Forstå tekstanalyse i Foundry

Fuldført

Tip

Se fanen Tekst og billeder for flere detaljer!

Microsoft Foundry er platformen til at bygge AI-apps og agenter på Azure. Foundry portal tilbyder to tilgange til tekstanalyse: generelle AI-modeller, der håndterer et bredt udvalg af opgaver via naturlige sprogprompts, og specialbyggede sprogværktøjer, der returnerer strukturerede, deterministiske resultater for specifikke opgaver.

Bemærkning

Foundry har en webbaseret portal, hvor du kan bygge, teste og implementere AI-applikationer. Portalen har to brugergrænseflader (UI'er) — en klassisk brugerflade og en ny brugerflade — den nye Foundry-portal. Dette indhold beskriver kapaciteter i den nye Foundry-portal.

For at komme i gang med tekstanalyse i den nye Foundry-portal skal du oprette en Foundry-ressource og et Foundry-projekt.

En Foundry-ressource er en Azure ressource, der giver adgang til AI-tjenester og implementerede modeller. Et Foundry-projekt er et arbejdsområde inden for denne ressource, hvor du organiserer dit arbejde, deployer modeller og får adgang til værktøjer som chat-legepladsen og AI-tjenester.

Brug af generelle AI-modeller til tekstanalyse

Fra dit projekt i Foundry-portalen kan du implementere en generel AI-model. En generel AI-model er en sprogmodel, der trænes på enorme mængder tekstdata, hvilket giver den en bred forståelse af sproget og evnen til at håndtere mange forskellige opgaver. En generel model kan følge naturlige sproginstruktioner til at analysere sentiment, udtrække enheder, opsummere tekst, oversætte indhold, besvare spørgsmål og meget mere — alt sammen uden nogen form for konfiguration eller træning fra din side.

Du kan bruge en generel AI-model til at håndtere tekstanalyseopgaver såsom:

• Udtræk af nøglesætninger viser hovedbegreberne fra ustruktureret tekst.
• Enhed, der linker identificerer kendte enheder sammen med et link til Wikipedia.
• analyse af synspunkter og identificerer, om tekst er positiv eller negativ.
• opsummering opsummerer tekst ved at identificere de vigtigste oplysninger.

Du kan udforske tekstanalysemulighederne for AI-modeller i Foundry-portalens chatlegeplads. Efter at have udrullet en model, giver legepladsen dig en chatgrænseflade, hvor du skriver en prompt, og modellen svarer. Fordi modellen forstår konteksten, kan du også følge op med yderligere spørgsmål eller forfine analysen i samme samtale. Det gør legepladsen til en nyttig måde at udforske, hvad der er muligt, før man bygger en fuld applikation.

Lad os se nærmere på nogle af de svar, en generel AI-model kan give, når den får en tekstanalyseopgave.

Udtrækning af nøgleudtryk

Du kan bruge en sprogmodel til at udtrække de nøgleord og sætninger, der bruges i noget tekst, hvilket kan være nyttigt i processer som indeksering og søgning efter relevante dokumenter. Nøglefrasudtrækning identificerer hovedpunkterne fra teksten.

For eksempel kan du modtage en anmeldelse som:

"Jeg spiste et fantastisk måltid på dineren i Seattle i lørdags. Svamperisottoen var perfekt tilberedt og virkelig velsmagende. Vores tjener, Pete, var venlig og effektiv; Og gav os en god anbefaling til dessert (jordbærcheesecake). Jeg vil helt klart anbefale dette sted til en afslappet middag."

Udtræk af nøglesætning kan give en kontekst til denne gennemgang ved at udtrække følgende sætninger:

• afslappet middag
• Dessert
• Fantastisk måltid
• Diner
• God anbefaling
• Svamperisotto
• Pete
• sted
• Lørdag
• Seattle
• Jordbær-cheesecake
• Tjener

Objektgenkendelse

Du kan også bruge navngivet entitetsgenkendelse til at finde personer, steder, datoer og andre specifikke enheder, der nævnes i teksten.

Du kan give en sprogmodel ustruktureret tekst og hente en liste over entiteter i teksten, som den genkender. En enhed er en genstand af en bestemt type eller en kategori; og i nogle tilfælde undertype.

Overvej denne korte tekst:

" Den 2. maj 2017 besøgte John Smith New York for at deltage i en konference arrangeret af Microsoft. Arrangementet startede kl. 8:00 og varede 3 timer. Over 25% af de 40 deltagere rejste mere end 10 miles for at deltage."

Opdagede enheder inkluderer:

Enhedstype	Undertype / Kategori	Værdi
Person	–	John Smith
Sted	–	New York
Organisation	–	Microsoft
DateTime	Dato	2. maj 2017
DateTime	Time	8:00
DateTime	Varighed	3 timer
Mængde	Procentdel	25 %
Mængde	Nummer	40
Mængde	Dimension	10 miles

Analyse af synspunkter og minedrift med mening

Du kan også bruge sentimentanalyse til at klassificere et dokument som positivt, negativt eller neutralt. Dette er nyttigt til at opdage stemninger på sociale medier, kundeanmeldelser, diskussionsfora og mere.

Overvej følgende restaurantanmeldelse:

"Jeg havde en vidunderlig middag på en hyggelig bistro i Portland fredag aften. Den grillede laks var perfekt tilberedt og fuld af smag, og de sæsonbetonede grøntsager var en fantastisk kombination. Vores tjener, Maria, var opmærksom og imødekommende, og hun foreslog citrontærten til dessert – hvilket var fremragende. Jeg vil absolut anbefale dette sted til en afslappet og fornøjelig aften ude."

Bemærkning

Fordi en generel AI-model reagerer på naturlige sprogprompts, afhænger resultatet af, hvordan du formulerer din anmodning. For eksempel kan du bede om en samlet sentiment-score, eller du kan bede om en sætning-for-sætning opdeling. Jo mere specifik din prompt er, desto mere struktureret og detaljeret er svaret.

Analyse af restaurantanmeldelsen kan give resultat:

• Sætning-for-sætning sentimentanalyse:

  "Jeg havde en vidunderlig middag på en hyggelig bistro i Portland fredag aften." Følelse: Positiv forklaring: Ordene "vidunderlig middag" og "hyggelig bistro" formidler en meget positiv oplevelse.

  "Den grillede laks var perfekt tilberedt og fuld af smag, og de sæsonbetonede grøntsager var et fantastisk supplement." Følelse: Positiv forklaring: "Perfekt tilberedt," "fuld af smag" og "fantastisk komplement" indikerer alle stor tilfredshed med maden.

  "Vores tjener, Maria, var opmærksom og imødekommende, og hun foreslog citrontærten til dessert – som var fremragende." Følelse: Positiv forklaring: Positive beskrivelser af tjenerens kvaliteter og desserten ("opmærksom," "imødekommende", "fremragende") afspejler en meget tilfreds kunde.

  "Jeg vil helt klart anbefale dette sted til en afslappet og fornøjelig aften ude." Følelse: Positiv forklaring: En klar anbefaling med ordene "absolut," "afslappet" og "behagelig" viser stærk positiv stemning.

• Overordnet set dokumentstemning: stærkt positiv. Anmeldelsen er fyldt med rosende sprog om maden, atmosfæren, servicen og den samlede oplevelse. Der er ingen neutrale eller negative udsagn.

Hvornår skal man bruge en generel AI-model til tekstanalyse

Ud over nøgleordsudtrækning, entitetsgenkendelse og sentimentanalyse kan generelle AI-modeller også opsummere lange dokumenter i korte afsnit, oversætte tekst mellem sprog, klassificere indhold i kategorier, du definerer, besvare spørgsmål om et afsnit og mere. Fordi disse funktioner alle drives af naturlige sprogprompts, kan du frit kombinere dem — for eksempel bede modellen om at oversætte en lang anmeldelse og derefter opsummere den i en enkelt samtale.

Brug af Azure Language i Foundry tools

Mens en stor sprogmodel trænet til generelle generative AI-arbejdsbelastninger ofte kan gøre et fremragende stykke arbejde med tekstanalyse, giver et mere specialiseret værktøj nogle gange mere forudsigelige resultater.

Azure Language in Foundry tools er en naturlig sprogbehandlingstjeneste med specialbyggede analysatorer til specifikke tekstanalyseopgaver. Disse analysatorer bruger statistiske teknikker til at returnere struktureret, deterministisk output — hvilket gør dem velegnede til automatiserede pipelines, hvor konsistente resultater er vigtige.

I new Foundry-portalen kan du udforske nogle af Azure Languages' muligheder i chatlegepladsen. For at teste kapaciteterne i AI-tjenester, navigér til Build-siden , derefter til Modeller og til fanen AI-tjenester . I fanen kan du finde et udvalg af AI-tjenester, der er tilgængelige til test.

Overvej følgende Azure Language-funktioner:

• Sprogdetektion evaluerer tekst og registrerer sproget og dialekten.
• Registrering af personidentifikationsoplysninger (PII) identificerer personfølsomme oplysninger, herunder personlige sundhedsoplysninger.

Sprogregistrering

I en flersproget arbejdsgang er det første skridt ofte at identificere det sprog, et dokument er skrevet i, så teksten kan dirigeres til den mest passende model eller proces. Sprogdetektion evaluerer tekst og identificerer det primære sprog sammen med en konfidensscore. Azure Language understøtter et bredt udvalg af sprog og regionale dialekter.

For eksempel, givet følgende tekst:

"¡Hola! Jeg vil Josefina og bo i Madrid, Spanien."

Sprogdetektion giver følgende resultat:

Sprog	ISO 6391-kode	Konfidensscore
Spansk	es	1.00

I Foundry-portalen kan du teste Azure Languages sprogdetektionsfunktion i chat-playgrounden.

Personligt identificerbar informationsdetektion

Organisationer har ofte brug for at identificere og redigere følsomme personlige oplysninger fra teksten, før den gemmes eller deles, for at overholde privatlivsreglerne. Personligt identificerbar information (PII) detektion identificerer personlige oplysninger i tekst—såsom navne, telefonnumre, e-mailadresser og gadeadresser—og kan valgfrit redigere dem.

For eksempel, givet følgende tekst:

"Maria Garcia ringede fra 020 7946 0958 og bad om at sende dokumenter til 42 Market Road, London, UK, SW1A 1AA."

PII-detektion identificerer følgende enheder:

Tekst	Kategori
Maria Garcia	Person
020 7946 0958	Telefonnummer
42 Market Road, London, UK, SW1A 1AA	Adresse

I Foundry-portalen kan du teste Azure Languages PII-detektionsfunktion i Language Playground.

Dernæst skal du lære, hvordan du opretter en klientapplikation med tekstanalyse-funktioner ved hjælp af både OpenAI responses API og Azure Language SDK.