Comprendre l’analyse de texte dans Foundry

Effectué

Tip

Pour plus d’informations, consultez l’onglet Texte et images !

Microsoft Foundry est la plateforme de création d’applications et d’agents IA sur Azure. Le portail Foundry propose deux approches pour l’analyse de texte : les modèles IA à usage général qui gèrent un large éventail de tâches par le biais d’invites en langage naturel et d’outils de langage intégrés qui retournent des résultats structurés et déterministes pour des tâches spécifiques.

Note

Foundry dispose d’un portail web dans lequel vous pouvez créer, tester et déployer des applications IA. Le portail a deux interfaces utilisateur (UIs) : une interface utilisateur classique et une nouvelle interface utilisateur , le nouveau portail Foundry. Ce contenu décrit les fonctionnalités du nouveau portail Foundry.

Pour commencer à utiliser l’analyse de texte dans le nouveau portail Foundry, vous devez créer une ressource Foundry et un projet Foundry.

Une ressource Foundry est une ressource Azure qui fournit l’accès aux services IA et aux modèles déployés. Un projet Foundry est un espace de travail dans cette ressource où vous organisez votre travail, déployez des modèles et accédez à des outils tels que le terrain de jeu de conversation et les services IA.

Utilisation de modèles IA universels pour l’analyse de texte

À partir de votre projet dans le portail Foundry, vous pouvez déployer un modèle IA à usage général. Un modèle IA à usage général est un modèle de langage formé sur de vastes quantités de données de texte, ce qui lui donne une compréhension large du langage et la capacité à gérer de nombreuses tâches différentes. Un modèle à usage général peut suivre des instructions en langage naturel pour analyser les sentiments, extraire des entités, synthétiser du texte, traduire du contenu, répondre à des questions, et bien plus encore , sans aucune configuration ni formation de votre part.

Vous pouvez utiliser un modèle IA universel pour gérer des tâches d’analyse de texte telles que :

• extraction d’expressions clés répertorie les principaux concepts du texte non structuré.
• La liaison d’entités identifie les entités connues avec un lien vers Wikipédia.
• analyse des sentiments et l’exploration des opinions identifie si le texte est positif ou négatif.
• résumé résume le texte en identifiant les informations les plus importantes.

Vous pouvez explorer les fonctionnalités d’analyse de texte des modèles IA dans le terrain de jeu de conversation du portail Foundry. Après avoir déployé un modèle, le terrain de jeu vous donne une interface de conversation où vous tapez une invite et le modèle répond. Étant donné que le modèle comprend le contexte, vous pouvez également suivre des questions supplémentaires ou affiner l’analyse dans la même conversation. Cela fait de cet espace de test un moyen pratique d'explorer les différentes possibilités avant de développer une application complète.

Examinons de plus près certaines des réponses qu’un modèle IA à usage général peut donner lorsqu’une tâche d’analyse de texte est donnée.

Extraction d’expressions clés

Vous pouvez utiliser un modèle de langage pour extraire les mots clés et les expressions utilisés dans un texte, ce qui peut être utile dans les processus tels que l’indexation et la recherche de documents pertinents. L’extraction d’expressions clés identifie les points principaux du texte.

Par exemple, vous pouvez recevoir une révision telle que :

« J’ai eu un repas fantastique au dîner à Seattle samedi. Le risotto de champignons était parfaitement préparé, et vraiment savoureux. Notre serveur, Pete, était sympathique et efficace ; et nous a donné une grande recommandation pour un dessert (fromage à la fraise). Je recommanderais certainement cet endroit pour un dîner décontracté."

L’extraction de phrases clés peut fournir un contexte à cette révision en extrayant les expressions suivantes :

• dîner décontracté
• Dessert
• repas fantastique
• dîner
• grande recommandation
• risotto de champignons
• Pete
• adresse
• Samedi
• Seattle
• cheesecake à la fraise
• Serveur

Reconnaissance d’entités

Vous pouvez également utiliser la reconnaissance d’entité nommée pour rechercher des personnes, des lieux, des dates et d’autres entités spécifiques mentionnées dans le texte.

Vous pouvez fournir un modèle de langage avec du texte non structuré et récupérer une liste d’entités dans le texte qu’il reconnaît. Une entité est un élément d’un type particulier ou d’une catégorie ; et dans certains cas, sous-type.

Considérez ce texte court :

« Le 2 mai 2017, John Smith a visité New York pour assister à une conférence organisée par Microsoft. L’événement a commencé à 8 h 00 et a duré 3 heures. Plus de 25% des 40 participants ont voyagé plus de 10 miles pour participer. »

Les entités détectées sont les suivantes :

Type d’entité	Sous-type / Catégorie	Valeur
Personne	—	John Smith
Emplacement	—	New York
Organisation	—	Microsoft
Date et heure	Date	2 mai 2017
Date et heure	Heure	8:00 du matin
Date et heure	Durée	3 heures
Quantité	Pourcentage	25 %
Quantité	Number	40
Quantité	Dimension	10 miles

Analyse des sentiments et exploration des opinions

Vous pouvez également utiliser l’analyse des sentiments pour classer un document comme positif, négatif ou neutre. Cela est utile pour détecter les sentiments dans les médias sociaux, les avis des clients, les forums de discussion, etc.

Tenez compte de l’avis du restaurant suivant :

« J’ai eu un dîner merveilleux dans un bistro confortable à Portland le vendredi soir. Le saumon grillé était cuit parfaitement et plein de saveur, et les légumes saisonniers étaient un excellent complément. Notre serveur, Maria, était attentif et personnable, et elle a suggéré la tarte au citron pour le dessert, ce qui était excellent. Je recommanderais absolument cet endroit pour une nuit détendue et agréable.

Note

Étant donné qu’un modèle IA à usage général répond aux invites en langage naturel, la sortie dépend de la façon dont vous formulez votre requête. Par exemple, vous pouvez demander un score de sentiment global, ou vous pouvez demander une répartition de phrase par phrase. Plus votre instruction est spécifique, plus la réponse est structurée et détaillée.

L’analyse de la critique du restaurant peut donner :

• Analyse des sentiments de phrase par phrase :

  « J’ai eu un dîner merveilleux dans un bistro confortable à Portland le vendredi soir. » Sentiment : Explication positive : Les mots « dîner merveilleux » et « bistro confortable » transmettent une expérience très positive.

  « Le saumon grillé était cuit parfaitement et plein de saveur, et les légumes saisonniers étaient un excellent complément. » Sentiment : Explication positive : « Cuit parfaitement », « plein de saveur », et « grand complément » tous indiquent une forte satisfaction avec la nourriture.

  « Notre serveur, Maria, était attentif et personnable, et elle a suggéré la tarte au citron pour le dessert, ce qui était excellent. » Sentiment : Explication positive : Les descriptions positives des qualités du serveur et le dessert (« attentif, « personable », « excellent ») reflètent un client très heureux.

  « Je recommanderais absolument cet endroit pour une soirée détendue et agréable. » Sentiment : Explication positive : une recommandation claire avec les mots « absolument », « détendu » et « agréable » montrent un sentiment positif fort.

• Sentiment global du document : fortement positif. L’évaluation est remplie de commentaires élogieux sur la nourriture, l’atmosphère, le service et l’expérience globale. Il n’y a pas d’énoncés neutres ou négatifs.

Quand utiliser un modèle IA universel pour l’analyse de texte

Au-delà de l’extraction de phrases clés, de la reconnaissance d’entité et de l’analyse des sentiments, les modèles IA à usage général peuvent également synthétiser des documents longs en paragraphes concis, traduire du texte entre des langues, classifier du contenu en catégories que vous définissez, répondre aux questions sur un passage, etc. Étant donné que ces fonctionnalités sont toutes pilotées par des invites en langage naturel, vous pouvez les combiner librement ; par exemple, demander au modèle de traduire un long avis, puis le résumer au cours d'une seule conversation.

Utilisation d'Azure Language dans les outils Foundry

Bien qu’un modèle de langage volumineux entraîné pour les charges de travail d’INTELLIGENCE artificielle générale puisse souvent effectuer un excellent travail d’analyse de texte, parfois un outil plus spécialisé obtient des résultats plus prévisibles.

Azure Language in Foundry tools est un service de traitement du langage naturel avec des analyseurs conçus pour des tâches d’analyse de texte spécifiques. Ces analyseurs utilisent des techniques statistiques pour retourner une sortie structurée et déterministe, ce qui les rend bien adaptées aux pipelines automatisés où les résultats cohérents sont importants.

Dans le portail new Foundry, vous pouvez explorer certaines des fonctionnalités de Azure Language dans le terrain de jeu de conversation. Pour tester les fonctionnalités des services IA, accédez à la page Générer , puis à Modèles, puis à l’onglet Services IA . Sous l’onglet, vous trouverez une sélection de services IA disponibles pour les tests.

Tenez compte des fonctionnalités de langage Azure suivantes :

• La détection de langue évalue le texte et détecte la langue et le dialecte.
• détection des informations d’identification personnelles (PII) identifie les informations personnellement sensibles, y compris les informations personnelles sur la santé (PHI).

Détection de langue

Dans un flux de travail multilingue, la première étape consiste souvent à identifier la langue dans laquelle un document est écrit, afin que le texte puisse être routé vers le modèle ou le processus le plus approprié. La détection de langue évalue le texte et identifie la langue primaire ainsi qu’un score de confiance. Azure Langue prend en charge un large éventail de langues et de dialectes régionaux.

Par exemple, étant donné le texte suivant :

">Hola ! Me llamo Josefina y vivo en Madrid, España."

La détection de langue retourne le résultat suivant :

Language	Code ISO 6391	Score de fiabilité
Espagnol	es	1,00

Dans le portail Foundry, vous pouvez tester la fonctionnalité de détection de langue d'Azure Language dans l'environnement de conversation.

Détection des informations d’identification personnelle

Les organisations doivent souvent identifier et réactérer les détails personnels sensibles à partir du texte avant qu’ils ne soient stockés ou partagés, pour se conformer aux réglementations en matière de confidentialité. La détection d’informations d’identification personnelle (PII) identifie les détails personnels dans le texte, tels que les noms, les numéros de téléphone, les adresses e-mail et les adresses postales, et peut éventuellement les réacter.

Par exemple, étant donné le texte suivant :

« Maria Garcia a appelé de 020 7946 0958 et a demandé d’envoyer des documents à 42 Market Road, Londres, Royaume-Uni, SW1A 1AA. »

La détection d’informations personnelles identifie les entités suivantes :

Texte	Catégorie
Maria Garcia	Personne
020 7946 0958	Numéro de téléphone
42 Market Road, Londres, Royaume-Uni, SW1A 1AA	Adresse

Dans le portail Foundry, vous pouvez tester la fonctionnalité de détection d'informations personnelles de Azure Language dans language Playground.

Ensuite, découvrez comment créer une application cliente avec des fonctionnalités d’analyse de texte à l’aide de l’API de réponses OpenAI et du Kit de développement logiciel (SDK) de langage Azure.