Modèles personnalisés
Créez des modèles d'IA personnalisés pour la classification de texte ou la reconnaissance d'entités nommées dans le service de langue pour OCI.
Les modèles personnalisés sont les suivants :
- Projets
-
Les projets sont des conteneurs collaboratifs pour l'organisation et la documentation des ressources linguistiques.
- Modèles
-
Les modèles définissent une représentation mathématique des données et d'un processus d'affaires.
- Points d'extrémité de modèle
-
Les points d'extrémité permettent d'accéder à un modèle et d'exécuter des inférences sur le modèle après l'entraînement.
À propos de la classification de texte personnalisée
Avec la classification de texte personnalisée, vous pouvez créer un modèle d'IA personnalisé pour classer automatiquement le texte dans un jeu de classes prédéfinies.
- Cas d'utilisation : Affectation de tickets de soutien
-
Les équipes de soutien à la clientèle reçoivent des centaines de courriels ou de tickets avec des problèmes ou des requêtes décrits dans du texte non structuré et à structure libre. Il est essentiel de tester ces tickets rapidement et d'attribuer les tickets aux propriétaires appropriés pour garantir des temps de réponse rapides.
Le tri manuel consomme du temps et des ressources. Le tri manuel exige que les gens lisent et attribuent des tickets aux membres de l'équipe appropriés.
Au lieu de cela, vous pouvez créer des modèles personnalisés et entraîner les modèles sur des exemples de courriels ou de tickets de soutien. Ensuite, vous pouvez déployer les modèles pour analyser de nouveaux tickets ou courriels, catégoriser et décider de les affecter automatiquement aux responsables appropriés.
- Cas d'utilisation : Classement des documents
-
Les recruteurs affectent manuellement des étiquettes aux documents des postulants, tels que l'historique de travail ou les lettres de recommandation.
L'étiquetage manuel nécessite la lecture de nombreux documents et l'application d'étiquettes. La classification de texte personnalisée entraînée sur des exemples de documents aide à créer un pipeline pour affecter automatiquement la balise correcte à chaque fichier joint.
- Langues prises en charge pour le texte d'entrée
-
Texte d'entrée pris en charge par la classification de texte personnalisée Langue du texte d'entrée Prise en charge par la classification de texte personnalisée Anglais Oui Espagnol Oui Arabe Soutenu par la conception Chinois - Simplifié Soutenu par la conception Chinois - Traditionnel Soutenu par la conception néerlandais Soutenu par la conception Français Soutenu par la conception Allemand Soutenu par la conception Italien Soutenu par la conception Japonais Soutenu par la conception Coréen Soutenu par la conception Polonais Soutenu par la conception Portugais Soutenu par la conception Thaï Soutenu par la conception Turc Soutenu par la conception
À propos de la reconnaissance d'entités nommées personnalisées (NER)
Avec la reconnaissance de noms personnalisée, vous pouvez identifier des entités propres à un domaine uniques à un secteur d'activité ou à un secteur d'activité.
- Cas d'utilisation : Extraction d'entités personnalisées
-
Les services des ressources humaines génèrent, stockent et traitent une quantité importante de données non structurées, telles que les lettres d'offre, les offres d'emploi, les profils de candidats, les notes d'entrevue, etc. Les modèles préentraînés ne peuvent pas extraire de domaine ou d'entités propres à l'entreprise telles que le nom du candidat proposé, la date d'offre, le gestionnaire du recrutement et la date d'adhésion.
Les modèles préentraînés ne peuvent reconnaître que les entités telles que
DATE, mais ne peuvent pas associer une signification spécifique à l'entité telle que les dates d'offre ou de jonction. Vous pouvez entraîner des modèles personnalisés sur des fichiers de données-échantillons tels que des lettres d'offre. Les modèles entraînés peuvent extraire des entités d'affaires telles que des noms de personne offerte, d'entité offerte, de superviseur et de représentant RH. - Cas d'utilisation : Extraction des informations
-
Une société de services financiers souhaite extraire des entités spécifiques de ses contrats afin de faciliter l'obtention de résultats dans son système de récupération d'informations. Ils souhaitent extraire ces entités afin qu'un client puisse filtrer les contrats plus tard. Par exemple, ils peuvent filtrer pour afficher uniquement les contrats dont la " date d'entrée en vigueur " est postérieure au 1er janvier 2022 et la " durée " est supérieure à trois ans.
Vous pouvez utiliser des modèles personnalisés pour identifier différentes entités, telles que les conditions de contrat, la date d'entrée en vigueur, la date de signature, le détracteur et le destinataire. Après avoir extrait ces entités, vous pouvez les utiliser en tant que filtres et facettes dans un sous-système de recherche.
- Langues prises en charge pour le texte d'entrée
-
Texte d'entrée pris en charge par le NER personnalisé Langue du texte d'entrée Prise en charge par Custom NER Anglais Oui Espagnol Oui Arabe Soutenu par la conception néerlandais Soutenu par la conception Français Soutenu par la conception Allemand Soutenu par la conception Italien Soutenu par la conception