Förstå textanalys i Foundry

Microsoft Foundry är plattformen för att skapa AI-appar och agenter på Azure. Foundry-portalen erbjuder två metoder för textanalys: ai-modeller för generell användning som hanterar ett brett spektrum av uppgifter via frågor på naturligt språk och specialbyggda språkverktyg som returnerar strukturerade, deterministiska resultat för specifika uppgifter.

För att komma igång med textanalys i den nya Foundry-portalen måste du skapa en Foundry-resurs och Foundry-projekt.

En Foundry-resurs är en Azure resurs som ger åtkomst till AI-tjänster och distribuerade modeller. Ett Foundry-projekt är en arbetsyta i den resursen där du organiserar ditt arbete, distribuerar modeller och kommer åt verktyg som chattlekplats och AI-tjänster.

Använda ai-modeller för generell användning för textanalys

Från projektet i Foundry-portalen kan du distribuera en ai-modell för generell användning. En generell AI-modell är en språkmodell som tränas på stora mängder textdata, vilket ger den en bred förståelse för språk och möjlighet att hantera många olika uppgifter. En modell för generell användning kan följa instruktioner för naturligt språk för att analysera sentiment, extrahera entiteter, sammanfatta text, översätta innehåll, besvara frågor och mycket mer – allt utan konfiguration eller träning från din sida.

Du kan använda en ai-modell för generell användning för att hantera textanalysuppgifter som:

• Extrahering av nyckelfraser visar huvudbegreppen från ostrukturerad text.
• Entitetslänkning identifierar kända entiteter tillsammans med en länk till Wikipedia.
• Attitydanalys och åsiktsutvinning identifierar om texten är positiv eller negativ.
• Sammanfattning sammanfattar text genom att identifiera den viktigaste informationen.

Du kan utforska funktionerna för textanalys i AI-modeller i Foundry-portalens chattlekplats. När du har distribuerat en modell ger playground dig ett chattgränssnitt där du skriver en uppmaning och modellen svarar. Eftersom modellen förstår kontexten kan du även följa upp med ytterligare frågor eller förfina analysen i samma konversation. Detta gör lekplatsen till ett användbart sätt att utforska vad som är möjligt innan du skapar ett fullständigt program.

Låt oss ta en närmare titt på några av de svar som en generell AI-modell kan ge när en textanalysuppgift ges.

Extrahering av nyckelfraser

Du kan använda en språkmodell för att extrahera nyckelord och fraser som används i viss text, vilket kan vara användbart i processer som indexering och sökning efter relevanta dokument. Extrahering av nyckelfraser identifierar huvudpunkterna i texten.

Du kan till exempel få en granskning, till exempel:

" Jag åt en fantastisk måltid på restaurangen i Seattle i lördags. Svamprisotton var perfekt förberedd och riktigt god. Vår servitör Pete var vänlig och effektiv; och gav oss en bra rekommendation för en efterrätt (jordgubb cheesecake). Jag skulle definitivt rekommendera detta ställe för en avslappnad middag."

Extrahering av nyckelfraser kan ge viss kontext till den här granskningen genom att extrahera följande fraser:

• avslappnad middag
• Dessert
• fantastisk måltid
• restaurang
• bra rekommendation
• svamp risotto
• Pete
• plats
• lördag
• Seattle
• jordgubbscheesecake
• Servitör

Igenkänning av enhet

Du kan också använda namngiven entitetsigenkänning för att hitta personer, platser, datum och andra specifika entiteter som nämns i texten.

Du kan ange en språkmodell med ostrukturerad text och hämta en lista över entiteter i texten som den känner igen. En entitet är ett objekt av en viss typ eller kategori. och i vissa fall undertyp.

Tänk på den här korta texten:

" Den 2 maj 2017 besökte John Smith New York för att delta i en konferens som anordnades av Microsoft. Evenemanget startade klockan 08:00 och varade i 3 timmar. Över 25% av de 40 deltagarna reste mer än 16 miles för att delta."

Entiteter som identifierats är:

Attitydanalys och åsiktsutvinning

Du kan också använda attitydanalys för att klassificera ett dokument som positivt, negativt eller neutralt. Detta är användbart för att identifiera sentiment i sociala medier, kundrecensioner, diskussionsforum med mera.

Överväg följande restaurangrecension:

"Jag åt en underbar middag på en mysig bistro i Portland på fredagskvällen. Den grillade laxen tillagades perfekt och full av smak, och de säsongsbetonade grönsakerna var ett bra komplement. Vår server, Maria, var uppmärksam och personlig, och hon föreslog citrontårta till efterrätt - vilket var utmärkt. Jag skulle absolut rekommendera denna plats för en avslappnad och trevlig utekväll."

Analys av restauranggranskningen kan resultera i:

• Attitydanalys mening för mening:

  "Jag åt en underbar middag på en mysig bistro i Portland på fredagskvällen." Attityd: Positiv förklaring: Orden "underbar middag" och "mysig bistro" förmedlar en mycket positiv upplevelse.

  "Den grillade laxen tillagades perfekt och full av smak, och de säsongsbetonade grönsakerna var ett bra komplement." Attityd: Positiv förklaring: "Kokt perfekt", "full av smak" och "bra komplement" indikerar alla stark tillfredsställelse med maten.

  "Vår server, Maria, var uppmärksam och personlig, och hon föreslog citrontårta till efterrätt- vilket var utmärkt." Attityd: Positiv förklaring: Positiva beskrivningar av serverns kvaliteter och efterrätten ("uppmärksam", "personlig", "utmärkt") återspeglar en mycket glad kund.

  "Jag skulle absolut rekommendera denna plats för en avslappnad och trevlig utekväll." Attityd: Positiv förklaring: En tydlig rekommendation med orden "absolut", "avslappnad" och "trevlig" visar stark positiv attityd.

• Övergripande dokumentsentiment: starkt positiv. Recensionen är fylld med berömmande språk om maten, atmosfären, servicen och den övergripande upplevelsen. Det finns inga neutrala eller negativa påståenden.

När du ska använda en generell AI-modell för textanalys

Utöver extrahering av nyckelfraser, entitetsigenkänning och attitydanalys kan ai-modeller för generell användning även sammanfatta långa dokument i koncisa stycken, översätta text mellan språk, klassificera innehåll i kategorier som du definierar, svara på frågor om en passage med mera. Eftersom alla dessa funktioner drivs av frågor om naturligt språk kan du kombinera dem fritt, till exempel genom att be modellen att översätta en lång granskning och sedan sammanfatta den i en enda konversation.

Använda Azure Language i Foundry-verktyg

En stor språkmodell som tränats för allmänna generativa AI-arbetsbelastningar kan ofta göra ett bra jobb med textanalys, men ibland får ett mer specialiserat verktyg mer förutsägbara resultat.

Azure Language in Foundry tools är en tjänst för bearbetning av naturligt språk med specialbyggda analysverktyg för specifika textanalysuppgifter. Dessa analysverktyg använder statistiska tekniker för att returnera strukturerade, deterministiska utdata – vilket gör dem väl lämpade för automatiserade pipelines där konsekventa resultat spelar roll.

I ny Foundry-portalen kan du utforska några av funktionerna i Azure Language på chattlekplatsen. Om du vill testa funktionerna i AI-tjänster går du till sidan Skapa och sedan till Modeller och sedan till fliken AI-tjänster . På fliken hittar du ett urval av AI-tjänster som är tillgängliga för testning.

Överväg följande Azure Språkfunktioner:

• Språkidentifiering utvärderar text och identifierar språket och dialekten.
• Identifiering av personligt identifierande information (PII) identifierar personligt känslig information, inklusive personlig hälsoinformation (PHI).

Språkidentifiering

I ett arbetsflöde med flera språk är det första steget ofta att identifiera språket som ett dokument är skrivet i, så att texten kan dirigeras till den lämpligaste modellen eller processen. Språkidentifiering utvärderar text och identifierar det primära språket tillsammans med en konfidenspoäng. Azure Language stöder en mängd olika språk och regionala dialekter.

Till exempel med följande text:

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

Språkidentifiering returnerar följande resultat:

I Foundry-portalen kan du testa Azure Languages språkidentifieringsfunktion i chatten Playground.

Identifiering av personligt identifierbar information

Organisationer behöver ofta identifiera och redigera känsliga personuppgifter från text innan de lagras eller delas för att följa sekretessreglerna. Identifiering av personligt identifierbar information (PII) identifierar personlig information i text , till exempel namn, telefonnummer, e-postadresser och gatuadresser, och kan eventuellt redigera dem.

Till exempel med följande text:

"Maria Garcia ringde från 020 7946 0958 och bad att skicka dokument till 42 Market Road, London, Storbritannien, SW1A 1AA."

PII-identifiering identifierar följande entiteter:

I Foundry-portalen kan du testa Azure Languages PII-identifieringsfunktion i Language Playground.

Lär dig sedan hur du skapar ett klientprogram med textanalysfunktioner med både OpenAI-svars-API:et och Azure Language SDK.