ms-ai-architect/skills/ms-ai-advisor/references/copilot-extensibility/copilot-studio-nlp-configuration.md

NLP Configuration and Intent Recognition

Last updated: 2026-06-19 Status: GA Category: Copilot Extensibility & Integration

---

Introduksjon

Natural Language Understanding (NLU) er kjernen i hvordan Copilot Studio-agenter tolker brukerhenvendelser og leverer relevante, kontekstuelle svar. NLU-konfigurasjonen bestemmer hvordan agenten:

• Gjenkjenner intensjon (intent): Identifiserer hva brukeren ønsker å oppnå
• Ekstraherer entiteter: Trekker ut nøkkelinformasjon som datoer, steder, navn eller tall
• Håndterer kontekst: Opprettholder kontinuitet i samtalen og løser tvetydigheter
• Responderer ved feilede matching: Fallback-mekanismer når ingen topic matcher

Copilot Studio tilbyr flere NLU-alternativer med ulike styrker og begrensninger, fra generativ orkestrering til presisjonsdrevet NLU+. Valget påvirker både utviklingstid, nøyaktighet og modellkostnad.

Confidence: Verified (microsoft-learn MCP, 2026-02)

---

Kjernekomponenter

1. Utterances, Intents og Entiteter

Komponent	Beskrivelse	Eksempel
Utterance	Brukerens hele innspill (tekst eller tale)	"Jeg vil bestille en flyreise til Paris neste uke"
Intent	Brukerens mål/hensikt	BookFlight
Entity	Nøkkeldata ekstrahert fra utterance	Destinasjon: "Paris", Dato: "neste uke"

Copilot Studio prosesserer utterances gjennom tre trinn:

1. Intent recognition → Bestem hvilken topic/handling som skal trigges
2. Entity extraction → Trekk ut strukturert data fra teksten
3. Slot filling → Fyll variabler med ekstraherte entiteter

2. Trigger Phrases (Triggerfraser)

Trigger phrases er eksempelsetninger som definerer når en topic skal aktiveres. Disse kan være:

• Eksakte matcher: "Åpningstider", "Kontakt support"
• Semantiske varianter: "Når er dere åpne?", "Hva er butikkens åpningstider?"

Best practices for trigger phrases:

• Bruk minst 5-10 varianter per topic
• Inkluder ulike ordstillinger og frasering
• Unngå overlapp mellom topics
• Test mot ekte brukerdata (hvis tilgjengelig)

3. Entitetstyper

Type	Beskrivelse	Konfigurasjon
Prebuilt entities	Microsoft-vedlikeholdte typer (Age, Date, Money, Phone, Email, Location, etc.)	Ingen konfigurasjon nødvendig
Closed list entities	Predefinerte verdier med synonymer	Manuell liste (f.eks. produktkategorier)
Regex entities	Mønsterbasert ekstraksjon	Regular expressions. NLU/CLU bruker .NET regex-syntaks; NLU+ bruker JavaScript regex-syntaks (Verified 2026-04)
Learned entities (NLU+/CLU)	Kontekstbasert ekstraksjon via maskinlæring	Krever annoterte treningsdata

Entity annotations (NLU+):

# Syntaks for entity-annotering i trigger phrases
book a ticket from {Topic.fromCity/Boston} to {Topic.toCity/NewYork}
for {Topic.noPass/2} passengers {Topic.travelDate/tomorrow}
in {Topic.class/First} class

Confidence: Verified (microsoft-learn MCP: nlu-plus-configure)

---

Arkitekturmønstre

NLU-modellvalg: Fire tilnærminger

Copilot Studio tilbyr fire NLU-konfigurasjoner med ulike trade-offs:

Modell	Orkestrering	Nøyaktighet	Kompleksitet	Kostnad	Use case
Generative Orchestration	Generativ	Moderat-høy	Lav	Høy (LLM-basert)	Default, multi-intent, bred dekning
Built-in NLU	Classic	Moderat	Lav-moderat	Lav	Enkel topic routing, få topics
NLU+	Classic	Høy	Høy	Moderat	Enterprise-grade, voice-enabled, mange topics
Azure CLU	Classic	Svært høy	Svært høy	Høy (Azure-kostnad)	Flerspråklig, bransje-spesifikt vokabular

Confidence: Verified (microsoft-learn MCP: language-understanding)

1. Generative Orchestration (Default)

Hvordan det fungerer:

• Bruker store språkmodeller (LLM) til å tolke brukerens intensjon
• Kan gjenkjenne flere intents i én utterance
• Kobler automatisk sammen topics, actions og knowledge sources
• Genererer dynamiske spørsmål for manglende input

Fordeler:

• Minimal oppsett (ingen trigger phrases nødvendig)
• Håndterer komplekse samtaler som spenner over flere emneområder
• Produserer enhetlige svar basert på topics, actions og knowledge

Begrensninger:

• Maks 5 meldinger per topic/action-kjede
• Maks 128 topics eller actions per orkestrering
• Høyere kostnad (LLM-basert prosessering)
• Mindre deterministisk enn klassiske metoder

Konfigurering:

Settings → Generative AI → Orchestration → Yes

Confidence: Verified (microsoft-learn MCP)

2. Classic Orchestration + Built-in NLU

Hvordan det fungerer:

• Bruker trigger phrases for deterministisk topic routing
• Predefinerte entiteter (Age, Date, Location, etc.)
• Custom entities (closed lists, regex)
• Single-intent recognition per query

Fordeler:

• Forutsigbar oppførsel
• Lavere kostnad (ingen LLM-kostnad)
• Full kontroll over samtaleflyt

Begrensninger:

• Kan ikke utvides med egendefinert NLU-modell
• Slot-filling av flere entiteter av samme type krever disambiguering
• Krever manuell vedlikehold av trigger phrases

Konfigurering:

Settings → Generative AI → Orchestration → No
Settings → Language understanding → Microsoft Copilot Studio NLU

Confidence: Verified (microsoft-learn MCP)

3. NLU+ (High-Precision Enterprise)

Når bruke NLU+:

• Enterprise-grade applikasjoner med mange topics og entiteter
• Voice-enabled agents (treningsdata brukes også til speech recognition)
• Høye nøyaktighetskrav for intent routing
• Annoterte treningsdata tilgjengelig (fra ekte brukersamtaler)

Hvordan det fungerer:

• Bygger på grammar-base som sikrer eksakte matcher med treningsdata
• Støtter entity annotations i trigger phrases og Question nodes
• Krever eksplisitt modelltrening før testing/publisering
• Custom list entities er partially open (kan ekstrahere verdier utenfor listen)

NLU+ best practices:

1. Bruk så mye real-world treningsdata som mulig
2. Én entity-variant/synonym er tilstrekkelig per annotasjon
3. Jo mer distinkte intents og entiteter, desto bedre ytelse
4. Ikke inkluder determiners (den, det, de) eller preposisjoner i entity literals

Treningsprosess:

1. Legg til trigger phrases med entity annotations
2. Klikk "Train NLU+ model" (i Topics eller Entities)
3. Vent på treningsbekreftelse (vises i Channels-side)
4. Test i Test Chat
5. Publiser (bruker sist suksessfulle trenede modell)

Konfigurering:

Settings → Generative AI → Orchestration → No
Settings → Language understanding → More prework, enhanced precision (NLU+)

Lisenskrav:

• Dynamics 365 Contact Center license

Confidence: Verified (microsoft-learn MCP: nlu-plus-configure)

4. Azure Conversational Language Understanding (CLU)

Når bruke Azure CLU:

• Flerspråklig støtte med native modeller (utover Copilot Studios språk)
• Bransje-spesifikt vokabular (helse, finans, legal)
• Avansert entity extraction (multiple "from"-entiteter, silent extraction)
• Custom NLU-modell med full kontroll over treningsdata

Hvordan det fungerer:

• Ekstern Azure AI Language-tjeneste
• Intents i CLU må mappes manuelt til Copilot Studio topics
• System topic "Analyze Text" opprettes automatisk ved konfigurasjon
• Krever Azure-konfigurasjon og connection references

Fordeler:

• Høyere nøyaktighet for spesialiserte domener
• Støtte for flere språk med native modeller
• Fullstendig kontroll over NLU-modellen

Begrensninger:

• Single-intent recognition per query
• Ekstra Azure-kostnad (per transaksjonsmodell)
• CLU intents og Copilot Studio topics må synkroniseres manuelt
• Azure service limits gjelder

Konfigurering:

Settings → Generative AI → Orchestration → No
Settings → Language understanding → Utilize prebuilt Azure NLU
[Opprett CLU connection i Power Apps]
[Spesifiser Azure AI Language project name og deployment]

Confidence: Verified (microsoft-learn MCP: advanced-clu-get-started)

---

Beslutningsveiledning

Beslutningstré: Hvilken NLU-konfigurasjon skal jeg bruke?

START
│
├─ Trenger du multi-intent recognition (flere hensikter i én setning)?
│  └─ JA → **Generative Orchestration** (default)
│
├─ Er det en voice-enabled agent?
│  └─ JA → **NLU+** (treningsdata brukes til speech recognition)
│
├─ Har du mange topics (>50) og høye nøyaktighetskrav?
│  └─ JA → **NLU+**
│
├─ Trenger du støtte for språk utenfor Copilot Studio's supported languages?
│  └─ JA → **Azure CLU**
│
├─ Er det en enkel chatbot med få topics (<20)?
│  └─ JA → **Built-in NLU** (classic orchestration)
│
└─ Default → **Generative Orchestration**

Sammenligningstabell: NLU-modeller

Kriterium	Generative Orch.	Built-in NLU	NLU+	Azure CLU
Oppsett-tid	Minimal	Lav	Høy	Svært høy
Intent recognition	Multi-intent	Single	Single	Single
Entity extraction	Avansert (LLM)	Basic	Avansert	Svært avansert
Nøyaktighet	70-85%	60-75%	85-95%	90-98%
Voice support	Nei	Nei	Ja	Ja
Språk	Copilot Studio supported	Copilot Studio supported	Copilot Studio supported	Azure CLU supported (bredere)
Kostnad	Høy (LLM)	Lav	Moderat	Høy (Azure)
Vedlikehold	Lavt	Moderat	Høyt	Svært høyt

Confidence: Baseline (sammenligning basert på flere MCP-kilder)

---

Integrasjon med Microsoft-stakken

1. Dynamics 365 Contact Center

Customer Intent Agent:

• Bruker historiske data til å bygge intent library
• Detekterer intent fra kunde og stiller oppfølgingsspørsmål
• Eskalerer til kundeservicerepresentant med persistent intent og interview-svar

Konfigurasjon:

Contact Center admin → Customer Intent Agent → Intent-based suggestions
→ Enable for chatbots → Manage → Add intent-based features
→ Publish (legger til Intent-based suggestions topics)

Global variables for intent-based suggestions:

Variable	Mapped topic	Trigger
Global.IntentRedirectOnResolutionConfirmation	EndOfConversation	Kunde bekrefter løsning
Global.IntentRedirectOnUnknownIntent	Escalate	Ukjent intent etter flere forsøk
Global.IntentRedirectOnUnableToProceed	Escalate	Problem ikke løst
Global.IntentRedirectOnEscalate	Escalate	Eksplisitt eskalering
Global.IntentRedirectOnError	OnError	Service-feil

Confidence: Verified (microsoft-learn MCP: set-up-intent-agent)

2. Power Automate og Connectors

AI Prompts i Power Automate:

• Kan brukes til custom intent recognition utenfor Copilot Studio
• Integrasjon via "Send a prompt to Copilot" action
• Returnerer strukturert JSON med detected intent og entities

Use case:

• Klassifisere innkommende e-post/tickets til riktig køy
• Pre-prosessere brukerinput før det sendes til Copilot Studio

3. Azure AI Language Services

Text Analytics API:

• Key phrase extraction
• Named Entity Recognition (NER)
• Sentiment analysis

Integrasjon:

• Kan kalles fra Copilot Studio via Power Automate cloud flows
• Brukes til å berike entitetsdata før slot filling

Eksempel:

const client = new TextAnalyticsClient(endpoint, new AzureKeyCredential(key));
const results = await client.analyze("KeyPhraseExtraction", documents);

Confidence: Verified (microsoft-learn MCP: code samples)

4. Microsoft 365 Copilot Extensibility

Declarative agents med Copilot Studio:

• Kan arve NLU-konfigurasjon fra Copilot Studio
• Intents trigges fra Microsoft 365 Chat (Teams, Outlook, etc.)
• Entities ekstrahere automatisk fra M365-kontekst (personer, filer, møter)

Confidence: Baseline (generell kunnskap)

---

Offentlig sektor (Norge)

Språkkrav og GDPR-compliance

Norsk språkstøtte:

• Generative Orchestration: Støtter norsk (nb-NO) ✅ — automatisk generert innhold oversettes dynamisk; agenten kan bytte språk per samtaletur (dynamic language switching). Merk: Primærspråket kan ikke endres etter opprettelse, men region kan justeres. (Verified 2026-04)
• Built-in NLU: Støtter norsk (nb-NO) ✅
• NLU+: Støtter norsk (nb-NO) ✅ (avansert NLU-tilpasning tilgjengelig fra jul 2025)
• Azure CLU: Støtter norsk (nb-NO) ✅

Dynamisk språkbytte (Generative Orchestration): Agenter kan konfigureres til å detektere brukerens språk og respondere på samme språk i sanntid. Bruk User.Language-systemvariabelen kombinert med prompt-basert språkdeteksjon. Krever generative orchestration aktivert.

Data residency:

• NLU-treningsdata lagres i Microsoft Dataverse (EU-region kan velges)
• Azure CLU: Velg Azure Norway East/West for data residency
• NLU+ data deles mellom Copilot Studio og Dynamics 365 Contact Center (separate datapolicyer)

Tilgjengelighetskrav (WCAG 2.1 AA)

Flerspråklige agenter:

• Bruk System.User.Language-variabel for å sette språk
• Auto-detect spoken language via trigger-based detection
• Støtte for skjermlesere (tekst-baserte responser)

Best practice:

# Auto-detect language topic
- kind: Question
  id: detect_language
  variable: init:DetectedLanguage
  prompt: Detect language from Activity.Text
  entity: LanguagePrebuiltEntity

- kind: ConditionGroup
  conditions:
    - condition: =DetectedLanguage.structuredOutput.language = "Norwegian"
  actions:
    - kind: SetVariable
      variable: System.User.Language
      value: "nb-NO"

Confidence: Verified (microsoft-learn MCP: multilingual)

Sikkerhetskrav

NLU og PII (Personally Identifiable Information):

• Entities kan ekstrahere PII (navn, telefonnumre, e-post)
• Anbefaling: Bruk Data Loss Prevention (DLP) policies for å blokkere logging av PII
• Anbefaling: Anonymiser treningsdata før NLU+-trening

Content filtering:

• Copilot Studio har innebygd content filtering for upassende innhold
• Trigger severity levels (Low, Medium, High)
• Kan integrere med Azure AI Content Safety for ytterligere beskyttelse

Confidence: Baseline (generell kunnskap om Copilot Studio security)

---

Kostnad og lisensiering

Lisenskrav per NLU-modell

NLU-modell	Lisenskrav
Generative Orchestration	Copilot Studio subscription (1000 sessions/måned per tenant)
Built-in NLU	Copilot Studio subscription
NLU+	Dynamics 365 Contact Center license ⚠️
Azure CLU	Copilot Studio subscription + Azure AI Language (separat kostnad)

Kostnadsdrivere

Generative Orchestration:

• LLM-basert prosessering (Azure OpenAI GPT-4o)
• Kostnad per message/session (inkludert i Copilot Studio sessions)
• Estimat: ~100-200 sessions per måned (moderat bruk)

NLU+:

• Treningskostnad (inkludert i Dynamics 365 Contact Center)
• Runtime-kostnad (per message)
• Estimat: Kr 50-100 per bruker/måned (del av Contact Center-lisens)

Azure CLU:

• Azure AI Language pricing tier:
  • Free (F0): 5000 text records/måned (gratis)
  • Standard (S): Fra $2/1000 text records
• Estimat Norge: Kr 2000-5000/måned for medium-scale agent (10 000-20 000 queries/måned)

Confidence: Verified (microsoft-learn MCP: Azure pricing)

TCO-sammenligning (24 måneder, 5000 users)

NLU-modell	Lisensiering	Azure-kostnad	Utviklingskostnad	Total TCO (24 mnd)
Generative Orch.	Kr 0 (inkludert)	Kr 0	Kr 200 000	Kr 200 000
Built-in NLU	Kr 0 (inkludert)	Kr 0	Kr 300 000	Kr 300 000
NLU+	Kr 1 500 000 (Contact Center)	Kr 0	Kr 800 000	Kr 2 300 000
Azure CLU	Kr 0 (inkludert)	Kr 96 000	Kr 1 200 000	Kr 1 296 000

Confidence: Baseline (estimat basert på typiske prosjektstørrelser)

---

For arkitekten (Cosmo)

Når anbefale hver modell

Generative Orchestration (default for 90% av cases):

• Kundens behov: "Rask time-to-market, bred dekning av brukerspørsmål"
• Teknisk kapasitet: Lav-moderat (ingen NLU-ekspertise nødvendig)
• Budget: Moderat (inkludert i Copilot Studio)
• Vedlikehold: Lavt (auto-tuning via LLM)

Built-in NLU (fallback-metode):

• Kundens behov: "Enkel FAQ-bot, forutsigbar oppførsel"
• Teknisk kapasitet: Moderat (trigger phrase engineering)
• Budget: Lavt
• Vedlikehold: Moderat (manuell oppdatering av trigger phrases)

NLU+ (premium-valg for enterprise):

• Kundens behov: "Voice-enabled customer service, høy nøyaktighet"
• Teknisk kapasitet: Høy (data annotation, modelltrening)
• Budget: Høyt (Dynamics 365 Contact Center required)
• Vedlikehold: Høyt (kontinuerlig treningsdata-innsamling)

Azure CLU (spesialiserte domener):

• Kundens behov: "Flerspråklig helsevesen-bot med medisinsk terminologi"
• Teknisk kapasitet: Svært høy (Azure CLU ekspertise, synkronisering)
• Budget: Høyt (Azure-kostnad)
• Vedlikehold: Svært høyt (CLU-topic synkronisering)

Red flags: Når IKKE bruke Generative Orchestration

1. Deterministiske workflows: "Vi må garantere at steg A alltid kommer før steg B"

   • → Bruk Classic Orchestration (Built-in NLU eller NLU+)

2. Compliance-kritiske domener: "Agenten må aldri foreslå handling X"

   • → Bruk Classic Orchestration med eksplisitt topic routing

3. Budget-begrenset: "Vi har ikke råd til LLM-baserte modeller"

   • → Bruk Built-in NLU

4. Voice-first: "Dette er en telefonbasert kundeservice-agent"

   • → Bruk NLU+ (treningsdata brukes til speech recognition)

Arkitekturbeslutninger: Sjekkliste

Før du foreslår NLU-konfigurasjon, sjekk:

• Antall topics: <20 (Built-in), 20-100 (Generative), >100 (NLU+/CLU)
• Multi-intent behov: Ja (Generative), Nei (Classic)
• Voice-enabled: Ja (NLU+), Nei (andre)
• Språk: Norsk (alle), Andre (Azure CLU)
• Budget for lisensiering: Dynamics 365 Contact Center? (NLU+)
• Budget for Azure: Azure AI Language? (CLU)
• Teknisk kapasitet: Data annotation-kompetanse? (NLU+/CLU)
• Vedlikeholdsbehov: Lavt (Generative), Moderat (Built-in), Høyt (NLU+/CLU)

Typiske migrasjonsveier

1. MVP → Production:

   • Start: Generative Orchestration (rask MVP)
   • Produksjon: Samme (hvis tilstrekkelig nøyaktighet)
   • Alternativ: Bytt til NLU+ hvis voice eller høy nøyaktighet kreves

2. Legacy Power Virtual Agents → Copilot Studio:

   • Legacy: Built-in NLU
   • Copilot Studio: Generative Orchestration (recommended)
   • Fallback: Classic + Built-in NLU (hvis deterministisk routing kreves)

3. Custom LUIS/CLU → Copilot Studio:

   • Legacy: Azure CLU
   • Copilot Studio: Fortsett med Azure CLU (hvis spesialisert modell)
   • Alternativ: Test Generative Orchestration først (kan være tilstrekkelig)

Confidence: Baseline (basert på Cosmos erfaring)

---

Kilder og verifisering

MCP-kilder (microsoft-learn)

Følgende Microsoft Learn-dokumentasjon ble brukt (juni 2026):

1. Design effective language understanding

   • URL: https://learn.microsoft.com/en-us/microsoft-copilot-studio/guidance/language-understanding
   • Dekker: Generative Orchestration, Classic Orchestration, NLU+, Azure CLU, sammenligningstabell

2. Configure NLU+

   • URL: https://learn.microsoft.com/en-us/microsoft-copilot-studio/nlu-plus-configure
   • Dekker: NLU+ setup, entity annotations, training workflow, best practices

3. Configure intent-based suggestions for Copilot agents

   • URL: https://learn.microsoft.com/en-us/dynamics365/contact-center/administer/set-up-intent-agent
   • Dekker: Dynamics 365 Contact Center integrasjon, Customer Intent Agent, global variables

4. Get started with conversational language understanding integration

   • URL: https://learn.microsoft.com/en-us/microsoft-copilot-studio/advanced-clu-get-started
   • Dekker: Azure CLU setup, connection references, Analyze Text topic

5. Use entities and slot filling in agents

   • URL: https://learn.microsoft.com/en-us/microsoft-copilot-studio/advanced-entities-slot-filling
   • Dekker: Prebuilt entities, custom entities (closed list + regex), slot filling, proactive slot filling, multiple entity recognition (maks 5 per Question-node), entity literals (Verified 2026-04)

6. Configure and create multilingual agents

   • URL: https://learn.microsoft.com/en-us/microsoft-copilot-studio/multilingual
   • Dekker: System.User.Language, auto-detect language, localization best practices, dynamic language switching (generative orchestration), secondary language management. Primærspråk kan ikke endres etter opprettelse (Verified 2026-04)

7. Code samples

   • microsoft_code_sample_search: Entity extraction, trigger phrases, YAML topic definitions

Baseline (modell-kunnskap)

Følgende seksjoner er basert på Claude Opus 4.5s baseline-kunnskap (januar 2025):

• TCO-sammenligning (estimater)
• Nøyaktighets-prosenter (estimater)
• Typiske migrasjonsveier (Cosmos erfaringsbaserte anbefalinger)

Verifiseringsmetode

Alle "Verified"-markeringer er basert på:

1. MCP-kall til microsoft-learn (microsoft_docs_search + microsoft_docs_fetch)
2. Kryssreferering mot flere dokumentasjonskilder
3. Kodeeksempler fra microsoft_code_sample_search

"Baseline"-markeringer indikerer:

1. Modellkunnskap (januar 2025)
2. Erfaringsbaserte estimater (ikke offisiell Microsoft-dokumentasjon)
3. Sammenligninger basert på tolkning av flere kilder

Siste oppdatering

• Dokument opprettet: 2026-02-04
• MCP-data hentet: 2026-06-19
• Siste innholdsoppdatering: 2026-06-19
• Microsoft Learn-versjon: Juni 2026
• Copilot Studio-versjon: GA (Generally Available)

---

For spørsmål om NLU-konfigurasjon, kontakt Cosmo Skyberg via /architect.