Termes et définitions utilisés dans la compréhension du langage courant
Utilisez cet article pour en savoir plus sur les définitions et les termes que vous pouvez rencontrer pendant l’utilisation de la compréhension du langage courant.
Entité
Les entités sont des mots dans des énoncés qui décrivent les informations utilisées pour traiter ou identifier une intention. Si votre entité est complexe et que vous souhaitez que votre modèle identifie des parties spécifiques, vous pouvez diviser votre modèle en sous-entités. Par exemple, vous pouvez définir votre modèle pour qu’il puisse prédire une adresse, mais aussi les sous-entités rue, ville, région et code postal.
Score F1
Le score F1 est une fonction de précision et de rappel. Il est nécessaire quand vous recherchez un équilibre entre précision et rappel.
Intentionnel
Une intention représente une tâche ou une action que l’utilisateur souhaite effectuer. Il s’agit d’un but ou d’un objectif exprimé dans l’énoncé d’un utilisateur, par exemple réserver un vol ou régler une facture.
Entité de liste
Une entité de liste représente un ensemble fixe, fermé de mots associés, ainsi que leurs synonymes. Les entités de liste sont des correspondances exactes, contrairement aux entités issues du Machine Learning.
L’entité sera prédite si un mot de l’entité de liste est inclus dans la liste. Par exemple, si vous avez une entité de liste appelée « taille » et que vous avez les mots « petit, moyen, grand » dans la liste, l’entité Taille est prédite pour tous les énoncés où les mots « petit », « moyen» ou « grand » sont utilisés, quel que soit le contexte.
Modèle
Un modèle est un objet qui est formé pour effectuer une certaine tâche, dans ce cas, des tâches de compréhension de la conversation. Pour effectuer l’apprentissage du modèle, vous lui fournissez des données étiquetées qu’il apprend et qu’il utilise ensuite pour comprendre des énoncés.
- L’évaluation du modèle est le processus qui se produit juste après l’entraînement pour savoir si le modèle est performant.
- Le déploiement est le processus qui consiste à affecter le modèle à un déploiement pour le rendre utilisable avec l’API de prédiction.
Surajustement
Un surajustement se produit quand le modèle est fixé sur les exemples spécifiques et qu’il n’est pas possible de le généraliser correctement.
Precision
Mesure la précision, ou exactitude, de votre modèle. Il s’agit du rapport entre les positifs correctement identifiés (vrais positifs) et tous les positifs identifiés. La métrique de précision révèle le nombre de classes prédites qui sont correctement étiquetées.
Project
Un projet est une zone de travail qui vous permet de créer des modèles ML personnalisés en fonction de vos données. Vous et les autres personnes qui disposent d’un accès à la ressource Azure utilisée peuvent accéder à votre projet.
Rappel
Mesure la capacité du modèle à prédire les classes positives réelles. Il s’agit du rapport entre les vrais positifs prédits et ce qui a été réellement étiqueté. La métrique de rappel révèle le nombre de classes prédites correctes.
Expression régulière
Une entité d’expression régulière représente une expression régulière. Les entités d’expression régulière sont des correspondances exactes.
schéma
Le schéma est défini comme la combinaison d’intentions et d’entités au sein de votre projet. La conception de schéma est un élément essentiel du succès de votre projet. Lorsque vous créez un schéma, vous devez réfléchir à la façon dont les intentions et les entités doivent être incluses dans votre projet.
Données de formation
Les données de formation correspondent à l’ensemble d’informations nécessaires pour former un modèle.
Énoncé
Un énoncé est une entrée d’utilisateur qui représente un texte bref représentatif d’une phrase dans une conversation. C’est une expression en langage naturel comme « Réserve 2 billets pour le match OM-PSG de mardi prochain ». Des exemples d’énoncés sont ajoutés pour former le modèle et le modèle établit sa prédiction en fonction d’un nouvel énoncé au moment de l’exécution