Förstå fördefinierade funktioner i Azure AI Language-tjänsten
Azure AI Language-tjänsten innehåller olika funktioner för att förstå mänskligt språk. Du kan använda varje funktion för att bättre kommunicera med användare, bättre förstå inkommande kommunikation eller använda dem tillsammans för att ge mer insikt i vad användaren säger, avser och frågar om.
Azure AI Language-tjänstfunktioner finns i två kategorier: förkonfigurerade funktioner och inlärda funktioner. Inlärda funktioner kräver att du skapar och tränar en modell för att korrekt förutsäga lämpliga etiketter, som beskrivs i kommande enheter i den här modulen.
Den här lektionen beskriver de flesta funktionerna i Azure AI Language-tjänsten, men beger dig till dokumentationen för Azure AI Language-tjänsten för en fullständig lista, inklusive snabbstarter och en fullständig förklaring av allt som är tillgängligt.
Om du använder de här funktionerna i appen måste du skicka frågan till rätt slutpunkt. Slutpunkten som används för att fråga efter en specifik funktion varierar, men alla är prefix för azure AI Language-resursen som du skapade i ditt Azure-konto, antingen när du skapar din REST-begäran eller definierar klienten med hjälp av en SDK. Exempel på var och en finns i nästa lektion.
Förkonfigurerade funktioner
Azure AI Language-tjänsten tillhandahåller vissa funktioner utan modelletiketter eller utbildning. När du har skapat resursen kan du skicka dina data och använda de returnerade resultaten i din app.
Följande funktioner är alla förkonfigurerade.
Summering
Sammanfattning är tillgänglig för både dokument och konversationer och sammanfattar texten i viktiga meningar som förutsägs kapsla in indatans innebörd.
Igenkänning av namngiven entitet
Namngiven entitetsigenkänning kan extrahera och identifiera entiteter, till exempel personer, platser eller företag, så att appen kan identifiera olika typer av entiteter för bättre svar på naturligt språk. Till exempel, med tanke på texten "The waterfront pier is my favorite Seattle attraction", skulle Seattle identifieras och kategoriseras som en plats.
Identifiering av personligt identifierbar information (PII)
Med PII-identifiering kan du identifiera, kategorisera och redigera information som kan betraktas som känslig, till exempel e-postadresser, hemadresser, IP-adresser, namn och skyddad hälsoinformation. Om texten "email@contoso.com" till exempel inkluderades i frågan kan hela e-postadressen identifieras och redigeras.
Extrahering av nyckelfraser
Extrahering av nyckelfraser är en funktion som snabbt hämtar huvudbegreppen ur den angivna texten. Med hjälp av texten "Textanalys är en av funktionerna i Azure AI Services.", extraherar tjänsten "Azure AI Services" och "Textanalys".
Attitydanalys
Attitydanalys identifierar hur positiv eller negativ en sträng eller ett dokument är. Till exempel med texten "Great hotel. Nära massor av mat och attraktioner vi kunde gå till", skulle tjänsten identifiera det som positivt med en relativt hög konfidenspoäng.
Språkidentifiering
Språkidentifiering tar ett eller flera dokument och identifierar språket för var och en. Om texten i ett av dokumenten till exempel var "Bonjour" skulle tjänsten identifiera det som franska.
Inlärda funktioner
Inlärda funktioner kräver att du etiketterar data, tränar och distribuerar din modell för att göra den tillgänglig för användning i ditt program. Med de här funktionerna kan du anpassa vilken information som förutsägs eller extraheras.
Kommentar
Datakvaliteten påverkar modellens noggrannhet avsevärt. Var medveten om vilka data som används, hur väl de är taggade eller märkta och hur olika träningsdata är. Mer information finns i rekommendationer för etikettering av data, som innehåller värdefulla riktlinjer för taggning av data. Se även de utvärderingsmått som kan hjälpa dig att lära dig var din modell behöver förbättras.
Språkförståelse
CLU är en av de viktigaste anpassade funktionerna som erbjuds av Azure AI Language. CLU hjälper användare att skapa anpassade modeller för förståelse av naturligt språk för att förutsäga övergripande avsikter och extrahera viktig information från inkommande yttranden. CLU kräver att data taggas av användaren för att lära den hur man förutsäger avsikter och entiteter korrekt.
Övningen i den här modulen bygger en CLU-modell och använder den i din app.
Anpassad namngiven entitetsigenkänning
Anpassad entitetsigenkänning tar anpassade etiketterade data och extraherar angivna entiteter från ostrukturerad text. Om du till exempel har olika kontraktdokument som du vill extrahera berörda parter från kan du träna en modell för att identifiera hur du förutsäger dem.
Klassificering av anpassad text
Med anpassad textklassificering kan användare klassificera text eller dokument som anpassade definierade grupper. Du kan till exempel träna en modell för att titta på nyhetsartiklar och identifiera vilken kategori de ska ingå i, till exempel Nyheter eller Underhållning.
Frågor och svar
Frågesvar är en mestadels förkonfigurerad funktion som ger svar på frågor som tillhandahålls som indata. Data för att besvara dessa frågor kommer från dokument som vanliga frågor och svar eller manualer.
Anta till exempel att du vill skapa en virtuell chattassistent på företagets webbplats för att besvara vanliga frågor. Du kan använda ett företags vanliga frågor och svar som indatadokument för att skapa fråge- och svarsparen. När den har distribuerats kan chattassistenten skicka indatafrågor till tjänsten och få svaren som ett resultat.
En fullständig lista över funktioner och hur du använder dem finns i dokumentationen om Azure AI Language.