Modelos Personalizados

Com a classificação de texto personalizada, você pode criar um modelo de IA personalizado para classificar automaticamente o texto em um conjunto de classes predefinidas.

Caso de Uso: Atribuindo Tíquetes de Suporte

As equipes de suporte ao cliente recebem centenas de emails ou tickets com problemas ou consultas descritos em texto não estruturado e de formato livre. Triar esses tickets rapidamente e atribuir tickets aos proprietários corretos é fundamental para garantir tempos de resposta rápidos.

A triagem manual consome tempo e recursos. A triagem manual exige que as pessoas leiam e atribuam tíquetes aos membros apropriados da equipe.

Em vez disso, você pode criar modelos personalizados e treinar os modelos em emails de amostra ou tickets de suporte. Em seguida, você pode implantar os modelos para analisar novos tickets ou emails, categorizar e decidir atribuir automaticamente aos proprietários apropriados.

Caso de Uso: Classificando Documentos

Os selecionadores atribuem manualmente rótulos aos documentos dos candidatos, como histórico profissional ou cartas de recomendação.

A rotulagem manual requer a leitura de muitos documentos e a aplicação de rótulos. A classificação de texto personalizada treinada em documentos de amostra ajuda a criar um pipeline para atribuir automaticamente a tag correta a cada anexo.

Idiomas Suportados para Texto de Entrada

Texto de entrada suportado pela classificação de texto personalizada

Idioma do Texto de Entrada	Suportado pela Classificação de Texto Personalizada
Inglês	Sim
Espanhol	Sim
Árabe	Suportado pelo design
Chinês - Simplificado	Suportado pelo design
Chinês - tradicional	Suportado pelo design
Holandês	Suportado pelo design
Francês	Suportado pelo design
Alemão	Suportado pelo design
Italiano	Suportado pelo design
Japonês	Suportado pelo design
Coreano	Suportado pelo design
Polonês	Suportado pelo design
Português	Suportado pelo design
Tailandês	Suportado pelo design
Turco	Suportado pelo design

Com o reconhecimento de nome personalizado, você pode identificar entidades específicas de domínio exclusivas de uma empresa ou vertical do setor.

Caso de Uso: Extraindo Entidades Personalizadas

Os departamentos de recursos humanos geram, armazenam e processam uma quantidade significativa de dados não estruturados, como cartas de oferta, anúncios de emprego, perfis de candidatos, observações de entrevistas etc. Os modelos pré-treinados não podem extrair entidades específicas de domínio ou negócios, como nome do candidato oferecido, data da oferta, gerente de contratação e data de participação.

Os modelos pré-treinados só podem reconhecer entidades como DATE, mas não podem associar um significado específico à empresa, como datas de oferta ou de associação. Você pode treinar modelos personalizados em arquivos de dados de amostra, como cartas de oferta. Os modelos treinados podem extrair entidades de negócios, como nomes de pessoa oferecida, entidade oferecida, supervisor e representante de RH.

Caso de Uso: Recuperando Informações

Uma empresa de serviços financeiros gostaria de extrair entidades específicas de seus contratos para facilitar a obtenção de resultados em seu sistema de recuperação de informações. Eles gostariam de extrair essas entidades para que mais tarde um cliente possa filtrar os contratos. Por exemplo, eles podem filtrar para mostrar apenas contratos com uma "data efetiva" posterior a 1o de janeiro de 2022 e um "prazo" superior a três anos.

É possível usar modelos personalizados para identificar diferentes entidades, como termo do contrato, data efetiva, data de assinatura, revelador e destinatário. Depois de extrair essas entidades, você pode usar as entidades como filtros e facetas em um subsistema de pesquisa.

Idiomas Suportados para Texto de Entrada

Texto de Entrada Suportado pelo NER Personalizado

Idioma do Texto de Entrada	Suportado pelo Custom NER
Inglês	Sim
Espanhol	Sim
Árabe	Suportado pelo design
Holandês	Suportado pelo design
Francês	Suportado pelo design
Alemão	Suportado pelo design
Italiano	Suportado pelo design