このブラウザーはサポートされなくなりました。
Microsoft Edge にアップグレードすると、最新の機能、セキュリティ更新プログラム、およびテクニカル サポートを利用できます。
Azure AI Language でのカスタム テキスト分類に関する概念とシナリオについてのよくあるご質問に対する回答を示します。
初めてのプロジェクトを手軽に作るには、クイックスタートに関する記事をご覧ください。詳しくは、プロジェクトの作成方法に関する記事をご覧ください。
サービスの制限に関する記事をご覧ください。
言語のサポートに関する記事をご覧ください。
一般に、タグ付けが正確に、一貫して、完全に行われていれば、タグ付けされたデータが多様で代表的であるほど、良い結果が得られます。 タグ付けされたクラスの数に、すべてのモデルのパフォーマンスを向上させる決まった数はありません。 パフォーマンスは、スキーマと、スキーマのあいまいさに大きく依存します。 あいまいなクラスには、より多くのタグが必要です。 パフォーマンスは、タグ付けの質にも依存します。 クラスあたりのタグ付けされたインスタンスの推奨数は 50 です。
トレーニング プロセスには時間がかかる場合があります。 大まかな見積もりとして、合計の長さが 12,800,000 文字のファイルの予想されるトレーニング時間は 6 時間です。
REST API を使用して、カスタム モデルを構築できます。 オーサリング API を呼び出す方法の例については、このクイックスタートに従って、プロジェクトの作成と API を使用したモデルの作成を開始します。
モデルを使用して予測を開始する準備ができたら、REST API またはクライアント ライブラリを使用できます。
同じプロジェクト内の同じデータセットで複数のモデルをトレーニングできます。 モデルをうまくトレーニングしたら、その評価を表示できます。 Language Studio 内でモデルをデプロイしてテストできます。 データに対してタグを追加または削除し、新しいモデルをトレーニングしてテストすることもできます。 同じプロジェクトを使用したトレーニング済みモデルの最大数については、サービスの制限を参照してください。 データにタグを付けるときに、データセットをトレーニング セットとテスト セットに分割する方法を決定できます。
モデルの評価が常に包括的とは限りない場合があります。次に基づきます。
詳細については、データの選択とスキーマ設計に関する記事を参照してください。
モデル混同行列を表示します。特定のクラスが誤って分類される頻度が高い場合は、このクラスにタグ付けされたインスタンスを追加する方法を検討してください。 2 つのクラスが互いに分類される頻度が高い場合は、スキーマがあいまいな場合は、両方を 1 つのクラスにマージしてパフォーマンスを向上させるのを検討してください。
データ分散を調べます。クラスの 1 つが他のクラスよりもはるかに多くのタグ付けされたインスタンスを持っている場合、モデルはこのクラスに偏っている可能性があります。 他のクラスにデータを追加するか、ほとんどの例を支配クラスから削除します。
詳細については、データの選択とスキーマ設計に関する記事を参照してください。
テスト セットを調べて、予測されたクラスとタグ付けされたクラスを並べて表示すると、モデルのパフォーマンスをよりよく理解し、スキーマまたはタグの変更が必要かどうかを判断できます。
データにタグを付けるときに、データセットをトレーニング セットとテスト セットに分割する方法を決定できます。 データセットをトレーニング セットとテスト セットにランダムに分割することもできます。したがって、反映されたモデル評価が同じテスト セットに存在する保証はないため、結果は比較できません。
同じモデルを再トレーニングする場合、テスト セットは同じですが、モデルによって行われた予測のわずかな変化に気付く場合があります。 これは、トレーニング済みのモデルが十分に堅牢でないためです。これは、データの代表的な明確さ、およびタグ付けされたデータの品質の要因です。
まず、プロジェクトの作成時に多言語オプションを有効にする必要があります。または、後でプロジェクト設定ページから有効にすることもできます。 モデルをトレーニングしてデプロイした後は、複数の言語でモデルのクエリを開始できます。 言語によって結果が異なる場合があります。 任意の言語の精度を向上させるには、その言語でプロジェクトにタグ付きインスタンスを追加して、その言語のさらに多くの構文にトレーニング済みモデルを導入します。 詳細については、言語のサポートに関するページをご覧ください。
テストする前に、モデルをデプロイする必要があります。
モデルをデプロイした後、REST API またはクライアント ライブラリを使用して予測 API を呼び出します。
カスタム テキスト分類は、データ処理 (GDPR) 一般データ保護規則データ プロセッサです。 GDPR ポリシーに準拠するために、カスタム テキスト分類のユーザーは、Language Studio を使用するか、REST API を使用してプログラムによって、すべてのユーザー コンテンツの表示、エクスポート、削除を完全に制御できます。
データは、Azure ストレージ アカウントにのみ格納されます。 カスタム テキスト分類は、トレーニング中にそこから読み取るアクセス権のみを持っています。
プロジェクトを複製するには、エクスポート API を使用してプロジェクト アセットをエクスポートし、新しいプロジェクトにインポートする必要があります。 両方の操作については、REST API リファレンスを参照してください。
トレーニング
モジュール
カスタム テキスト分類ソリューションを作成する - Training
Azure AI Language サービスを使用すると、自分自身のアプリ内で自然言語の処理を有効にできます。 カスタム テキスト分類プロジェクトを作成する方法について説明します。
認定資格
Microsoft Certified: Azure Data Scientist Associate - Certifications
Python、Azure Machine Learning、MLflow を使用して、データのインジェストと準備、モデルのトレーニングとデプロイ、機械学習ソリューションの監視を管理します。
ドキュメント
カスタム モデルにテキスト分類要求を送信する - Azure AI services
カスタム テキスト分類の要求を送信する方法について説明します。
カスタム テキスト分類での言語サポート - Azure AI services
カスタム テキスト分類でサポートされる言語について説明します。
カスタム テキスト分類で使用される定義 - Azure AI services
カスタム テキスト分類で使用される定義について説明します。