengan App ID dari bahagian Settings tab MANAGE.

Gantikan <primary key> dengan Primary Key dari bahagian Azure Resources tab MANAGE.

Tambahkan import berikut ke fail __init__.py:

import json
import os
from azure.cognitiveservices.language.luis.runtime import LUISRuntimeClient
from msrest.authentication import CognitiveServicesCredentials

Ini mengimport beberapa perpustakaan sistem, serta perpustakaan untuk berinteraksi dengan LUIS.

Padamkan kandungan kaedah main, dan tambahkan kod berikut:
```
luis_key = os.environ['LUIS_KEY']
endpoint_url = os.environ['LUIS_ENDPOINT_URL']
app_id = os.environ['LUIS_APP_ID']

credentials = CognitiveServicesCredentials(luis_key)
client = LUISRuntimeClient(endpoint=endpoint_url, credentials=credentials)
```
Ini memuat nilai yang anda tambahkan ke fail local.settings.json untuk aplikasi LUIS anda, mencipta objek kelayakan dengan API key anda, kemudian mencipta objek klien LUIS untuk berinteraksi dengan aplikasi LUIS anda.
Trigger HTTP ini akan dipanggil dengan teks untuk difahami sebagai JSON, dengan teks dalam properti bernama text. Kod berikut mengekstrak nilai dari badan permintaan HTTP, dan mencatatnya ke konsol. Tambahkan kod ini ke fungsi main:
```
req_body = req.get_json()
text = req_body['text']
logging.info(f'Request - {text}')
```
Ramalan diminta dari LUIS dengan menghantar permintaan ramalan - dokumen JSON yang mengandungi teks untuk diramalkan. Cipta ini dengan kod berikut:
```
prediction_request = { 'query' : text }
```

Permintaan ini kemudian boleh dihantar ke LUIS, menggunakan slot staging yang aplikasi anda diterbitkan:

prediction_response = client.prediction.get_slot_prediction(app_id, 'Staging', prediction_request)

Respons ramalan mengandungi intent utama - intent dengan skor ramalan tertinggi, bersama dengan entiti. Jika intent utama adalah set timer, maka entiti boleh dibaca untuk mendapatkan masa yang diperlukan untuk pemasa:
```
if prediction_response.prediction.top_intent == 'set timer':
    numbers = prediction_response.prediction.entities['number']
    time_units = prediction_response.prediction.entities['time unit']
    total_seconds = 0
```
Entiti number akan menjadi array nombor. Contohnya, jika anda berkata "Set a four minute 17 second timer.", maka array number akan mengandungi 2 integer - 4 dan 17.

Entiti time unit akan menjadi array array string, dengan setiap unit masa sebagai array string di dalam array. Contohnya, jika anda berkata "Set a four minute 17 second timer.", maka array time unit akan mengandungi 2 array dengan satu nilai setiap satu - ['minute'] dan ['second'].

Versi JSON entiti ini untuk "Set a four minute 17 second timer." adalah:
```
{
    "number": [4, 17],
    "time unit": [
        ["minute"],
        ["second"]
    ]
}
```
Kod ini juga mentakrifkan kiraan untuk jumlah masa untuk pemasa dalam saat. Ini akan diisi oleh nilai dari entiti.
Entiti tidak dihubungkan, tetapi kita boleh membuat beberapa andaian tentang mereka. Mereka akan berada dalam urutan yang disebut, jadi kedudukan dalam array boleh digunakan untuk menentukan nombor mana yang sepadan dengan unit masa mana. Contohnya:
- "Set a 30 second timer" - ini akan mempunyai satu nombor, 30, dan satu unit masa, second jadi nombor tunggal akan sepadan dengan unit masa tunggal.
- "Set a 2 minute and 30 second timer" - ini akan mempunyai dua nombor, 2 dan 30, dan dua unit masa, minute dan second jadi nombor pertama akan untuk unit masa pertama (2 minit), dan nombor kedua untuk unit masa kedua (30 saat).
Kod berikut mendapatkan kiraan item dalam entiti nombor, dan menggunakannya untuk mengekstrak item pertama dari setiap array, kemudian yang kedua dan seterusnya. Tambahkan ini di dalam blok if.
```
for i in range(0, len(numbers)):
    number = numbers[i]
    time_unit = time_units[i][0]
```
Untuk "Set a four minute 17 second timer.", ini akan mengulang dua kali, memberikan nilai berikut:

kiraan ulang number time_unit

0 4 minute

1 17 second
Di dalam gelung ini, gunakan nombor dan unit masa untuk mengira jumlah masa untuk pemasa, menambahkan 60 saat untuk setiap minit, dan jumlah saat untuk sebarang saat.
```
if time_unit == 'minute':
    total_seconds += number * 60
else:
    total_seconds += number
```

kiraan ulang	`number`	`time_unit`
0	4	minute
1	17	second

Di luar gelung melalui entiti, catat jumlah masa untuk pemasa:

logging.info(f'Timer required for {total_seconds} seconds')

Jumlah saat perlu dikembalikan dari fungsi sebagai respons HTTP. Di akhir blok if, tambahkan yang berikut:
```
payload = {
    'seconds': total_seconds
}
return func.HttpResponse(json.dumps(payload), status_code=200)
```
Kod ini mencipta payload yang mengandungi jumlah saat untuk pemasa, menukarnya kepada string JSON dan mengembalikannya sebagai hasil HTTP dengan kod status 200, yang bermaksud panggilan berjaya.
Akhirnya, di luar blok if, tangani jika intent tidak dikenali dengan mengembalikan kod ralat:
```
return func.HttpResponse(status_code=404)
```
404 adalah kod status untuk tidak dijumpai.

Jalankan aplikasi fungsi dan uji menggunakan curl.

curl --request POST 'http://localhost:7071/api/text-to-timer' \
     --header 'Content-Type: application/json' \
     --include \
     --data '{"text":"<text>"}'

Gantikan <text> dengan teks permintaan anda, contohnya set a 2 minutes 27 second timer.

Anda akan melihat output berikut dari aplikasi fungsi:

Functions:

        text-to-timer: [GET,POST] http://localhost:7071/api/text-to-timer

For detailed output, run func with --verbose flag.
[2021-06-26T19:45:14.502Z] Worker process started and initialized.
[2021-06-26T19:45:19.338Z] Host lock lease acquired by instance ID '000000000000000000000000951CAE4E'.
[2021-06-26T19:45:52.059Z] Executing 'Functions.text-to-timer' (Reason='This function was programmatically called via the host APIs.', Id=f68bfb90-30e4-47a5-99da-126b66218e81)
[2021-06-26T19:45:53.577Z] Timer required for 147 seconds
[2021-06-26T19:45:53.746Z] Executed 'Functions.text-to-timer' (Succeeded, Id=f68bfb90-30e4-47a5-99da-126b66218e81, Duration=1750ms)

Panggilan curl akan mengembalikan yang berikut:

HTTP/1.1 200 OK
Date: Tue, 29 Jun 2021 01:14:11 GMT
Content-Type: text/plain; charset=utf-8
Server: Kestrel
Transfer-Encoding: chunked

{"seconds": 147}

Jumlah saat untuk pemasa ada dalam nilai "seconds".

💁 Anda boleh menemui kod ini dalam folder code/functions.

Tugasan - buat fungsi anda tersedia untuk peranti IoT anda

Untuk peranti IoT anda memanggil endpoint REST anda, ia perlu mengetahui URL. Apabila anda mengaksesnya sebelum ini, anda menggunakan localhost, yang merupakan pintasan untuk mengakses endpoint REST pada mesin tempatan anda. Untuk membolehkan peranti IoT anda mendapatkan akses, anda perlu sama ada menerbitkan ke awan, atau mendapatkan alamat IP anda untuk mengaksesnya secara tempatan.

⚠️ Jika anda menggunakan Wio Terminal, adalah lebih mudah untuk menjalankan aplikasi fungsi secara tempatan, kerana akan ada kebergantungan pada perpustakaan yang bermaksud anda tidak boleh menerbitkan aplikasi fungsi dengan cara yang sama seperti yang anda lakukan sebelum ini. Jalankan aplikasi fungsi secara tempatan dan aksesnya melalui alamat IP komputer anda. Jika anda ingin menerbitkan ke awan, maklumat akan diberikan dalam pelajaran kemudian tentang cara melakukannya.
- Terbitkan aplikasi Functions - ikuti arahan dalam pelajaran sebelumnya untuk menerbitkan aplikasi fungsi anda ke awan. Setelah diterbitkan, URL akan menjadi https://<APP_NAME>.azurewebsites.net/api/text-to-timer, di mana <APP_NAME> akan menjadi nama aplikasi fungsi anda. Pastikan juga menerbitkan tetapan tempatan anda.
  
  Apabila bekerja dengan trigger HTTP, mereka dilindungi secara lalai dengan kunci aplikasi fungsi. Untuk mendapatkan kunci ini, jalankan arahan berikut:
```
az functionapp keys list --resource-group smart-timer \
                         --name <APP_NAME>                               
```
  Salin nilai entri default dari bahagian functionKeys.
```
{
  "functionKeys": {
    "default": "sQO1LQaeK9N1qYD6SXeb/TctCmwQEkToLJU6Dw8TthNeUH8VA45hlA=="
  },
  "masterKey": "RSKOAIlyvvQEQt9dfpabJT018scaLpQu9p1poHIMCxx5LYrIQZyQ/g==",
  "systemKeys": {}
}
```
  Kunci ini perlu ditambahkan sebagai parameter pertanyaan ke URL, jadi URL akhir akan menjadi https://<APP_NAME>.azurewebsites.net/api/text-to-timer?code=<FUNCTION_KEY>, di mana <APP_NAME> akan menjadi nama aplikasi fungsi anda, dan <FUNCTION_KEY> akan menjadi kunci fungsi lalai anda.
  
  💁 Anda boleh menukar jenis kebenaran trigger HTTP menggunakan tetapan authlevel dalam fail function.json. Anda boleh membaca lebih lanjut tentang ini dalam bahagian konfigurasi dokumentasi trigger HTTP Azure Functions di Microsoft docs.
- Jalankan aplikasi fungsi secara tempatan, dan akses menggunakan alamat IP - anda boleh mendapatkan alamat IP komputer anda di rangkaian tempatan, dan menggunakannya untuk membina URL.
  
  Cari alamat IP anda:
  - Pada Windows 10, ikuti panduan cari alamat IP anda.
  - Pada macOS, ikuti panduan cara mencari alamat IP anda di Mac.
  - Pada Linux, ikuti bahagian tentang mencari alamat IP peribadi anda dalam panduan cara mencari alamat IP anda di Linux.
  Setelah anda mempunyai alamat IP anda, anda akan dapat mengakses fungsi di http://.

:7071/api/text-to-timer, di mana <IP_ADDRESS>adalah alamat IP anda, contohnyahttp://192.168.1.10:7071/api/text-to-timer`.

  > 💁 Perhatikan bahawa ini menggunakan port 7071, jadi selepas alamat IP anda perlu menambah `:7071`.

  > 💁 Ini hanya akan berfungsi jika peranti IoT anda berada dalam rangkaian yang sama dengan komputer anda.

Uji endpoint dengan mengaksesnya menggunakan curl.

🚀 Cabaran

Terdapat banyak cara untuk meminta perkara yang sama, seperti menetapkan pemasa. Fikirkan pelbagai cara untuk melakukannya, dan gunakan cara-cara tersebut sebagai contoh dalam aplikasi LUIS anda. Uji cara-cara ini untuk melihat sejauh mana model anda dapat menangani pelbagai cara untuk meminta pemasa.

Kuiz selepas kuliah

Ulasan & Kajian Kendiri

Baca lebih lanjut tentang LUIS dan keupayaannya di halaman dokumentasi Language Understanding (LUIS) di Microsoft docs
Baca lebih lanjut tentang pemahaman bahasa di halaman pemahaman bahasa semula jadi di Wikipedia
Baca lebih lanjut tentang pencetus HTTP dalam dokumentasi pencetus HTTP Azure Functions di Microsoft docs

Tugasan

Batalkan pemasa

Penafian:
Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI Co-op Translator. Walaupun kami berusaha untuk memastikan ketepatan, sila ambil perhatian bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat yang kritikal, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.

32 KiB Raw Permalink Blame History