Mi az az egyéni Text Analytics az állapothoz?

  • Cikk

A Custom Text Analytics for Health az Azure AI Language által kínált egyéni funkciók egyike. Ez egy felhőalapú API-szolgáltatás, amely gépi tanulási intelligenciát alkalmaz annak érdekében, hogy egyéni modelleket hozzon létre a Text Analyticsre az állapothoz az egyéni egészségügyi entitások felismerési feladataihoz.

A Custom Text Analytics for Health lehetővé teszi a felhasználók számára, hogy egyéni AI-modelleket építsenek ki, amelyek egészségügyi specifikus entitásokat nyernek ki strukturálatlan szövegekből, például klinikai jegyzetekből és jelentésekből. Az állapotprojekthez készült egyéni Text Analytics létrehozásával a fejlesztők iteratív módon definiálhatnak új szókincset, címkézhetnek adatokat, betanítást végezhetnek, értékelhetnek és javíthatnak a modell teljesítményének, mielőtt elérhetővé tennék azt felhasználás céljából. A címkézett adatok minősége nagyban befolyásolja a modell teljesítményét. A modell létrehozásának és testreszabásának egyszerűsítése érdekében a szolgáltatás egy webportált kínál, amely a Language Studióban érhető el. A gyorsútmutató lépéseit követve egyszerűen megkezdheti a szolgáltatást.

Ez a dokumentáció a következő cikktípusokat tartalmazza:

  • A rövid útmutatók első lépések, amelyek végigvezetik a kérések szolgáltatáshoz való létrehozásának folyamatán.
  • A fogalmak a szolgáltatás funkcióit és funkcióit ismertetik.
  • Az útmutatók konkrétabb vagy testre szabottabb módon tartalmazzák a szolgáltatás használatára vonatkozó utasításokat.

Példa használati forgatókönyvekre

Az állapotelemzéshez hasonlóan az egyéni állapotelemzés is több forgatókönyvben is használható számos egészségügyi iparágban. Ennek a funkciónak a fő használata azonban az, hogy a Text Analyticsen felül egy testreszabási réteget biztosít az állapothoz, hogy kibővítse a meglévő entitástérképet.

Projektfejlesztési életciklus

Az egyéni Text Analytics állapotelemzési használata általában több különböző lépésből áll.

A diagram showing the project development lifecycle when working with custom models.

  • A séma definiálása: Ismerje meg az adatokat, és határozza meg azokat az új entitásokat, amelyeket ki szeretne nyerni a meglévő Text Analytics állapotentitási leképezése alapján. Kerülje a kétértelműséget.

  • Az adatok címkézése: Az adatok címkézése kulcsfontosságú tényező a modell teljesítményének meghatározásában. Pontosan, következetesen és teljesen címkézzen.

    • Pontosan címkézzen: Minden entitást mindig a megfelelő típusra címkézzen. Csak a kinyerni kívánt adatokat vegye fel, kerülje a felesleges adatokat a címkékben.
    • Címke következetesen: Ugyanazon entitásnak az összes fájlban ugyanazzal a címkével kell rendelkeznie.
    • Teljes címke: Az entitás összes példányának címkézése az összes fájlban.

  • A modell betanítása: A modell elkezd tanulni a címkézett adatokból.

  • A modell teljesítményének megtekintése: A betanítás befejezése után tekintse meg a modell kiértékelési adatait, teljesítményét és a továbbfejlesztésére vonatkozó útmutatást.

  • A modell üzembe helyezése: A modell üzembe helyezése api-val történő használatra teszi elérhetővé.

  • Entitások kinyerése: Az egyéni modellek használata entitás-kinyerési feladatokhoz.

Referenciadokumentáció és kódminták

Az egyéni Text Analytics állapotelemzési használata során tekintse meg az Azure AI Language alábbi referenciadokumentációját:

APIs Referenciadokumentáció
REST API-k (szerzői) REST API-dokumentáció
REST API-k (futtatókörnyezet) REST API-dokumentáció

Felelős AI

Az AI-rendszerek nem csak a technológiát, hanem a felhasználókat is magukban foglalják, a felhasználókat, akiket érint majd, és a környezet, amelyben üzembe helyezik. A Text Analytics for Health átláthatósági megjegyzésében megismerheti a felelős AI-használatot és üzembe helyezést a rendszerekben. További információért az alábbi cikkeket is megtekintheti:

Következő lépések