Benutzerdefinierte Modelle

Erstellen Sie benutzerdefinierte KI-Modelle für die Textklassifizierung oder Named Entity Recognition im OCI Language-Service.

Benutzerdefinierte Modelle umfassen Folgendes:

Projekte

Projekte sind kollaborative Container für die Organisation und Dokumentation von Sprachassets.

Modelle

Modelle definieren eine mathematische Darstellung von Daten und einen Geschäftsprozess.

Modellendpunkte

Endpunkte ermöglichen den Zugriff auf ein Modell und die Ausführung von Inferenzen auf das Modell nach dem Training.

Informationen zur benutzerdefinierten Textklassifizierung

Mit der benutzerdefinierten Textklassifizierung können Sie ein benutzerdefiniertes KI-Modell erstellen, um Text automatisch in eine Gruppe von Klassen zu klassifizieren, die Sie vordefinieren.

Anwendungsfall: Supporttickets zuweisen

Kundensupport-Teams erhalten Hunderte von E-Mails oder Tickets mit Problemen oder Fragen, die in unstrukturiertem und Freiformtext beschrieben sind. Diese Tickets schnell zu finden und den richtigen Eigentümern Tickets zuzuweisen, ist entscheidend, um schnelle Reaktionszeiten zu gewährleisten.

Manuelles Triaging verbraucht Zeit und Ressourcen. Beim manuellen Triaging müssen die Personen Tickets lesen und den entsprechenden Teammitgliedern zuweisen.

Stattdessen können Sie benutzerdefinierte Modelle erstellen und die Modelle in Beispiel-E-Mails oder Supporttickets trainieren. Anschließend können Sie die Modelle bereitstellen, um neue Tickets oder E-Mails zu analysieren, zu kategorisieren und automatisch den entsprechenden Eigentümern zuzuweisen.

Anwendungsfall: Dokumente klassifizieren

Personalbeschaffer weisen Bewerbern manuell Etiketten zu, wie z.B. Arbeitshistorie oder Empfehlungsschreiben.

Für die manuelle Etikettierung müssen viele Dokumente gelesen und Etiketten angebracht werden. Mit der benutzerdefinierten Textklassifizierung, die in Beispieldokumenten trainiert wird, können Sie eine Pipeline erstellen, um jedem Anhang automatisch das richtige Tag zuzuweisen.

Unterstützte Sprachen für Eingabetext
Von benutzerdefinierter Textklassifizierung unterstützter Eingabetext
Eingabetextsprache Unterstützt durch benutzerdefinierte Textklassifizierung
Englisch Ja
Spanisch Ja
Arabisch Unterstützt durch Design
Chinesisch - Vereinfacht Unterstützt durch Design
Chinesisch - traditionell Unterstützt durch Design
Niederländisch Unterstützt durch Design
Französisch Unterstützt durch Design
Deutsch Unterstützt durch Design
Italienisch Unterstützt durch Design
Japanisch Unterstützt durch Design
Koreanisch Unterstützt durch Design
Polnisch Unterstützt durch Design
Portugal Unterstützt durch Design
Thailändisch Unterstützt durch Design
Türkisch Unterstützt durch Design

Benutzerdefinierte Named Entity Recognition (NER)

Mit der Erkennung benutzerdefinierter Namen können Sie domänenspezifische Entitys identifizieren, die für ein Unternehmen oder eine Branche eindeutig sind.

Anwendungsfall: Benutzerdefinierte Entitys extrahieren

Personalabteilungen generieren, speichern und verarbeiten eine beträchtliche Menge unstrukturierter Daten, wie Angebotsschreiben, Stellenanzeigen, Kandidatenprofile, Gesprächsnotizen usw. Vortrainierte Modelle können keine Domain oder geschäftsspezifischen Entitäten extrahieren, wie z.B. angebotener Kandidatenname, Angebotsdatum, einstellender Manager und Beitrittsdatum.

Vortrainierte Modelle können nur Entitys wie DATE erkennen, der Entity jedoch keine spezifische Bedeutung zuordnen, wie z.B. Angebots- oder Beitrittsdaten. Sie können benutzerdefinierte Modelle in Beispieldatendateien wie Angebotsschreiben trainieren. Ausgebildete Modelle können Geschäftsentitäten wie angebotsberechtigte Person, angebotsberechtigte Entität, Vorgesetzter und Namen von Vertretern extrahieren.

Anwendungsfall: Informationen werden abgerufen

Ein Finanzdienstleistungsunternehmen möchte bestimmte Einheiten aus seinen Verträgen extrahieren, um das Abrufen von Ergebnissen in seinem Informationsabrufsystem zu erleichtern. Sie möchten diese Entitäten extrahieren, damit ein Kunde die Verträge später filtern kann. Beispiel: Sie können filtern, um nur Verträge anzuzeigen, deren Gültigkeitsdatum nach dem 1. Januar 2022 liegt und deren Laufzeit länger als drei Jahre ist.

Sie können benutzerdefinierte Modelle verwenden, um verschiedene Entitäten zu identifizieren, wie Vertragslaufzeit, Gültigkeitsdatum, Unterzeichnungsdatum, Ankündiger und Empfänger. Nach dem Extrahieren dieser Entitys können Sie die Entitys als Filter und Facetten in einem Suchsubsystem verwenden.

Unterstützte Sprachen für Eingabetext
Von benutzerdefiniertem NER unterstützter Eingabetext
Eingabetextsprache Unterstützt von Custom NER
Englisch Ja
Spanisch Ja
Arabisch Unterstützt durch Design
Niederländisch Unterstützt durch Design
Französisch Unterstützt durch Design
Deutsch Unterstützt durch Design
Italienisch Unterstützt durch Design