Remarque
L’accès à cette page requiert une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page requiert une autorisation. Vous pouvez essayer de modifier des répertoires.
Vous pouvez utiliser la classification pour classifier vos documents en catégories prédéfinies avec l’IA.
Voici quelques exemples de classification :
- Classification des transcriptions d’appels client par intention
- Classification des documents par type de contenu
- Classification des avis de produit par sentiment
La classification est disponible via l’UI Agent Bricks, en SQL, avec l’API REST, et avec l’API Asynchrone (Beta).
Créez un agent de classification dans l’interface utilisateur
Requirements
- Espace de travail qui inclut les éléments suivants :
- Le calcul serverless est activé. Consultez les exigences relatives au calcul serverless.
- Catalogue Unity activé. Consultez Activer un espace de travail pour le Catalogue Unity.
- Accès à une stratégie d’utilisation serverless avec un budget non nul.
- Cette fonction est disponible uniquement dans certaines régions, consultez la disponibilité des fonctions IA.
- Pour les espaces de travail avec le module complémentaire sécurité et conformité améliorés,
- Consultez la prise en charge régionale pour
ai_classifyla norme de conformité appropriée. - Consultez Gérer les versions préliminaires d’Azure Databricks pour savoir comment l’activer sur votre espace de travail.
- Consultez la prise en charge régionale pour
- Possibilité d’utiliser la
ai_classifyfonction SQL. - Données non structurées que vous souhaitez classifier. Les données doivent se trouver dans un volume ou une table du catalogue Unity.
- Pour générer votre agent, vous avez besoin d'au moins 1 document non étiqueté dans votre catalogue Unity ou d'1 ligne dans votre table.
Accédez à Agents dans le volet de navigation gauche de votre espace de travail. Cliquez sur Créer un agent, puis sélectionnez Classification de texte.
Étape 1. Sélectionner vos données sources
Utilisez la classification pour classifier vos documents.
Sélectionnez vos données sources. Vous pouvez sélectionner un volume avec des documents ou un tableau avec des données texte.
Cliquez sur Créer un agent.
Étape 2. Configurer des étiquettes de classification
Une fois que la classification traite vos données, configurez et affinez vos étiquettes de classification.
Pour ajouter manuellement des étiquettes de classification :
- Cliquez sur + Ajouter une étiquette pour ajouter une étiquette de classification.
- Entrez le nom de l’étiquette et la description facultative, puis cliquez sur Ajouter une étiquette.
- Répétez 1 à 2 pour chaque étiquette que vous souhaitez ajouter.
- (Facultatif) Activez plusieurs étiquettes si vous souhaitez que l’agent retourne plusieurs étiquettes.
Pour importer des étiquettes à partir d’une table :
- Cliquez sur Importer à partir de la table.
- Sélectionnez la table, puis cliquez sur Suivant.
- Sélectionnez la colonne d’étiquette, la colonne de description et l’entrepôt SQL.
- Cliquez sur Aperçu pour afficher les étiquettes importées.
- Si vous êtes satisfait des étiquettes, cliquez sur Importer et remplacer des étiquettes.
Vous devez avoir au moins deux étiquettes définies pour exécuter la classification. Une fois que vous avez ajouté vos labels, cliquez sur Enregistrer et lancez la classification.
Pour configurer des options supplémentaires, cliquez sur le bouton d’options à côté de Enregistrer et exécuter la classification, puis activez une ou plusieurs des options suivantes :
- Scores de confiance : Montre les niveaux de confiance pour les labels prédits.
- Justifications : Affiche les justifications des étiquettes prédites.
La classification classifie jusqu’à 5 documents et lignes et affiche les résultats. Vous pouvez également ajouter d’autres éléments.
Étape 3. Examiner et améliorer les réponses de classification
Passez en revue les réponses de classification et donnez des commentaires pour améliorer l’agent.
Passez en revue la réponse concernant le document et la classification :
- Si la réponse est correcte, donnez-lui un pouce vers le haut.
- Si la réponse est incorrecte, donnez-lui un pouce vers le bas. Aidez Classification à corriger la réponse en choisissant la bonne étiquette. Cliquez sur Enregistrer.
Pour améliorer les réponses de l’agent, ajustez les descriptions des étiquettes de classification.
Comparez les versions pour optimiser les performances de l’agent. Cliquez sur Versions. En regard d’une version précédente, cliquez sur Comparer pour comparer les descriptions d’étiquettes de classification d’une version précédente à la version actuelle. Cliquez sur Restaurer pour restaurer une version précédente.
Étape 4. Utiliser l’agent de classification
Si vous êtes satisfait des réponses, commencez à utiliser l’agent pour la classification à grande échelle.
Cliquez sur Utiliser l’agent en haut à droite. Vous pouvez choisir l’une ou l’autre des options suivantes :
-
Exécuter en SQL pour utiliser l’agent afin de classifier l’intégralité de votre volume ou de votre table. Cela ouvre une requête SQL qui utilise
ai_classifyles étiquettes de classification que vous avez définies. Pour plus d’informations sur l’utilisationai_classifydans les requêtes SQL, consultezai_classifyla fonction. - Créez un pipeline Lakeflow qui fonctionne selon des intervalles planifiés pour invoquer votre agent sur de nouvelles données. Cela crée un pipeline Lakeflow qui met à jour une table en continu avec vos données classées. Vous pouvez configurer la planification du pipeline afin qu’il s’exécute quand de nouvelles données arrivent. Pour plus d’informations sur les pipelines Lakeflow, voir Spark Declarative Pipelines on Lakeflow.
Classifier les documents en SQL
Appelez ai_classify SQL pour classer les documents à grande échelle :
SELECT ai_classify(
'My password is leaked.',
'["urgent", "not_urgent"]',
MAP('version', '2.1')
);
Voir la ai_classify référence SQL.
Classifier les documents avec l’API REST
Utilisez l’API REST pour classer les documents à partir d’applications, de services et de flux de travail d’automatisation. Voir la documentation de l’API REST pour référence.
La limite de débit par défaut pour les ai_classify requêtes API REST est de 1 200 requêtes par minute par espace de travail. Contactez votre équipe de compte Databricks pour demander une limite plus élevée.
L’exemple suivant classe un message de support client :
curl -X POST "$DATABRICKS_HOST/api/2.0/ai-functions/ai-classify" \
-H "Authorization: Bearer $DATABRICKS_TOKEN" \
-H "Content-Type: application/json" \
-d '{
"content": "My password is leaked.",
"labels": ["urgent", "not_urgent"],
"options": {
"instructions": "Classify the support request by urgency."
}
}'
Classifier les documents avec l’API Asynchrone (Bêta)
Utilisez l’API asynchrone AI Functions (Bêta) pour classer de nombreux textes dans un seul lot. Pour les champs de requête et de réponse, ainsi que pour les requêtes d’annulation et de liste des lots, voir la référence de l’API asynchrone. Un administrateur de l’espace de travail doit activer la préversion API asynchrone des fonctions IA sur la page Préversions.
Note
Pour classer les lignes d’une table Unity Catalog dans un job, vous pouvez utiliser une ai_classify tâche (Beta) à la place. La tâche lit et écrit dans les tables du catalogue Unity pour vous, et chaque exécution ne traite que les lignes nouvelles ou modifiées.
Pour classer les textes avec l’API asynchrone :
Créez un fichier d’entrée JSONL avec une ligne pour chaque texte. Chaque ligne comporte un identifiant unique
custom_idet le texte dansbody.text:{"custom_id": "ticket-001", "body": {"text": "My password is leaked."}} {"custom_id": "ticket-002", "body": {"text": "How do I change my billing address?"}}Téléchargez le fichier d’entrée dans un volume Unity Catalog, par exemple avec l’API Files.
Créez un lot qui exécute
ai_classifysur le fichier d’entrée. Leslabelsetoptionsdansparamss’appliquent à chaque ligne, etoutput_refest le répertoire des volumes pour les résultats :curl -X POST "$DATABRICKS_HOST/api/2.0/ai-functions/batches" \ -H "Authorization: Bearer $DATABRICKS_TOKEN" \ -H "Content-Type: application/json" \ -d '{ "endpoint": "ai_classify", "input_ref": "/Volumes/my_catalog/my_schema/my_volume/requests.jsonl", "params": { "labels": ["urgent", "not_urgent"], "options": { "instructions": "Classify the support request by urgency." } }, "output_ref": "/Volumes/my_catalog/my_schema/my_volume/output/" }'La réponse contient le lot
name. Utilisez-le à la place de<batch-name>dans les étapes suivantes.Vérifiez l’état du lot. Le lot est terminé lorsque
statusestCOMPLETED,CANCELLED, ouFAILED:curl -X GET "$DATABRICKS_HOST/api/2.0/ai-functions/batches/<batch-name>" \ -H "Authorization: Bearer $DATABRICKS_TOKEN"Lorsque le fichier de sortie est prêt,
output_refdans la réponse contient son chemin.Téléchargez le fichier de sortie avec Files API :
curl -X GET "$DATABRICKS_HOST/api/2.0/fs/files/Volumes/my_catalog/my_schema/my_volume/output/<batch-name>_output.jsonl" \ -H "Authorization: Bearer $DATABRICKS_TOKEN" \ -o output.jsonl
Le fichier de sortie contient une ligne pour chaque ligne du fichier d’entrée. Les lignes sont dans le même ordre que le fichier d’entrée. Chaque ligne contient le custom_id de sa demande et l’un des champs suivants :
-
response: Le résultat de la demande. Il possède les mêmes champs que la réponse API AI Classify REST. -
error: Letypeet lemessagede l’erreur, si la requête a échoué.
L’exemple suivant montre une ligne pour une requête réussie et une ligne pour une requête qui a échoué :
{"custom_id": "ticket-001", "response": {...}}
{"custom_id": "ticket-002", "error": {"type": "request_failed", "message": "..."}}
Limitations
Voir limitations