Descrizione della classificazione personalizzata del testo

La classificazione personalizzata del testo è una delle funzionalità personalizzate offerte da Lingua di Azure AI. È un servizio API basato sul cloud che applica l'intelligenza di Machine Learning per consentire la creazione di modelli personalizzati per attività di classificazione del testo.

Classificazione personalizzata del testo consente agli utenti di creare modelli di intelligenza artificiale personalizzati per classificare il testo in classi personalizzate definite dall'utente. La creazione di un progetto per la classificazione personalizzata del testo permette agli sviluppatori di etichettare in modo iterativo i dati, eseguire il training, valutare un modello e migliorarne le prestazioni prima di renderlo disponibile all'uso. La qualità dei dati etichettati influisce notevolmente sulle prestazioni del modello. Per semplificare la compilazione e la personalizzazione del modello, il servizio offre un portale Web personalizzato accessibile tramite Language Studio. È possibile iniziare facilmente a usare il servizio seguendo la procedura descritta in questa guida introduttiva.

La classificazione personalizzata del testo supporta due tipi di progetti:

• Classificazione con etichetta singola: è possibile assegnare una singola classe per ogni documento nel set di dati. Ad esempio, la trama di un film può essere classificata solo come "Romanticismo" o "Commedia".
• Classificazione multietichetta: è possibile assegnare più classi per ogni documento nel set di dati. Ad esempio, la trama di un film può essere classificata come “Commedia” o "Romanticismo" e "Commedia".

Questa documentazione contiene i tipi di articoli seguenti:

• Gli avvii rapidi, ovvero istruzioni introduttive su come eseguire richieste al servizio.
• I concetti forniscono spiegazioni delle funzionalità e delle caratteristiche del servizio.
• Le guide pratiche contengono istruzioni per usare il servizio con modalità più specifiche o personalizzate.

Esempi di scenari d'uso

La classificazione personalizzata del testo può essere usata in più scenari in diversi settori:

Valutazione automatica di messaggi di posta elettronica o ticket

I centri di supporto di tutti i tipi ricevono un volume elevato di messaggi di posta elettronica o ticket contenenti testo non strutturato, testo scritto a mano e allegati. La revisione, il riconoscimento e l'instradamento tempestivi agli esperti in materia dei team interni è fondamentale. La valutazione della posta elettronica su questa scala richiede che le persone esaminino e instradino i messaggi ai reparti giusti con un conseguente dispendio di tempo e risorse. La classificazione del testo personalizzata può essere usata per analizzare il testo in ingresso e valutare e classificare il contenuto da instradare automaticamente ai reparti pertinenti per ulteriori azioni.

Knowledge mining per migliorare/arricchire la ricerca semantica

La ricerca è fondamentale per qualunque app che espone contenuto di testo agli utenti. Scenari comuni includono la ricerca di cataloghi o documenti, la ricerca di prodotti al dettaglio o il knowledge mining per il data science dei dati. Molte aziende di vari settori hanno l’esigenza di creare un'esperienza di ricerca avanzata per contenuti privati ed eterogenei che includono documenti strutturati e non strutturati. Come parte della pipeline, gli sviluppatori possono usare la classificazione personalizzata del testo per classificare il testo in classi rilevanti per il proprio settore. Le classi stimate possono essere usate per arricchire l'indicizzazione del file e rendere l'esperienza di ricerca più personalizzata.

Ciclo di vita di sviluppo di un progetto

La creazione di un progetto di classificazione personalizzata del testo prevede in genere diversi passaggi.

Per sfruttare al meglio il modello, seguire questa procedura:

1. Definire lo schema: acquisire familiarità con i dati e identificare le classi da distinguere per evitare ambiguità.

2. Etichettare i dati: la qualità dell’etichettatura dei dati è un fattore chiave per determinare le prestazioni del modello. I documenti che appartengono alla stessa classe devono avere sempre la stessa classe. Se ci sono documenti che possono rientrare in due classi usare progetti di classificazione multietichetta. Evitare ambiguità tra le classi; assicurarsi che le classi siano chiaramente separabili l'una dall'altra, in particolare in caso di progetti di classificazione con etichetta singola.

3. Eseguire il training del modello: il modello inizia a imparare dai dati etichettati.

4. Visualizzare le prestazioni del modello: visualizzare i dettagli di valutazione per il modello per determinare il livello di prestazioni quando vengono introdotti nuovi dati.

5. Distribuire il modello: la distribuzione di un modello lo rende disponibile all’uso tramite l’API di analisi.

6. Classificare il testo: usare il modello personalizzato per le attività di classificazione personalizzata del testo.

Documentazione di riferimento ed esempi di codice

Quando si usa la classificazione personalizzata del testo, consultare la documentazione di riferimento e gli esempi seguenti per Lingua di Azure AI:

Intelligenza artificiale responsabile

Un sistema di intelligenza artificiale include non solo la tecnologia ma anche le persone che ne faranno uso, le persone interessate e l'ambiente di distribuzione. Per informazioni sull’intelligenza artificiale responsabile e la distribuzione nei propri sistemi, leggere la nota sulla trasparenza per la classificazione personalizzata del testo. Per altre informazioni, vedere anche gli articoli seguenti:

• Nota sulla trasparenza per Lingua di Azure AI
• Integrazione e uso responsabile
• Dati, privacy e sicurezza

Passaggi successivi

• Usare l’articolo della guida introduttiva per iniziare a usare la classificazione personalizzata del testo.

• Durante il ciclo di vita di sviluppo di un progetto, esaminare il glossario per altre informazioni sui termini usati in tutta la documentazione per questa funzionalità.

• Non dimenticare di visualizzare i limiti del servizio per informazioni come la disponibilità a livello di area.