次の方法で共有


オーケストレーション ワークフローで使用される用語と定義

この記事を使用して、オーケストレーション ワークフローの使用時に遭遇する可能性のあるいくつかの定義と用語について学習してください。

F1 スコア

F1 スコアは、精度とリコールの関数です。 精度リコールのバランスを取るときに必要です。

Intent

意図は、ユーザーが実行しようとしているタスクまたはアクションを表します。 これは、フライトの予約や請求書の支払いなど、ユーザーの入力で表現される目的または目標です。

モデル

モデルは、特定のタスク (ここでは、会話理解のタスク) を実行するためにトレーニングされるオブジェクトです。 モデルは、ラベル付けされた学習データを提供することでトレーニングされるので、後で発話を理解するために使用できます。

  • モデルの評価は、モデルがどの程度適切に実行されるかを把握するために、トレーニングの直後に行うプロセスです。
  • デプロイは、モデルをデプロイに割り当てて、予測 API を介して使用できるようにするプロセスです。

オーバーフィット

オーバーフィットは、モデルが特定の例に固定されていて、適切に一般化できない場合に発生します。

有効桁数

モデルの精密さと正確さを測定します。 これは、正しく識別された陽性 (真陽性) と識別されたすべての陽性との比率です。 精度メトリックによって、予測クラスのうち、正しくラベル付けされている数が明らかになります。

Project

プロジェクトは、データに基づいてカスタム ML モデルを構築するための作業領域です。 プロジェクトにアクセスできるのは、自分と、使用されている Azure リソースへのアクセス権を持つユーザーのみです。

呼び戻し

実際の陽性クラスを予測するモデルの能力を測定します。 これは、予測された真陽性と実際にタグ付けされたものとの比率です。 リコール メトリックによって、予測クラスのうち、正しいものの数が明らかになります。

スキーマ

スキーマは、プロジェクト内の意図の組み合わせとして定義されます。 スキーマの設計は、プロジェクトの成功のための不可欠な要素です。 スキーマを作成するときに、プロジェクトに含める意図を検討する必要があります

トレーニング データ

トレーニング データは、モデルのトレーニングに必要な一連の情報です。

発話

発話は、会話内の文を表す短いテキストであるユーザー入力です。 "次の火曜日にシアトル行のチケットを 2 枚予約する" などの自然言語フレーズです。 発話の例はモデルをトレーニングするために追加され、実行時には、新しい発話に対してそのモデルを使って予測されます

次のステップ