Termini e definizioni usati in Comprensione del linguaggio di conversazione
Leggere questo articolo per informazioni su alcune definizioni e termini in cui ci si può imbattere quando si usa la comprensione del linguaggio di conversazione.
Entità
Le entità sono parole in espressioni che descrivono le informazioni usate per soddisfare o identificare una finalità. Se l'entità è complessa e si desidera che il modello identifichi parti specifiche, è possibile suddividere il modello in sottoentità. Ad esempio, si potrebbe desiderare che il modello preveda un indirizzo, oltre che le sottoentità di strada, città, Stato e codice postale.
Punteggio F1
Il punteggio F1 è una funzione di Precisione e Richiamo. È necessario quando l’obiettivo è bilanciare precisione e richiamo.
Finalità
Una finalità rappresenta un'attività o un'azione che l'utente desidera eseguire. È uno scopo o un obiettivo espresso nell'input di un utente, ad esempio la prenotazione di un volo o il pagamento di una bolletta.
Entità elenco
Un'entità elenco rappresenta un set chiuso e fisso di parole correlate insieme ai relativi sinonimi. Le entità elenco sono corrispondenze esatte, a differenza delle entità apprese con l'elaborazione.
L'entità verrà stimata se una parola nell'entità elenco è inclusa nell'elenco. Ad esempio, se si dispone di un'entità elenco denominata "size" e si hanno le parole "small, medium, large" nell'elenco, l'entità size verrà stimata per tutte le espressioni in cui le parole "small", "medium" o "large" vengono usate, indipendentemente dal contesto.
Modello
Un modello è un oggetto sottoposto a training per l’esecuzione di una determinata attività, in questo caso attività di comprensione delle conversazioni. I modelli vengono sottoposti a training fornendo dati etichettati da cui apprendere in modo che possano essere usati in un secondo momento per la comprensione di espressioni.
- La valutazione del modello è il processo che avviene subito dopo il training per valutare le prestazioni del modello.
- La distribuzione è il processo di assegnazione del modello a una distribuzione per renderlo disponibile per l'uso tramite l'API Stima.
Overfitting
L'overfitting si verifica quando il modello viene corretto negli esempi specifici e non è in grado di generalizzare in modo soddisfacente.
Precisione
Misura la precisione o l'accuratezza del modello. È il rapporto tra i positivi identificati correttamente (veri positivi) e tutti i positivi identificati. La metrica Precision rivela quante delle classi stimate sono etichettate correttamente.
Project
Un progetto è un'area di lavoro per la creazione di modelli di Machine Learning personalizzati in base ai dati. Il progetto è accessibile solo all'utente e ad altri utenti che hanno accesso alla risorsa di Azure in uso.
Richiamo
Misura la capacità del modello di stimare le classi positive effettive. È il rapporto tra i veri positivi stimati e ciò che è stato effettivamente contrassegnato. La metrica di richiamo rivela il numero di classi stimate che sono corrette.
Espressione regolare
Un'entità di espressione regolare rappresenta un'espressione regolare. Le entità di espressione regolare sono corrispondenze esatte.
Schema
Lo schema è definito come combinazione di finalità ed entità all'interno del progetto. La progettazione dello schema è una parte fondamentale dell’esito del progetto. Quando si crea uno schema, si vuole considerare quali finalità ed entità devono essere incluse nel progetto.
Dati di training
I dati di training costituiscono il set di informazioni necessarie per eseguire il training di un modello.
Espressione
Un'espressione è un input dell'utente che è rappresentativo di un testo breve di una frase in una conversazione. È una frase nel linguaggio naturale, ad esempio "prenota 2 biglietti per Roma per martedì prossimo". Vengono aggiunte espressioni di esempio per eseguire il training del modello in modo che il modello effettui una stima in base alla nuova espressione durante il runtime