Model prebuilt ekstraksi entitas
Model ekstraksi entitas bawaan mengenali data spesifik dari teks yang menarik bagi bisnis Anda. Model mengidentifikasi elemen kunci dari teks, dan kemudian mengklasifikasikannya ke dalam kategori yang telah ditentukan. Ini dapat membantu mengubah data tidak terstruktur menjadi data terstruktur yang dapat dibaca mesin. Anda kemudian dapat menerapkan pemrosesan untuk mengambil informasi, mengekstrak fakta, dan menjawab pertanyaan.
Model bawaan siap digunakan di luar kotak. Untuk informasi tentang menyesuaikan ekstraksi entitas Anda agar sesuai dengan kebutuhan spesifik Anda, lihat Gambaran umum model kustom ekstraksi entitas.
Penggunaan di Power Apps
Jelajahi ekstraksi entitas
Anda dapat mencoba model ekstraksi entitas sebelum mengimpornya ke alur Anda.
Masuk ke Power Apps OR Power Automate.
Di panel kiri, pilih ... Lebih banyak>hub AI.
Di bawah Temukan kemampuan AI, pilih model AI.
(Opsional) Untuk menyimpan model AI secara permanen di menu untuk akses mudah, pilih ikon pin.
Pilih Ekstraksi Entitas - Ekstrak elemen kunci dari teks, dan klasifikasikan ke dalam kategori yang telah ditentukan.
Pilih sampel teks standar untuk dianalisis, atau tambahkan teks Anda sendiri, pilih Analisis teks untuk melihat bagaimana model menganalisis teks Anda.
Menggunakan bilah rumus
Anda dapat mengintegrasikan model ekstraksi entitas Anda AI Builder dengan Power Apps Studio menggunakan bilah rumus. Untuk informasi selengkapnya, lihat Penggunaan Power Fx dalam AI Builder model di Power Apps (pratinjau).
Penggunaan di Power Automate
Jika Anda ingin menggunakan model bawaan ini, Anda dapat menemukan informasi selengkapnya di Menggunakan model Power Automate bawaan ekstraksi entitas di Power Automate.
Format data dan bahasa yang didukung
- Dokumen tidak boleh melebihi 5.000 karakter.
- Bahasa yang didukung:
- Bahasa Inggris
- Tionghoa (Sederhana)
- Bahasa Prancis
- Bahasa Jerman
- Bahasa Portugis
- Bahasa Italia
- Bahasa Spanyol
Jenis entitas yang didukung
Entitas | Description |
---|---|
Usia | Usia seseorang, tempat, atau benda, diekstrak sebagai angka |
Boolean | Respons positif atau negatif, diekstrak sebagai Boolean |
Kota | Nama kota, diekstrak sebagai string |
Warna | Warna dan corak utama di spektrum warna, diekstrak sebagai string |
Benua | Nama benua, diekstrak sebagai string |
Negara atau kawasan | Nama negara dan kawasan, diekstrak sebagai string |
Tanggal dan waktu | Tanggal, waktu, hari dalam seminggu, dan bulan yang berkaitan dengan waktu, diekstrak sebagai string |
Durasi | Lamanya waktu, diekstrak sebagai string dalam format TimeSpan standar |
Alamat email, diekstrak sebagai string | |
Kejadian | Nama aktivitas, diekstrak sebagai string |
Bahasa | Nama bahasa, diekstrak sebagai string |
Money | Jumlah uang, diekstrak sebagai angka |
Angka | Bilangan kardinal dalam bentuk angka atau teks, diekstrak sebagai angka |
Ordinal | Bilangan ordinal dalam bentuk angka atau teks, diekstrak sebagai angka |
Organisasi | Nama organisasi, asosiasi, dan korporasi, diekstrak sebagai string |
Persentase | Persentase dalam bentuk numerik atau teks, diekstraksi sebagai angka |
Nama orang | Nama parsial atau lengkap seseorang, diekstrak sebagai string |
Nomor telepon | Nomor telepon dalam format AS standar, diekstrak sebagai string |
Kecepatan | Kecepatan, diekstrak sebagai angka |
Provinsi | Nama dan singkatan untuk negara bagian di Amerika Serikat, diekstrak sebagai string |
Alamat rumah | Alamat bernomor, jalan atau jalan, kota, negara bagian, kode pos atau kode pos dalam format standar AS, diekstrak sebagai string |
Suhu | Temperatur, diekstrak sebagai angka |
URL | URL dan tautan situs web, diekstrak sebagai string |
Berat | Berat, diekstrak sebagai angka |
Kode pos | Kode pos dalam format standar AS, diekstrak sebagai string |
Keluaran model
Output model menunjukkan entitas yang diidentifikasi dan jenis entitasnya. Contoh:
Teks input: "Biaya utilitas telah meningkat sebesar 7% di kantor Boston kami"
Entitas output model:
Entitas | Jenis entitas |
---|---|
7% | Persentase |
Boston | Kota |