Modèles personnalisés
Créez des modèles d'IA personnalisés pour la classification de texte ou la reconnaissance d'entité nommée dans le service OCI Language.
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 métier.
- Adresses de modèle
-
Les adresses permettent d'accéder à un modèle et d'exécuter des inférences sur le modèle après l'entraînement.
A propos de la classification de texte personnalisé
Avec la classification de texte personnalisée, vous pouvez créer un modèle AI personnalisé pour classer automatiquement le texte dans un ensemble de classes que vous prédéfinissez.
- Cas d'utilisation : affectation de tickets d'assistance
-
Les équipes de support client reçoivent des centaines d'e-mails ou de tickets présentant des problèmes ou des requêtes décrits dans un texte non structuré et de forme libre. Le tri rapide de ces tickets et l'attribution de tickets aux bons propriétaires sont essentiels pour garantir des temps de réponse rapides.
Le triage 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 support. Ensuite, vous pouvez déployer les modèles pour analyser les nouveaux tickets ou courriels, catégoriser et décider de les affecter automatiquement aux propriétaires appropriés.
- Cas d'utilisation : classification de documents
-
Les recruteurs affectent manuellement des libellés 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 pièce jointe.
- Langues prises en charge pour le texte d'entrée
-
Texte d'entrée pris en charge par la classification de texte personnalisé 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 Hollandais 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
A propos de la reconnaissance personnalisée d'entité nommée (NER)
Grâce à la reconnaissance de nom personnalisée, vous pouvez identifier des entités spécifiques au domaine propres à une entreprise ou à un secteur vertical.
- 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 publications d'offres, les profils de candidat, les notes d'entretien, etc. Les modèles préentraînés ne peuvent pas extraire des entités propres au domaine ou à l'entreprise, telles que le nom du candidat proposé, la date d'offre, le responsable du recrutement et la date d'adhésion.
Les modèles préentraînés ne peuvent reconnaître que des entités telles que
DATE, mais ne peuvent pas associer une signification spécifique à l'entreprise à l'entité, telle que les dates d'offre ou d'adhésion. Vous pouvez entraîner des modèles personnalisés sur des exemples de fichiers de données, tels que des lettres d'offre. Les modèles formés peuvent extraire des entités métier telles que les noms de personne proposée, entité proposée, superviseur et représentant RH. - Cas d'utilisation : extraction d'informations
-
Une société de services financiers souhaite extraire des entités spécifiques de ses contrats pour 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'effet" est postérieure au 1er janvier 2022 et dont la "période" est postérieure à trois ans.
Vous pouvez utiliser des modèles personnalisés pour identifier différentes entités, telles que la période contractuelle, la date d'effet, la date de signature, le distributeur 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 NER personnalisé Langue du texte d'entrée Prise en charge par Custom NER Anglais Oui Espagnol Oui Arabe Soutenu par la conception Hollandais Soutenu par la conception Français Soutenu par la conception Allemand Soutenu par la conception Italien Soutenu par la conception