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