Inzicht in tekstanalyse in Foundry

Microsoft Foundry is het platform voor het bouwen van AI-apps en -agents op Azure. De Foundry-portal biedt twee benaderingen voor tekstanalyse: AI-modellen voor algemeen gebruik die een breed scala aan taken verwerken via prompts voor natuurlijke taal en speciaal ontwikkelde taalprogramma's die gestructureerde, deterministische resultaten retourneren voor specifieke taken.

Als u aan de slag wilt gaan met tekstanalyse in de nieuwe Foundry-portal, moet u een Foundry-resource en Foundry-project maken.

Een Foundry-resource is een Azure resource die toegang biedt tot AI-services en geïmplementeerde modellen. Een Foundry-project is een werkruimte binnen die resource waar u uw werk organiseert, modellen implementeert en toegang krijgt tot hulpprogramma's zoals de chatspeeltuin en AI-services.

AI-modellen voor algemeen gebruik gebruiken voor tekstanalyse

Vanuit uw project in de Foundry-portal kunt u een AI-model voor algemeen gebruik implementeren. Een AI-model voor algemeen gebruik is een taalmodel dat is getraind op grote hoeveelheden tekstgegevens, waardoor het een breed begrip van de taal en de mogelijkheid biedt om veel verschillende taken af te handelen. Een model voor algemeen gebruik kan instructies in natuurlijke taal volgen om sentiment te analyseren, entiteiten te extraheren, tekst samen te vatten, inhoud te vertalen, vragen te beantwoorden en nog veel meer, allemaal zonder configuratie of training van uw kant.

U kunt een AI-model voor algemeen gebruik gebruiken om tekstanalysetaken te verwerken, zoals:

• Sleuteltermextractie bevat de belangrijkste concepten van ongestructureerde tekst.
• Entiteitskoppeling identificeert bekende entiteiten samen met een koppeling naar Wikipedia.
• Sentimentanalyse en meninganalyse geeft aan of tekst positief of negatief is.
• Samenvatting geeft een overzicht van de tekst door de belangrijkste informatie te identificeren.

U kunt de mogelijkheden voor tekstanalyse van AI-modellen verkennen in de chatspeeltuin van de Foundry-portal. Na implementatie van een model krijg je een speelomgeving waarin je een prompt typt en het model reageert. Omdat het model context begrijpt, kunt u ook aanvullende vragen volgen of de analyse in hetzelfde gesprek verfijnen. Dit maakt de speeltuin een handige manier om te verkennen wat er mogelijk is voordat u een volledige toepassing bouwt.

Laten we eens kijken naar enkele antwoorden die een AI-model voor algemeen gebruik kan geven wanneer een tekstanalysetaak wordt gegeven.

Sleutelterm-extractie

U kunt een taalmodel gebruiken om de trefwoorden en woordgroepen te extraheren die in bepaalde tekst worden gebruikt. Dit kan handig zijn in processen zoals indexeren en zoeken naar relevante documenten. Sleuteltermextractie identificeert de belangrijkste punten uit tekst.

U kunt bijvoorbeeld een beoordeling ontvangen, zoals:

"Ik had een fantastische maaltijd in het diner in Seattle op zaterdag. De champignon risotto was perfect bereid, en echt lekker. Onze ober, Pete, was vriendelijk en efficiënt; en gaf ons een geweldige aanbeveling voor een dessert (aardbei cheesecake). Ik zou deze plek zeker aanbevelen voor een casual diner.'

Sleuteltermextractie kan enige context bieden voor deze beoordeling door de volgende zinnen te extraheren:

• informeel diner
• Dessert
• fantastische maaltijd
• eetcafé
• geweldige aanbeveling
• champignon risotto
• Pete
• plaats
• Zaterdag
• Seattle
• aardbei cheesecake
• Ober

Herkenning van entiteiten

U kunt ook herkenning van benoemde entiteiten gebruiken om personen, plaatsen, datums en andere specifieke entiteiten te vinden die in de tekst worden vermeld.

U kunt een taalmodel met ongestructureerde tekst opgeven en een lijst met entiteiten ophalen in de tekst die wordt herkend. Een entiteit is een item van een bepaald type of een categorie; en in sommige gevallen subtype.

Houd rekening met deze korte tekst:

" Op 2 mei 2017 bezocht John Smith New York om een conferentie te bijwonen die door Microsoft wordt gehouden. De gebeurtenis begon om 8:00 uur en duurde 3 uur. Meer dan 25% van de 40 deelnemers reisden meer dan 10 mijl om deel te nemen."

Gedetecteerde entiteiten zijn:

Sentimentanalyse en opiniepeiling

U kunt sentimentanalyse ook gebruiken om een document als positief, negatief of neutraal te classificeren. Dit is handig voor het detecteren van sentiment in sociale media, klantbeoordelingen, discussieforums en meer.

Bekijk de volgende restaurantbeoordeling:

"Ik had een heerlijk diner in een gezellige bistro in Portland op vrijdagavond. De gegrilde zalm werd perfect gekookt en vol smaak, en de seizoensgroenten waren een geweldige aanvulling. Onze server, Maria, was attent en persoonlijk, en ze suggereerde de citroentaart voor dessert, wat uitstekend was. Ik zou deze plek absoluut aanbevelen voor een ontspannen en aangenaam avondje uit.'

Analyse van de restaurantrecensie kan het volgende opleveren:

• Zin-per-zin sentimentanalyse:

  "Ik had een heerlijk diner in een gezellige bistro in Portland op vrijdagavond." Gevoel: Positieve uitleg: De woorden "heerlijk diner" en "gezellige bistro" geven een zeer positieve ervaring.

  "De gegrilde zalm werd perfect en vol met smaak gekookt, en de seizoensgroenten waren een geweldige aanvulling." Gevoel: Positieve uitleg: "Perfect gekookt," "vol smaak" en "geweldige aanvulling" geven allemaal sterke tevredenheid met het voedsel aan.

  "Onze server, Maria, was attent en persoonlijk, en ze suggereerde de citroentaart voor dessert, wat uitstekend was." Sentiment: Positieve uitleg: Positieve beschrijvingen van de kwaliteiten van de server en het dessert ('attent', 'persoonlijk', 'uitstekend') weerspiegelen een zeer gelukkige klant.

  "Ik zou deze plek absoluut aanbevelen voor een ontspannen en aangenaam avondje uit." Gevoel: Positieve uitleg: Een duidelijke aanbeveling met de woorden "absoluut," "ontspannen" en "aangenaam" tonen een sterk positief gevoel.

• Algemeen document sentiment: sterk positief. De beoordeling staat vol met lovende taal over het eten, de sfeer, de service en de algehele ervaring. Er zijn geen neutrale of negatieve uitspraken.

Wanneer gebruikt u een AI-model voor algemeen gebruik voor tekstanalyse

Naast sleuteltermextractie, entiteitsherkenning en sentimentanalyse kunnen AI-modellen voor algemeen gebruik ook lange documenten samenvatten in beknopte alinea's, tekst tussen talen vertalen , inhoud classificeren in categorieën die u definieert, vragen over een passage beantwoorden en meer. Omdat deze mogelijkheden allemaal worden aangestuurd door prompts in natuurlijke taal, kunt u ze vrij combineren, bijvoorbeeld door het model te vragen een lange beoordeling te vertalen en deze vervolgens samen te vatten in één gesprek.

Azure Language in Foundry-tools gebruiken

Hoewel een groot taalmodel dat is getraind voor algemene generatieve AI-werkbelastingen vaak een uitstekende taak voor tekstanalyse kan uitvoeren, krijgt een meer speciaal hulpprogramma soms voorspelbarere resultaten.

Azure Language in Foundry tools is een service voor natuurlijke taalverwerking met speciaal gebouwde analyses voor specifieke tekstanalysetaken. Deze analyses gebruiken statistische technieken om gestructureerde, deterministische uitvoer te retourneren, waardoor ze goed geschikt zijn voor geautomatiseerde pijplijnen, waar consistente resultaten van belang zijn.

In de new Foundry-portal kunt u enkele mogelijkheden van Azure Taal verkennen in de chatspeeltuin. Als u de mogelijkheden van AI-services wilt testen, gaat u naar de pagina Bouwen en vervolgens naar Modellen en vervolgens naar het tabblad AI-services . Op het tabblad vindt u een selectie van AI-services die beschikbaar zijn voor testen.

Houd rekening met de volgende Azure taalmogelijkheden:

• Taaldetectie evalueert tekst en detecteert de taal en het dialect.
• De detectie van persoonlijke identificatiegegevens (PII) identificeert persoonlijke gevoelige informatie, waaronder persoonlijke gezondheidsinformatie (PHI).

Taaldetectie

In een werkstroom met meerdere talen is de eerste stap vaak het identificeren van de taal waarin een document is geschreven, zodat de tekst kan worden doorgestuurd naar het meest geschikte model of proces. Taaldetectie evalueert tekst en identificeert de primaire taal samen met een betrouwbaarheidsscore. Azure Language ondersteunt een breed scala aan talen en regionale dialecten.

Bijvoorbeeld, op basis van de volgende tekst:

"¡Hola! Me llamo Josefina y vivo en Madrid, España."

Taaldetectie retourneert het volgende resultaat:

In de Foundry-portal kunt u Azure taaldetectiefunctie testen in de chatspeeltuin.

Persoonsgegevens detecteren

Organisaties moeten vaak gevoelige persoonlijke gegevens van tekst identificeren en redigen voordat ze worden opgeslagen of gedeeld, om te voldoen aan privacyvoorschriften. PiI-detectie (persoonsgegevens) identificeert persoonlijke gegevens in tekst, zoals namen, telefoonnummers, e-mailadressen en straatadressen, en kan ze desgewenst redacteren.

Bijvoorbeeld, op basis van de volgende tekst:

"Maria Garcia belde van 020 7946 0958 en vroeg om documenten te verzenden naar 42 Market Road, Londen, UK, SW1A 1AA."

PiI-detectie identificeert de volgende entiteiten:

In de Foundry-portal kunt u de piI-detectiefunctie van Azure Language testen in de Language Playground.

Leer vervolgens hoe u een clienttoepassing maakt met tekstanalysemogelijkheden met behulp van zowel de OpenAI-antwoord-API als de Azure Language SDK.