Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Questo articolo fornisce informazioni su alcune definizioni e termini che possono essere riscontrati quando si usa il riconoscimento di entità denominate personalizzate.
Entità
Un'entità è un intervallo di testo che indica un determinato tipo di informazioni. L'intervallo di testo può essere costituito da una o più parole. Nell'ambito del riconoscimento di entità denominate personalizzate, le entità rappresentano le informazioni che l'utente desidera estrarre dal testo. Gli sviluppatori contrassegnano le entità all'interno dei dati con le entità necessarie prima di passarle al modello per il training. Ad esempio "Numero fattura", "Data di inizio", "Numero spedizione", "Luogo di nascita", "Città di origine", "Nome fornitore" o "Indirizzo client".
Ad esempio, nella frase "John ha preso in prestito 25.000 USD da Fred.”, le entità potrebbero essere:
| Nome/tipo di entità | Entità |
|---|---|
| Nome del debitore | John |
| Nome del prestatore | Fred |
| Importo del prestito | 25.000 USD |
Punteggio F1
Il punteggio F1 è necessario quando si cerca un equilibrio tra precisione e richiamo.
Modello
Un modello è un oggetto sottoposto a training per l’esecuzione di una determinata attività, in questo caso il riconoscimento di entità personalizzate. I modelli vengono sottoposti a training fornendo dati etichettati da cui apprendere in modo che possano essere usati in un secondo momento per le attività di riconoscimento.
- Il training del modello è il processo durante il quale viene insegnato al modello cosa estrarre in base ai dati etichettati.
- La valutazione del modello è il processo che avviene subito dopo il training e che consente di valutare le prestazioni del modello.
- La distribuzione è il processo che consiste nell’assegnare un modello a una distribuzione per renderlo disponibile all'uso tramite l'API di stima.
Precisione
Misura la precisione o l'accuratezza del modello. È il rapporto tra i positivi identificati correttamente (veri positivi) e tutti i positivi identificati. La metrica Precision rivela quante delle classi stimate sono etichettate correttamente.
Project
Un progetto è un'area di lavoro per la creazione di modelli di Machine Learning personalizzati in base ai dati. Il progetto è accessibile solo dall'utente e da altri utenti che hanno accesso alla risorsa di Azure usata.
Come prerequisito per la creazione di un progetto di estrazione di entità personalizzate, è necessario connettere la propria risorsa a un account di archiviazione con un proprio set di dati al momento della creazione di un nuovo progetto. Il progetto include automaticamente tutti i file .txt disponibili nel contenitore.
Ecco un elenco di azioni che è possibile eseguire:
- Etichettare i dati: è il processo di etichettatura dei dati che consente al modello di apprendere cosa estrarre durante il training.
- Creare ed eseguire il training del modello: è il passaggio principale del progetto in cui il modello inizia ad apprendere dai dati etichettati.
- Visualizzare i dettagli della valutazione del modello: esaminare le prestazioni del modello per decidere se è disponibile spazio per migliorare o se si è soddisfatti dei risultati.
- Distribuzione: dopo aver esaminato le prestazioni del modello e aver deciso che può essere usato nell'ambiente, è necessario assegnarlo a una distribuzione per usarlo. L'assegnazione di un modello a una distribuzione consente di renderlo disponibile per l'uso tramite l’API di stima.
- Modello di test: dopo aver distribuito il modello, testare la distribuzione in Microsoft Foundry per vedere come viene eseguita nell'ambiente di produzione.
Richiamo
Misura la capacità del modello di stimare le classi positive effettive. È il rapporto tra i veri positivi stimati e gli elementi contrassegnati. La metrica di richiamo indica il numero di classi stimate che sono corrette.