Mulai cepat: Analitik Teks kustom untuk kesehatan
Gunakan artikel ini untuk mulai membuat proyek Text Analytics for health kustom tempat Anda dapat melatih model kustom di atas Text Analytics untuk kesehatan untuk pengenalan entitas kustom. Model adalah perangkat lunak kecerdasan buatan yang dilatih untuk melakukan tugas tertentu. Untuk sistem ini, model mengekstrak entitas bernama terkait perawatan kesehatan dan dilatih dengan belajar dari data berlabel.
Dalam artikel ini, kami menggunakan Language Studio untuk menunjukkan konsep utama Text Analytics kustom untuk kesehatan. Sebagai contoh, kita akan membuat model Text Analytics for health kustom untuk mengekstrak Fasilitas atau lokasi perawatan dari catatan pembuangan singkat.
Prasyarat
- Langganan Azure - Buat langganan secara gratis
Membuat sumber daya Bahasa Azure AI baru dan akun penyimpanan Azure
Sebelum dapat menggunakan Text Analytics kustom untuk kesehatan, Anda perlu membuat sumber daya Bahasa Azure AI, yang akan memberi Anda kredensial yang Anda butuhkan untuk membuat proyek dan mulai melatih model. Anda juga memerlukan akun penyimpanan Azure, tempat Anda dapat mengunggah himpunan data yang digunakan untuk membangun model Anda.
Penting
Untuk memulai dengan cepat, sebaiknya buat sumber daya Bahasa Azure AI baru menggunakan langkah-langkah yang disediakan dalam artikel ini. Menggunakan langkah-langkah dalam artikel ini, Anda dapat membuat sumber daya Bahasa dan akun penyimpanan secara bersamaan, yang lebih mudah daripada melakukannya nanti.
Jika Anda memiliki sumber daya yang sudah ada sebelumnya yang ingin digunakan, Anda harus menghubungkannya ke akun penyimpanan. Untuk informasi selengkapnya, lihat panduan untuk menggunakan sumber daya yang sudah ada sebelumnya.
Buat sumber daya baru menggunakan portal Microsoft Azure
Masuk ke portal Azure untuk membuat sumber daya Bahasa Azure AI baru.
Di jendela yang muncul, pilih Klasifikasi teks kustom & pengenalan entitas bernama kustom dari fitur kustom. Pilih Lanjutkan untuk membuat sumber daya Anda di bagian bawah layar.
Buat sumber daya Bahasa dengan detail berikut.
Nama Deskripsi Langganan Langganan Azure Anda. Grup sumber daya Grup sumber daya yang akan berisi sumber daya Anda. Anda dapat menggunakan ruang kerja yang sudah ada atau membuat baru. Wilayah Wilayah sumber daya Bahasa Anda. Misalnya, "US Barat 2". Nama Nama sumber daya Anda. Tingkatan harga Tingkat harga untuk sumber daya Bahasa Anda. Anda dapat menggunakan tingkat Gratis (F0) untuk mencoba layanan. Catatan
Jika Anda mendapatkan pesan yang mengatakan "akun masuk Anda bukan pemilik grup sumber daya akun penyimpanan yang dipilih", akun Anda harus memiliki peran pemilik yang ditetapkan pada grup sumber daya sebelum Anda dapat membuat sumber daya Bahasa. Hubungi pemilik langganan Azure Anda untuk bantuan.
Di bagian Klasifikasi teks kustom & pengenalan entitas bernama kustom, pilih akun penyimpanan yang sudah ada atau pilih Akun penyimpanan baru. Nilai ini untuk membantu Anda memulai, dan belum tentu menjadi nilai akun penyimpanan yang ingin Anda gunakan di lingkungan produksi. Untuk menghindari latensi selama membangun proyek Anda, sambungkan ke akun penyimpanan di wilayah yang sama dengan sumber daya Bahasa Anda.
Nilai akun penyimpanan Nilai yang direkomendasikan Nama akun penyimpanan Nama apa pun Jenis akun penyimpanan LRS Standar Pastikan Pemberitahuan AI yang Bertanggung Jawab diperiksa. Lalu, pilih Tinjau + buat di bagian bawah halaman, kemudian pilih Buat.
Unggah data sampel ke kontainer blob
Setelah Anda membuat akun penyimpanan Azure dan menghubungkannya ke sumber daya Bahasa, Anda perlu mengunggah dokumen dari himpunan data sampel ke direktori akar kontainer Anda. Dokumen ini akan digunakan untuk melatih model Anda.
Unduh kumpulan data sampel dari GitHub.
Buka file .zip, dan ekstrak folder yang berisi dokumen.
Di portal Azure, buka akun penyimpanan yang Anda buat, dan pilih.
Di akun penyimpanan Anda, pilih Kontainer dari menu kiri, yang terletak di bawah Penyimpanan data. Pada layar yang muncul, pilih + Kontainer. Beri kontainer nama contoh-data dan tinggalkan Tingkat akses publik default.
Setelah kontainer Anda dibuat, pilih itu. Lalu pilih tombol Unggah untuk memilih file dan
.json
yang.txt
Anda unduh sebelumnya.
Himpunan data sampel yang disediakan berisi 12 catatan klinis. Setiap catatan klinis mencakup beberapa entitas medis dan lokasi perawatan. Kami akan menggunakan entitas bawaan untuk mengekstrak entitas medis dan melatih model kustom untuk mengekstrak lokasi perawatan menggunakan komponen yang dipelajari dan daftar entitas.
Membuat Text Analytics kustom untuk proyek kesehatan
Setelah sumber daya dan akun penyimpanan Anda dikonfigurasi, buat Text Analytics kustom baru untuk proyek kesehatan. Proyek adalah area kerja untuk membuat model ML kustom berdasarkan data Anda. Proyek Anda hanya dapat diakses oleh Anda dan orang lain yang memiliki akses ke sumber daya Bahasa yang digunakan.
Masuk ke Studio Bahasa. Sebuah jendela akan muncul yang memungkinkan Anda memilih langganan dan sumber daya Language. Pilih sumber daya yang Anda buat pada langkah di atas.
Di bawah bagian Ekstrak informasi dari Language Studio, pilih Analitik Teks Kustom untuk kesehatan.
Pilih Buat proyek baru dari menu atas di halaman proyek Anda. Membuat proyek memungkinkan Anda memberi label data, melatih, mengevaluasi, meningkatkan, dan menyebarkan model Anda.
Masukkan informasi proyek, termasuk nama, deskripsi, dan bahasa pemrogram file dalam proyek Anda. Jika Anda menggunakan contoh himpunan data, pilih Bahasa Inggris. Anda tidak dapat mengubah nama proyek Anda nanti. Pilih Selanjutnya
Tip
Himpunan data Anda tidak harus sepenuhnya dalam bahasa pemrogram yang sama. Anda dapat memiliki beberapa dokumen, masing-masing dengan bahasa yang didukung berbeda. Jika himpunan data Anda berisi dokumen dari bahasa yang berbeda atau jika Anda mengharapkan teks dari bahasa yang berbeda selama waktu proses, pilih opsi aktifkan himpunan data multi-bahasa saat Anda memasukkan informasi dasar untuk proyek Anda. Opsi ini dapat diaktifkan nanti dari halaman Pengaturan proyek.
Setelah Anda memilih Buat proyek baru, jendela akan muncul untuk memungkinkan Anda menyambungkan akun penyimpanan Anda. Jika Anda sudah menyambungkan akun penyimpanan, Anda akan melihat akun penyimpanan tersambung. Jika tidak, pilih akun penyimpanan Anda dari menu dropdown yang muncul dan pilih akun penyimpanan Koneksi; ini akan mengatur peran yang diperlukan untuk akun penyimpanan Anda. Langkah ini mungkin akan mengembalikan kesalahan jika Anda tidak ditetapkan sebagai pemilik di akun penyimpanan.
Catatan
- Anda hanya perlu melakukan langkah ini sekali untuk setiap sumber daya baru yang Anda gunakan.
- Proses ini tidak dapat diubah, jika Anda menghubungkan akun penyimpanan ke sumber daya Bahasa, Anda tidak dapat memutuskannya nanti.
- Anda hanya dapat menghubungkan sumber daya Bahasa Anda ke satu akun penyimpanan.
Pilih kontainer tempat Anda mengunggah himpunan data Anda.
Jika Anda telah melabeli data pastikan data mengikuti format yang didukung dan memilih Ya, file saya sudah diberi label dan saya telah memformat file label JSON dan memilih file label dari menu drop-down. Pilih Selanjutnya. Jika Anda menggunakan himpunan data dari Mulai Cepat, Anda tidak perlu meninjau pemformatan file label JSON.
Tinjau data yang Anda masukkan dan pilih Buat Project.
Melatih model
Biasanya setelah Anda membuat proyek, Anda bisa melanjutkan dan mulai melabeli dokumen yang Anda miliki di kontainer yang terhubung ke proyek Anda. Untuk mulai cepat ini, Anda telah mengimpor sampel himpunan data yang ditandai dan menginisialisasi proyek Anda dengan contoh file label JSON sehingga tidak perlu menambahkan label tambahan.
Untuk mulai melatih model Anda dari dalam Language Studio:
Pilih Pekerjaan pelatihan dari menu sebelah kiri.
Pilih Mulai pekerjaan pelatihan dari menu atas.
Pilih Latih model baru dan ketik nama model di kotak teks. Anda juga dapat menimpa model yang ada dengan memilih opsi ini dan memilih model yang ingin Anda timpa dari menu drop-down. Menimpa model terlatih tidak dapat diubah, tetapi tidak akan memengaruhi model yang Anda sebarkan hingga Anda menyebarkan model baru.
Pilih metode pemisahan data. Anda dapat memilih Memisahkan set pengujian secara otomatis dari data pelatihan di mana sistem akan membagi data berlabel Anda antara set pelatihan dan pengujian, sesuai dengan persentase yang ditentukan. Atau Anda dapat Menggunakan pemisahan manual data pelatihan dan pengujian, opsi ini hanya diaktifkan jika Anda telah menambahkan dokumen ke set pengujian Anda. Lihat pelabelan data dan cara melatih model untuk informasi tentang pemisahan data.
Pilih tombol Latih.
Jika Anda memilih ID Pekerjaan Pelatihan dari daftar, panel samping akan muncul di mana Anda dapat memeriksa kemajuan Pelatihan, Status pekerjaan, dan detail lainnya untuk pekerjaan ini.
Catatan
- Hanya pekerjaan pelatihan yang berhasil diselesaikan yang akan menghasilkan model.
- Pelatihan dapat memakan waktu antara beberapa menit dan beberapa jam berdasarkan ukuran data berlabel Anda.
- Anda hanya dapat memiliki satu pekerjaan pelatihan yang berjalan pada satu waktu. Anda tidak dapat memulai pekerjaan pelatihan lain dalam proyek yang sama sampai pekerjaan yang sedang berjalan selesai.
Sebarkan model anda
Biasanya setelah melatih model, Anda akan meninjau detail evaluasi dan melakukan peningkatan jika perlu. Dalam mulai cepat ini, Anda akan menyebarkan model dan membuatnya tersedia untuk dicoba di Language Studio, atau Anda dapat memanggil API prediksi.
Untuk menyebarkan model Anda dari dalam Language Studio:
Pilih Menyebarkan model dari menu sebelah kiri.
Pilih Tambahkan penyebaran untuk memulai pekerjaan penyebaran baru.
Pilih Buat penyebaran baru untuk membuat penyebaran baru dan tetapkan model terlatih dari menu drop-down di bawah ini. Anda juga dapat Menimpa penyebaran yang ada dengan memilih opsi ini dan memilih model terlatih yang ingin Anda tetapkan dari menu drop-down di bawah ini.
Catatan
Menimpa penyebaran yang ada tidak memerlukan perubahan pada panggilan API prediksi Anda tetapi hasil yang Anda dapatkan akan didasarkan pada model yang baru ditetapkan.
Pilih Sebarkan untuk memulai pekerjaan penyebaran.
Setelah penyebaran berhasil, tanggal kedaluwarsa akan muncul di sampingnya. Kedaluwarsa penyebaran adalah ketika model yang Anda sebarkan tidak akan tersedia untuk digunakan untuk prediksi, yang biasanya terjadi dua belas bulan setelah konfigurasi pelatihan kedaluwarsa.
Uji model Anda
Setelah model disebarkan, Anda dapat mulai menggunakannya untuk mengekstrak entitas dari teks Anda melalui API Prediksi. Untuk mulai cepat ini, Anda akan menggunakan Language Studio untuk mengirimkan tugas prediksi Text Analytics untuk kesehatan kustom dan memvisualisasikan hasilnya. Dalam himpunan data sampel yang Anda unduh sebelumnya, Anda dapat menemukan beberapa dokumen pengujian yang dapat Anda gunakan dalam langkah ini.
Untuk menguji model disebarkan dari dalam Language Studio:
Pilih Menguji penyebaran dari menu sebelah kiri.
Pilih penyebaran yang ingin Anda uji. Anda hanya dapat menguji model yang ditetapkan untuk penyebaran.
Pilih penyebaran yang ingin Anda kueri/uji dari menu dropdown.
Anda dapat memasukkan teks yang ingin dikirimkan ke permintaan atau unggah file
.txt
yang akan digunakan.Pilih Jalankan pengujian dari menu atas.
Di tab Hasil, Anda dapat melihat entitas yang diekstraksi dari teks dan jenisnya. Anda juga dapat melihat respons JSON di bawah tab JSON .
Membersihkan sumber daya
Jika Anda tidak memerlukan proyek lagi, Anda dapat menghapus proyek menggunakan Language Studio.
- Pilih fitur Layanan bahasa yang Anda gunakan di bagian atas halaman, s
- Pilih proyek yang ingin Anda hapus
- Pilih Hapus dari menu atas.
Prasyarat
- Langganan Azure - Buat langganan secara gratis
Membuat sumber daya Bahasa Azure AI baru dan akun penyimpanan Azure
Sebelum dapat menggunakan Text Analytics kustom untuk kesehatan, Anda harus membuat sumber daya Bahasa Azure AI, yang akan memberi Anda kredensial yang Anda butuhkan untuk membuat proyek dan mulai melatih model. Anda juga memerlukan akun penyimpanan Azure, tempat Anda dapat mengunggah himpunan data yang akan digunakan dalam membangun model Anda.
Penting
Untuk memulai dengan cepat, sebaiknya buat sumber daya Bahasa Azure AI baru menggunakan langkah-langkah yang disediakan dalam artikel ini, yang akan memungkinkan Anda membuat sumber daya Bahasa, dan membuat dan/atau menghubungkan akun penyimpanan secara bersamaan, yang lebih mudah daripada melakukannya nanti.
Jika Anda memiliki sumber daya yang sudah ada sebelumnya yang ingin digunakan, Anda harus menghubungkannya ke akun penyimpanan. Lihat membuat proyek untuk informasi selengkapnya.
Buat sumber daya baru menggunakan portal Microsoft Azure
Masuk ke portal Azure untuk membuat sumber daya Bahasa Azure AI baru.
Di jendela yang muncul, pilih Klasifikasi teks kustom & pengenalan entitas bernama kustom dari fitur kustom. Pilih Lanjutkan untuk membuat sumber daya Anda di bagian bawah layar.
Buat sumber daya Bahasa dengan detail berikut.
Nama Deskripsi Langganan Langganan Azure Anda. Grup sumber daya Grup sumber daya yang akan berisi sumber daya Anda. Anda dapat menggunakan ruang kerja yang sudah ada atau membuat baru. Wilayah Wilayah sumber daya Bahasa Anda. Misalnya, "US Barat 2". Nama Nama sumber daya Anda. Tingkatan harga Tingkat harga untuk sumber daya Bahasa Anda. Anda dapat menggunakan tingkat Gratis (F0) untuk mencoba layanan. Catatan
Jika Anda mendapatkan pesan yang mengatakan "akun masuk Anda bukan pemilik grup sumber daya akun penyimpanan yang dipilih", akun Anda harus memiliki peran pemilik yang ditetapkan pada grup sumber daya sebelum Anda dapat membuat sumber daya Bahasa. Hubungi pemilik langganan Azure Anda untuk bantuan.
Di bagian Klasifikasi teks kustom & pengenalan entitas bernama kustom, pilih akun penyimpanan yang sudah ada atau pilih Akun penyimpanan baru. Nilai ini untuk membantu Anda memulai, dan belum tentu menjadi nilai akun penyimpanan yang ingin Anda gunakan di lingkungan produksi. Untuk menghindari latensi selama membangun proyek Anda, sambungkan ke akun penyimpanan di wilayah yang sama dengan sumber daya Bahasa Anda.
Nilai akun penyimpanan Nilai yang direkomendasikan Nama akun penyimpanan Nama apa pun Jenis akun penyimpanan LRS Standar Pastikan Pemberitahuan AI yang Bertanggung Jawab diperiksa. Lalu, pilih Tinjau + buat di bagian bawah halaman, kemudian pilih Buat.
Unggah data sampel ke kontainer blob
Setelah Anda membuat akun penyimpanan Azure dan menghubungkannya ke sumber daya Bahasa, Anda perlu mengunggah dokumen dari himpunan data sampel ke direktori akar kontainer Anda. Dokumen ini akan digunakan untuk melatih model Anda.
Unduh kumpulan data sampel dari GitHub.
Buka file .zip, dan ekstrak folder yang berisi dokumen.
Di portal Azure, buka akun penyimpanan yang Anda buat, dan pilih.
Di akun penyimpanan Anda, pilih Kontainer dari menu kiri, yang terletak di bawah Penyimpanan data. Pada layar yang muncul, pilih + Kontainer. Beri kontainer nama contoh-data dan tinggalkan Tingkat akses publik default.
Setelah kontainer Anda dibuat, pilih itu. Lalu pilih tombol Unggah untuk memilih file dan
.json
yang.txt
Anda unduh sebelumnya.
Himpunan data sampel yang disediakan berisi 12 catatan klinis. Setiap catatan klinis mencakup beberapa entitas medis dan lokasi perawatan. Kami akan menggunakan entitas bawaan untuk mengekstrak entitas medis dan melatih model kustom untuk mengekstrak lokasi perawatan menggunakan komponen yang dipelajari dan daftar entitas.
Dapatkan kunci sumber daya dan titik akhir Anda
Buka halaman gambaran umum sumber daya Anda di portal Microsoft Azure
Dari menu sebelah kiri, pilih Kunci dan Titik Akhir. Anda akan menggunakan titik akhir dan kunci untuk permintaan API
Membuat Text Analytics kustom untuk proyek kesehatan
Setelah sumber daya dan akun penyimpanan Anda dikonfigurasi, buat Text Analytics kustom baru untuk proyek kesehatan. Proyek adalah area kerja untuk membuat model ML kustom berdasarkan data Anda. Proyek Anda hanya dapat diakses oleh Anda dan orang lain yang memiliki akses ke sumber daya Bahasa yang digunakan.
Gunakan file label yang Anda unduh dari data sampel di langkah sebelumnya dan tambahkan ke isi permintaan berikut.
Memicu pekerjaan proyek impor
Kirim permintaan POST menggunakan URL, header, dan isi JSON berikut untuk mengimpor file label Anda. Pastikan file label Anda mengikuti format yang diterima.
Jika sebuah proyek dengan nama yang sama sudah ada, data proyek tersebut diganti.
{Endpoint}/language/authoring/analyze-text/projects/{projectName}/:import?api-version={API-VERSION}
Placeholder | Value | Contoh |
---|---|---|
{ENDPOINT} |
Titik akhir untuk mengautentikasi permintaan API Anda. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nama untuk proyek Anda. Nilai ini peka huruf besar/kecil. | myProject |
{API-VERSION} |
Versi API yang Anda panggil. Nilai yang dirujuk di sini adalah untuk versi terbaru yang dirilis. Lihat Siklus hidup model untuk mempelajari selengkapnya tentang versi API lain yang tersedia. | 2022-05-01 |
Header
Gunakan header berikut untuk mengautentikasi permintaan Anda.
Tombol | Nilai |
---|---|
Ocp-Apim-Subscription-Key |
Kunci sumber daya Anda. Digunakan untuk mengautentikasi permintaan API Anda. |
Isi
Gunakan JSON berikut dalam permintaan Anda. Ganti nilai tempat penampung di bawah ini dengan nilai Anda sendiri.
{
"projectFileVersion": "{API-VERSION}",
"stringIndexType": "Utf16CodeUnit",
"metadata": {
"projectName": "{PROJECT-NAME}",
"projectKind": "CustomHealthcare",
"description": "Trying out custom Text Analytics for health",
"language": "{LANGUAGE-CODE}",
"multilingual": true,
"storageInputContainerName": "{CONTAINER-NAME}",
"settings": {}
},
"assets": {
"projectKind": "CustomHealthcare",
"entities": [
{
"category": "Entity1",
"compositionSetting": "{COMPOSITION-SETTING}",
"list": {
"sublists": [
{
"listKey": "One",
"synonyms": [
{
"language": "en",
"values": [
"EntityNumberOne",
"FirstEntity"
]
}
]
}
]
}
},
{
"category": "Entity2"
},
{
"category": "MedicationName",
"list": {
"sublists": [
{
"listKey": "research drugs",
"synonyms": [
{
"language": "en",
"values": [
"rdrug a",
"rdrug b"
]
}
]
}
]
}
"prebuilts": "MedicationName"
}
],
"documents": [
{
"location": "{DOCUMENT-NAME}",
"language": "{LANGUAGE-CODE}",
"dataset": "{DATASET}",
"entities": [
{
"regionOffset": 0,
"regionLength": 500,
"labels": [
{
"category": "Entity1",
"offset": 25,
"length": 10
},
{
"category": "Entity2",
"offset": 120,
"length": 8
}
]
}
]
},
{
"location": "{DOCUMENT-NAME}",
"language": "{LANGUAGE-CODE}",
"dataset": "{DATASET}",
"entities": [
{
"regionOffset": 0,
"regionLength": 100,
"labels": [
{
"category": "Entity2",
"offset": 20,
"length": 5
}
]
}
]
}
]
}
}
Tombol | Placeholder | Value | Contoh |
---|---|---|---|
multilingual |
true |
Nilai boolean yang memungkinkan Anda memiliki dokumen dalam beberapa bahasa dalam himpunan data Anda dan ketika model Anda disebarkan, Anda dapat membuat kueri model dalam bahasa apa pun yang didukung (tidak harus disertakan dalam dokumen pelatihan Anda). Lihat dukungan bahasa untuk mempelajari selengkapnya tentang dukungan multi-bahasa. | true |
projectName |
{PROJECT-NAME} |
Nama proyek | myproject |
storageInputContainerName |
{CONTAINER-NAME} |
Nama kontainer | mycontainer |
entities |
Array yang berisi semua jenis entitas yang Anda miliki dalam proyek. Ini adalah jenis entitas yang akan diekstraksi dari dokumen Anda. | ||
category |
Nama jenis entitas, yang dapat ditentukan pengguna untuk definisi entitas baru, atau ditentukan sebelumnya untuk entitas bawaan. | ||
compositionSetting |
{COMPOSITION-SETTING} |
Aturan yang menentukan cara mengelola beberapa komponen di entitas Anda. Opsinya adalah combineComponents atau separateComponents . |
combineComponents |
list |
Array yang berisi semua sublist yang Anda miliki dalam proyek untuk entitas tertentu. Daftar dapat ditambahkan ke entitas bawaan atau entitas baru dengan komponen yang dipelajari. | ||
sublists |
[] |
Array yang berisi sublist. Setiap sublist adalah kunci dan nilai terkaitnya. | [] |
listKey |
One |
Nilai yang dinormalisasi untuk daftar sinonim yang akan dipetakan kembali dalam prediksi. | One |
synonyms |
[] |
Array yang berisi semua sinonim | sinonim |
language |
{LANGUAGE-CODE} |
String yang menentukan kode bahasa untuk sinonim dalam sublist Anda. Jika proyek Anda adalah proyek multibahasa dan Anda ingin mendukung daftar sinonim untuk semua bahasa dalam proyek Anda, Anda harus secara eksplisit menambahkan sinonim Anda ke setiap bahasa. Lihat Dukungan bahasa untuk informasi selengkapnya tentang kode bahasa yang didukung. | en |
values |
"EntityNumberone" , "FirstEntity" |
Daftar string yang dipisahkan koma yang akan dicocokkan persis untuk ekstraksi dan petakan ke kunci daftar. | "EntityNumberone" , "FirstEntity" |
prebuilts |
MedicationName |
Nama komponen bawaan yang mengisi entitas bawaan. Entitas bawaan secara otomatis dimuat ke dalam proyek Anda secara default tetapi Anda dapat memperluasnya dengan komponen daftar dalam file label Anda. | MedicationName |
documents |
Array yang berisi semua dokumen dalam proyek Anda dan daftar entitas yang diberi label dalam setiap dokumen. | [] | |
location |
{DOCUMENT-NAME} |
Lokasi dokumen dalam kontainer penyimpanan. Karena semua dokumen berada di akar kontainer, ini akan menjadi nama dokumen. | doc1.txt |
dataset |
{DATASET} |
Set pengujian tempat file ini akan masuk ketika dibagi sebelum pelatihan. Nilai yang mungkin untuk bidang ini adalah Train dan Test . |
Train |
regionOffset |
Posisi karakter inklusif dari awal teks. | 0 |
|
regionLength |
Panjang kotak pembatas dalam hal karakter UTF16. Pelatihan hanya mempertimbangkan data di wilayah ini. | 500 |
|
category |
Jenis entitas yang terkait dengan rentang teks yang ditentukan. | Entity1 |
|
offset |
Posisi awal untuk teks entitas. | 25 |
|
length |
Panjang entitas dalam hal karakter UTF16. | 20 |
|
language |
{LANGUAGE-CODE} |
String yang menentukan kode bahasa untuk dokumen yang digunakan dalam proyek Anda. Jika proyek Anda adalah proyek multi-bahasa, pilih kode bahasa dari sebagian besar dokumen. Lihat Dukungan bahasa untuk informasi selengkapnya tentang kode bahasa yang didukung. | en |
Setelah mengirim permintaan API, Anda akan menerima respons 202
yang menunjukkan bahwa pekerjaan telah dikirimkan dengan benar. Di header respons, ekstrak nilai operation-location
. Nilai ini akan diformat seperti ini:
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}
{JOB-ID}
digunakan untuk mengidentifikasi permintaan Anda, karena operasi ini tidak asinkron. Anda akan menggunakan URL ini untuk mendapatkan status pekerjaan impor.
Kemungkinan skenario kesalahan untuk permintaan ini:
- Sumber daya yang dipilih tidak memiliki izin yang sesuai untuk akun penyimpanan.
storageInputContainerName
yang ditentukan tidak ada.- Kode bahasa tidak valid digunakan, atau jika jenis kode bahasa bukan string.
- Nilai
multilingual
adalah string dan bukan boolean.
Mendapatkan status pekerjaan impor
Gunakan permintaan GET berikut untuk mendapatkan status impor proyek Anda. Ganti nilai tempat penampung di bawah ini dengan nilai Anda sendiri.
Minta URL
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}
Placeholder | Value | Contoh |
---|---|---|
{ENDPOINT} |
Titik akhir untuk mengautentikasi permintaan API Anda. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nama proyek Anda. Nilai ini peka huruf besar/kecil. | myProject |
{JOB-ID} |
ID untuk menemukan status pelatihan model Anda. Nilai ini ada di nilai header location yang Anda terima pada langkah sebelumnya. |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
{API-VERSION} |
Versi API yang Anda panggil. Nilai yang dirujuk di sini adalah untuk versi terbaru yang dirilis. Lihat Siklus hidup model untuk mempelajari selengkapnya tentang versi API lain yang tersedia. | 2022-05-01 |
Header
Gunakan header berikut untuk mengautentikasi permintaan Anda.
Tombol | Nilai |
---|---|
Ocp-Apim-Subscription-Key |
Kunci sumber daya Anda. Digunakan untuk mengautentikasi permintaan API Anda. |
Melatih model
Biasanya setelah Anda membuat proyek, Anda bisa melanjutkan dan mulai melabeli dokumen yang Anda miliki di kontainer yang terhubung ke proyek Anda. Untuk mulai cepat ini, Anda sudah mengimpor sampel himpunan data yang ditandai dan menginisialisasi proyek Anda dengan sampel file tag JSON.
Mulai pekerjaan pelatihan
Setelah proyek Anda diimpor, Anda dapat mulai melatih model Anda.
Kirim permintaan POST menggunakan URL, header, dan isi JSON berikut untuk mengirimkan pekerjaan pelatihan. Ganti nilai tempat penampung dengan nilai Anda sendiri.
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}
Placeholder | Value | Contoh |
---|---|---|
{ENDPOINT} |
Titik akhir untuk mengautentikasi permintaan API Anda. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nama proyek Anda. Nilai ini peka huruf besar/kecil. | myProject |
{API-VERSION} |
Versi API yang Anda panggil. Nilai yang dirujuk di sini adalah untuk versi terbaru yang dirilis. Lihat Siklus hidup model untuk mempelajari selengkapnya tentang versi API lain yang tersedia. | 2022-05-01 |
Header
Gunakan header berikut untuk mengautentikasi permintaan Anda.
Tombol | Nilai |
---|---|
Ocp-Apim-Subscription-Key |
Kunci sumber daya Anda. Digunakan untuk mengautentikasi permintaan API Anda. |
Isi permintaan
Gunakan JSON berikut di isi permintaan Anda. Model diberikan {MODEL-NAME}
setelah pelatihan selesai. Hanya pekerjaan pelatihan yang berhasil menghasilkan model.
{
"modelLabel": "{MODEL-NAME}",
"trainingConfigVersion": "{CONFIG-VERSION}",
"evaluationOptions": {
"kind": "percentage",
"trainingSplitPercentage": 80,
"testingSplitPercentage": 20
}
}
Tombol | Placeholder | Value | Contoh |
---|---|---|---|
modelLabel | {MODEL-NAME} |
Nama model yang ditetapkan ke model Anda setelah berhasil dilatih. | myModel |
trainingConfigVersion | {CONFIG-VERSION} |
Ini adalah versi model yang digunakan untuk melatih model. | 2022-05-01 |
evaluationOptions | Opsi untuk membagi data Anda di seluruh set pelatihan dan pengujian. | {} |
|
jenis | percentage |
Memisahkan metode. Nilai yang mungkin adalah percentage atau manual . Lihat Cara melatih model untuk informasi selengkapnya. |
percentage |
trainingSplitPercentage | 80 |
Persentase data Anda yang diberi tag untuk disertakan dalam set pelatihan. Nilai yang disarankan adalah 80 . |
80 |
testingSplitPercentage | 20 |
Persentase data Anda yang diberi tag untuk disertakan dalam set pengujian. Nilai yang disarankan adalah 20 . |
20 |
Catatan
trainingSplitPercentage
dan testingSplitPercentage
hanya diperlukan jika Kind
diatur ke percentage
dan jumlah kedua persentase harus sama dengan 100.
Setelah mengirim permintaan API, Anda akan menerima respons 202
yang menunjukkan bahwa pekerjaan telah dikirimkan dengan benar. Di header respons, ekstrak nilai location
. Ini diformat seperti ini:
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
{JOB-ID}
digunakan untuk mengidentifikasi permintaan Anda, karena operasi ini tidak asinkron. Anda dapat menggunakan URL ini untuk mendapatkan status pelatihan.
Dapatkan status pekerjaan pelatihan
Pelatihan dapat memakan waktu antara 10 dan 30 menit untuk himpunan data sampel ini. Anda dapat menggunakan permintaan berikut untuk terus melakukan polling status pekerjaan pelatihan hingga berhasil diselesaikan.
Gunakan permintaan GET berikut untuk mendapatkan status kemajuan pelatihan model Anda. Ganti nilai tempat penampung di bawah ini dengan nilai Anda sendiri.
Minta URL
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}
Placeholder | Value | Contoh |
---|---|---|
{ENDPOINT} |
Titik akhir untuk mengautentikasi permintaan API Anda. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nama proyek Anda. Nilai ini peka huruf besar/kecil. | myProject |
{JOB-ID} |
ID untuk menemukan status pelatihan model Anda. Nilai ini ada di nilai header location yang Anda terima pada langkah sebelumnya. |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
{API-VERSION} |
Versi API yang Anda panggil. Nilai yang dirujuk di sini adalah untuk versi terbaru yang dirilis. Lihat Siklus hidup model untuk mempelajari selengkapnya tentang versi API lain yang tersedia. | 2022-05-01 |
Header
Gunakan header berikut untuk mengautentikasi permintaan Anda.
Tombol | Nilai |
---|---|
Ocp-Apim-Subscription-Key |
Kunci sumber daya Anda. Digunakan untuk mengautentikasi permintaan API Anda. |
Isi Respons
Setelah mengirim permintaan, Anda akan mendapatkan respons berikut.
{
"result": {
"modelLabel": "{MODEL-NAME}",
"trainingConfigVersion": "{CONFIG-VERSION}",
"estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
"trainingStatus": {
"percentComplete": 3,
"startDateTime": "2022-04-18T15:45:06.8190649Z",
"status": "running"
},
"evaluationStatus": {
"percentComplete": 0,
"status": "notStarted"
}
},
"jobId": "{JOB-ID}",
"createdDateTime": "2022-04-18T15:44:44Z",
"lastUpdatedDateTime": "2022-04-18T15:45:48Z",
"expirationDateTime": "2022-04-25T15:44:44Z",
"status": "running"
}
Sebarkan model anda
Biasanya setelah melatih model, Anda akan meninjau detail evaluasi dan melakukan peningkatan jika perlu. Dalam mulai cepat ini, Anda hanya akan menyebarkan model Anda, dan membuatnya tersedia untuk Anda coba di Language Studio, atau Anda dapat memanggil API prediksi.
Mulai pekerjaan penyebaran
Kirim permintaan PUT menggunakan URL, header, dan isi JSON berikut untuk mengirimkan tugas penyebaran. Ganti nilai tempat penampung di bawah ini dengan nilai Anda sendiri.
{Endpoint}/language/authoring/analyze-text/projects/{projectName}/deployments/{deploymentName}?api-version={API-VERSION}
Placeholder | Value | Contoh |
---|---|---|
{ENDPOINT} |
Titik akhir untuk mengautentikasi permintaan API Anda. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nama proyek Anda. Nilai ini peka huruf besar/kecil. | myProject |
{DEPLOYMENT-NAME} |
Nama penyebaran Anda. Nilai ini peka huruf besar/kecil. | staging |
{API-VERSION} |
Versi API yang Anda panggil. Nilai yang dirujuk di sini adalah untuk versi terbaru yang dirilis. Lihat Siklus hidup model untuk mempelajari selengkapnya tentang versi API lain yang tersedia. | 2022-05-01 |
Header
Gunakan header berikut untuk mengautentikasi permintaan Anda.
Tombol | Nilai |
---|---|
Ocp-Apim-Subscription-Key |
Kunci sumber daya Anda. Digunakan untuk mengautentikasi permintaan API Anda. |
Isi permintaan
Gunakan JSON berikut dalam isi permintaan Anda. Gunakan nama model yang akan Anda tetapkan ke penyebaran.
{
"trainedModelLabel": "{MODEL-NAME}"
}
Tombol | Placeholder | Value | Contoh |
---|---|---|---|
trainedModelLabel | {MODEL-NAME} |
Nama model yang akan ditetapkan ke penyebaran Anda. Anda hanya dapat menetapkan model yang berhasil dilatih. Nilai ini peka huruf besar/kecil. | myModel |
Setelah mengirim permintaan API, Anda akan menerima respons 202
yang menunjukkan bahwa pekerjaan telah dikirimkan dengan benar. Di header respons, ekstrak nilai operation-location
. Nilai ini akan diformat seperti ini:
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
{JOB-ID}
digunakan untuk mengidentifikasi permintaan Anda, karena operasi ini tidak asinkron. Anda dapat menggunakan URL ini untuk mendapatkan status penyebaran.
Dapatkan status pekerjaan penyebaran
Gunakan permintaan GET berikut untuk menanyakan status tugas penyebaran. Anda dapat menggunakan URL yang Anda terima dari langkah sebelumnya, atau mengganti nilai tempat penampung di bawah ini dengan nilai Anda sendiri.
{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}
Placeholder | Value | Contoh |
---|---|---|
{ENDPOINT} |
Titik akhir untuk mengautentikasi permintaan API Anda. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nama proyek Anda. Nilai ini peka huruf besar/kecil. | myProject |
{DEPLOYMENT-NAME} |
Nama penyebaran Anda. Nilai ini peka huruf besar/kecil. | staging |
{JOB-ID} |
ID untuk menemukan status pelatihan model Anda. Ini ada dalam nilai header location yang Anda terima di langkah sebelumnya. |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
{API-VERSION} |
Versi API yang Anda panggil. Nilai yang dirujuk di sini adalah untuk versi terbaru yang dirilis. Lihat Siklus hidup model untuk mempelajari selengkapnya tentang versi API lain yang tersedia. | 2022-05-01 |
Header
Gunakan header berikut untuk mengautentikasi permintaan Anda.
Tombol | Nilai |
---|---|
Ocp-Apim-Subscription-Key |
Kunci sumber daya Anda. Digunakan untuk mengautentikasi permintaan API Anda. |
Isi Respons
Anda akan menerima permintaan berikut saat mengirim permintaan. Pertahankan polling titik akhir ini sampai parameter status berubah menjadi "berhasil". Anda harus mendapatkan 200
kode untuk menunjukkan keberhasilan permintaan.
{
"jobId":"{JOB-ID}",
"createdDateTime":"{CREATED-TIME}",
"lastUpdatedDateTime":"{UPDATED-TIME}",
"expirationDateTime":"{EXPIRATION-TIME}",
"status":"running"
}
Membuat prediksi dengan model terlatih Anda
Setelah model disebarkan, Anda dapat mulai menggunakannya untuk mengekstrak entitas dari teks Anda menggunakan API prediksi. Dalam himpunan data sampel yang Anda unduh sebelumnya, Anda dapat menemukan beberapa dokumen pengujian yang dapat Anda gunakan pada langkah ini.
Mengirimkan Text Analytics kustom untuk tugas kesehatan
Gunakan permintaan POST ini untuk memulai Analitik Teks Kustom untuk tugas ekstraksi kesehatan.
{ENDPOINT}/language/analyze-text/jobs?api-version={API-VERSION}
Placeholder | Value | Contoh |
---|---|---|
{ENDPOINT} |
Titik akhir untuk mengautentikasi permintaan API Anda. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{API-VERSION} |
Versi API yang Anda panggil. Nilai yang dirujuk di sini adalah untuk versi terbaru yang dirilis. Lihat Siklus hidup model untuk mempelajari selengkapnya tentang versi API lain yang tersedia. | 2022-05-01 |
Header
Tombol | Nilai |
---|---|
Ocp-Apim-Subscription-Key | Kunci Anda yang menyediakan akses menuju API ini. |
Isi
{
"displayName": "Extracting entities",
"analysisInput": {
"documents": [
{
"id": "1",
"language": "{LANGUAGE-CODE}",
"text": "Text1"
},
{
"id": "2",
"language": "{LANGUAGE-CODE}",
"text": "Text2"
}
]
},
"tasks": [
{
"kind": "CustomHealthcare",
"taskName": "Custom TextAnalytics for Health Test",
"parameters": {
"projectName": "{PROJECT-NAME}",
"deploymentName": "{DEPLOYMENT-NAME}"
}
}
]
}
Tombol | Placeholder | Value | Contoh |
---|---|---|---|
displayName |
{JOB-NAME} |
Nama pekerjaan Anda. | MyJobName |
documents |
[{},{}] | Daftar dokumen untuk menjalankan tugas. | [{},{}] |
id |
{DOC-ID} |
ID atau nama dokumen. | doc1 |
language |
{LANGUAGE-CODE} |
String yang menentukan kode bahasa untuk dokumen. Jika kunci ini tidak ditentukan, layanan akan menggunakan bahasa default proyek yang dipilih saat pembuatan proyek. Lihat dukungan bahasa untuk daftar kode bahasa yang didukung. | en-us |
text |
{DOC-TEXT} |
Tugas dokumen untuk menjalankan tugas. | Lorem ipsum dolor sit amet |
tasks |
Daftar tugas yang ingin kami jalankan. | [] |
|
taskName |
Custom Text Analytics for Health Test |
Nama tugas | Custom Text Analytics for Health Test |
kind |
CustomHealthcare |
Jenis proyek atau tugas yang kami coba lakukan | CustomHealthcare |
parameters |
Daftar parameter untuk diteruskan ke tugas. | ||
project-name |
{PROJECT-NAME} |
Nama untuk proyek Anda. Nilai ini peka huruf besar/kecil. | myProject |
deployment-name |
{DEPLOYMENT-NAME} |
Nama penyebaran Anda. Nilai ini peka huruf besar/kecil. | prod |
Respons
Anda akan menerima respons 202 yang menunjukkan bahwa tugas Anda telah berhasil dikirimkan. Di header respons, ekstrak operation-location
.
operation-location
diformat sebagai berikut:
{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}
Anda dapat menggunakan URL ini untuk mengkueri status penyelesaian tugas dan mendapatkan hasil saat tugas selesai.
Mendapatkan hasil tugas
Gunakan permintaan GET berikut untuk mengkueri status/hasil tugas pengenalan entitas kustom.
{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}
Placeholder | Value | Contoh |
---|---|---|
{ENDPOINT} |
Titik akhir untuk mengautentikasi permintaan API Anda. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{API-VERSION} |
Versi API yang Anda panggil. Nilai yang dirujuk di sini adalah untuk versi terbaru yang dirilis. Lihat Siklus hidup model untuk mempelajari selengkapnya tentang versi API lain yang tersedia. | 2022-05-01 |
Header
Tombol | Nilai |
---|---|
Ocp-Apim-Subscription-Key | Kunci Anda yang menyediakan akses menuju API ini. |
Isi Respons
Responsnya adalah dokumen JSON dengan parameter berikut
{
"createdDateTime": "2021-05-19T14:32:25.578Z",
"displayName": "MyJobName",
"expirationDateTime": "2021-05-19T14:32:25.578Z",
"jobId": "xxxx-xxxx-xxxxx-xxxxx",
"lastUpdateDateTime": "2021-05-19T14:32:25.578Z",
"status": "succeeded",
"tasks": {
"completed": 1,
"failed": 0,
"inProgress": 0,
"total": 1,
"items": [
{
"kind": "CustomHealthcareLROResults",
"taskName": "Custom Text Analytics for Health Test",
"lastUpdateDateTime": "2020-10-01T15:01:03Z",
"status": "succeeded",
"results": {
"documents": [
{
"entities": [
{
"entityComponentInformation": [
{
"entityComponentKind": "learnedComponent"
}
],
"offset": 0,
"length": 11,
"text": "first entity",
"category": "Entity1",
"confidenceScore": 0.98
},
{
"entityComponentInformation": [
{
"entityComponentKind": "listComponent"
}
],
"offset": 0,
"length": 11,
"text": "first entity",
"category": "Entity1.Dictionary",
"confidenceScore": 1.0
},
{
"entityComponentInformation": [
{
"entityComponentKind": "learnedComponent"
}
],
"offset": 16,
"length": 9,
"text": "entity two",
"category": "Entity2",
"confidenceScore": 1.0
},
{
"entityComponentInformation": [
{
"entityComponentKind": "prebuiltComponent"
}
],
"offset": 37,
"length": 9,
"text": "ibuprofen",
"category": "MedicationName",
"confidenceScore": 1,
"assertion": {
"certainty": "negative"
},
"name": "ibuprofen",
"links": [
{
"dataSource": "UMLS",
"id": "C0020740"
},
{
"dataSource": "AOD",
"id": "0000019879"
},
{
"dataSource": "ATC",
"id": "M01AE01"
},
{
"dataSource": "CCPSS",
"id": "0046165"
},
{
"dataSource": "CHV",
"id": "0000006519"
},
{
"dataSource": "CSP",
"id": "2270-2077"
},
{
"dataSource": "DRUGBANK",
"id": "DB01050"
},
{
"dataSource": "GS",
"id": "1611"
},
{
"dataSource": "LCH_NW",
"id": "sh97005926"
},
{
"dataSource": "LNC",
"id": "LP16165-0"
},
{
"dataSource": "MEDCIN",
"id": "40458"
},
{
"dataSource": "MMSL",
"id": "d00015"
},
{
"dataSource": "MSH",
"id": "D007052"
},
{
"dataSource": "MTHSPL",
"id": "WK2XYI10QM"
},
{
"dataSource": "NCI",
"id": "C561"
},
{
"dataSource": "NCI_CTRP",
"id": "C561"
},
{
"dataSource": "NCI_DCP",
"id": "00803"
},
{
"dataSource": "NCI_DTP",
"id": "NSC0256857"
},
{
"dataSource": "NCI_FDA",
"id": "WK2XYI10QM"
},
{
"dataSource": "NCI_NCI-GLOSS",
"id": "CDR0000613511"
},
{
"dataSource": "NDDF",
"id": "002377"
},
{
"dataSource": "PDQ",
"id": "CDR0000040475"
},
{
"dataSource": "RCD",
"id": "x02MO"
},
{
"dataSource": "RXNORM",
"id": "5640"
},
{
"dataSource": "SNM",
"id": "E-7772"
},
{
"dataSource": "SNMI",
"id": "C-603C0"
},
{
"dataSource": "SNOMEDCT_US",
"id": "387207008"
},
{
"dataSource": "USP",
"id": "m39860"
},
{
"dataSource": "USPMG",
"id": "MTHU000060"
},
{
"dataSource": "VANDF",
"id": "4017840"
}
]
},
{
"entityComponentInformation": [
{
"entityComponentKind": "prebuiltComponent"
}
],
"offset": 30,
"length": 6,
"text": "100 mg",
"category": "Dosage",
"confidenceScore": 0.98
}
],
"relations": [
{
"confidenceScore": 1,
"relationType": "DosageOfMedication",
"entities": [
{
"ref": "#/documents/0/entities/1",
"role": "Dosage"
},
{
"ref": "#/documents/0/entities/0",
"role": "Medication"
}
]
}
],
"id": "1",
"warnings": []
}
],
"errors": [],
"modelVersion": "2020-04-01"
}
}
]
}
}
Tombol | Nilai Sampel | Deskripsi |
---|---|---|
entities | [] | Array yang berisi semua entitas yang diekstrak. |
entityComponentKind | prebuiltComponent |
Variabel yang menunjukkan komponen mana yang mengembalikan entitas tertentu. Nilai yang memungkinkan: prebuiltComponent , learnedComponent , listComponent |
offset | 0 |
Angka yang menunjukkan titik awal entitas yang diekstrak dengan mengindeks karakter |
length | 10 |
Angka yang menunjukkan panjang entitas yang diekstrak dalam jumlah karakter. |
text | first entity |
Teks yang diekstrak untuk entitas tertentu. |
category | MedicationName |
Nama jenis atau kategori entitas yang sesuai dengan teks yang diekstrak. |
confidenceScore | 0.9 |
Angka yang menunjukkan tingkat kepastian model dari entitas yang diekstrak mulai dari 0 hingga 1 dengan jumlah yang lebih tinggi menunjukkan kepastian yang lebih tinggi. |
assertion | certainty |
Pernyataan yang terkait dengan entitas yang diekstrak. Pernyataan hanya didukung untuk Text Analytics bawaan untuk entitas kesehatan. |
nama | Ibuprofen |
Nama yang dinormalisasi untuk penautan entitas yang terkait dengan entitas yang diekstrak. Penautan entitas hanya didukung untuk Text Analytics bawaan untuk entitas kesehatan. |
links | [] | Array yang berisi semua hasil dari penautan entitas yang terkait dengan entitas yang diekstrak. Penautan entitas hanya didukung untuk Text Analytics bawaan untuk entitas kesehatan. |
dataSource | UMLS |
Standar referensi yang dihasilkan dari penautan entitas yang terkait dengan entitas yang diekstrak. Penautan entitas hanya didukung untuk Text Analytics bawaan untuk entitas kesehatan. |
ID | C0020740 |
Kode referensi yang dihasilkan dari penautan entitas yang terkait dengan entitas yang diekstrak milik sumber data yang diekstrak. Penautan entitas hanya didukung untuk Text Analytics bawaan untuk entitas kesehatan. |
Hubungan | [] | Array yang berisi semua hubungan yang diekstrak. Ekstraksi hubungan hanya didukung untuk Text Analytics bawaan untuk entitas kesehatan. |
relationType | DosageOfMedication |
Kategori hubungan yang diekstrak. Ekstraksi hubungan hanya didukung untuk Text Analytics bawaan untuk entitas kesehatan. |
entities | "Dosage", "Medication" |
Entitas yang terkait dengan hubungan yang diekstrak. Ekstraksi hubungan hanya didukung untuk Text Analytics bawaan untuk entitas kesehatan. |
Membersihkan sumber daya
Saat tidak lagi membutuhkan proyek, Anda dapat menghapusnya dengan permintaan DELETE berikut. Ganti nilai tempat penampung dengan nilai Anda sendiri.
{Endpoint}/language/authoring/analyze-text/projects/{projectName}?api-version={API-VERSION}
Placeholder | Value | Contoh |
---|---|---|
{ENDPOINT} |
Titik akhir untuk mengautentikasi permintaan API Anda. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nama untuk proyek Anda. Nilai ini peka huruf besar/kecil. | myProject |
{API-VERSION} |
Versi API yang Anda panggil. Nilai yang dirujuk di sini adalah untuk versi terbaru yang dirilis. Lihat Siklus hidup model untuk mempelajari selengkapnya tentang versi API lain yang tersedia. | 2022-05-01 |
Header
Gunakan header berikut untuk mengautentikasi permintaan Anda.
Tombol | Nilai |
---|---|
Ocp-Apim-Subscription-Key | Kunci sumber daya Anda. Digunakan untuk mengautentikasi permintaan API Anda. |
Setelah mengirim permintaan API, Anda akan menerima respons 202
yang menunjukkan keberhasilan, yang berarti proyek Anda telah dihapus. Hasil call yang sukses dengan header Operasi-Lokasi yang digunakan untuk memeriksa status pekerjaan.
Langkah berikutnya
Setelah membuat model ekstraksi entitas, Anda dapat:
Saat Anda mulai membuat Text Analytics kustom Anda sendiri untuk proyek kesehatan, gunakan artikel cara penggunaan untuk mempelajari selengkapnya tentang pelabelan data, pelatihan, dan penggunaan model Anda secara lebih rinci: