Vad är skräddarsydd namngiven entitetsigenkänning?

Anpassad namngiven entitetsigenkänning (NER) är en molnbaserad API-tjänst som använder maskininlärning för att hjälpa dig att skapa modeller som är utformade för dina unika entitetsigenkänningskrav. Det är en av de specialiserade funktioner som är tillgängliga via Azure AI Language. Med anpassad NER kan du skapa AI-modeller som extraherar domänspecifika entiteter från ostrukturerad text, till exempel kontrakt eller finansiella dokument. När du startar ett anpassat NER-projekt kan du upprepade gånger märka data, träna och utvärdera din modell och förbättra dess prestanda innan du distribuerar dem. Kvaliteten på dina märkta data är viktig eftersom den direkt påverkar modellens noggrannhet.

För att förenkla skapandet och anpassningen av din modell erbjuder tjänsten en anpassad webbplattform som kan nås via Azure AI Foundry. Du kan enkelt komma igång med tjänsten genom att följa stegen i den här snabbstarten.

Den här dokumentationen innehåller följande artikeltyper:

• Snabbstarter är komma igång-instruktioner som hjälper dig att göra begäranden till tjänsten.
• Begrepp ger förklaringar av tjänstens funktionalitet och funktioner.
• Instruktionsguider innehåller instruktioner för hur du använder tjänsten på mer specifika eller anpassade sätt.

Exempel på användningsscenarier

Anpassad namngiven entitetsigenkänning kan användas i flera scenarier i olika branscher:

Informationsextrahering

Många finansiella och juridiska organisationer extraherar och normaliserar data från tusentals komplexa, ostrukturerade textkällor dagligen. Sådana källor omfattar bankutdrag, juridiska avtal eller bankformulär. Till exempel kan det ta flera dagar för mänskliga granskare att manuellt utvinna låneansökningsdata. Om du automatiserar de här stegen genom att skapa en anpassad NER-modell förenklas processen och kostnader, tid och arbete sparas.

Kunskapsutvinning för att förbättra/berika semantisk sökning

Sökningen är grundläggande för alla appar som visar textinnehåll för användarna. Vanliga scenarier är katalog- eller dokumentsökning, produktsökning i detaljhandeln eller kunskapsutvinning för datavetenskap. Många företag i olika branscher vill skapa en omfattande sökupplevelse över privat, heterogent innehåll, som innehåller både strukturerade och ostrukturerade dokument. Som en del av pipelinen kan utvecklare använda anpassad NER för att extrahera entiteter från texten som är relevanta för deras bransch. Dessa entiteter kan användas för att utöka indexeringen av filen för en mer anpassad sökupplevelse.

Granskning och efterlevnad

I stället för att manuellt granska långa textfiler för att granska och tillämpa principer kan IT-avdelningar i finansiella eller juridiska företag använda anpassad NER för att skapa automatiserade lösningar. De här lösningarna kan vara användbara för att tillämpa efterlevnadsprinciper och konfigurera nödvändiga affärsregler baserat på kunskapsutvinningspipelines som bearbetar strukturerat och ostrukturerat innehåll.

Livscykel för projektutveckling

Att använda anpassad NER omfattar vanligtvis flera olika steg.

1. Definiera ditt schema: Känna till dina data och identifiera de entiteter som du vill extrahera. Undvik tvetydighet.

2. Märka dina data: Märkning av data är en viktig faktor för att fastställa modellprestanda. Märk exakt, konsekvent och fullständigt.

   • Etikettera noggrant: Etikettera alltid varje entitet till dess rätta typ. Inkludera bara det du vill extrahera och undvik onödiga data i etiketterna.
   • Etikett konsekvent: Samma entitet bör ha samma etikett i alla filer. Märk helt: Märk alla förekomster av entiteten i alla dina filer.

3. Träna modellen: Din modell börjar lära sig från dina märkta data.

4. Visa modellens prestanda: Efter träningen granskar du utvärderingsresultaten och analyserar prestanda för förbättring.

5. Distribuera modellen: Om du distribuerar en modell blir den tillgänglig för användning via Analys-API:et.

6. Extrahera entiteter: Använd dina anpassade modeller för entitetsextraheringsuppgifter.

Referensdokumentation och kodexempel

När du använder anpassad NER kan du läsa följande referensdokumentation och exempel för Azure AI Language:

Ansvarsfull AI

Ett AI-system innehåller inte bara tekniken, utan även de personer som använder den, de personer som påverkas av den och distributionsmiljön. Läs transparensmeddelandet om du vill veta mer om ansvarsfull AI-användning och distribution i dina system. Mer information finns i följande artiklar:

• Transparensanteckning för Azure AI Language
• Integrering och ansvarsfull användning
• Data, sekretess och säkerhet

Nästa steg

• Använd snabbstartsartikeln för att börja använda anpassad namngiven entitetsigenkänning.

• När du går igenom livscykeln för projektutveckling läser du ordlistan för att lära dig mer om de termer som används i dokumentationen för den här funktionen.

• Kom ihåg att visa tjänstbegränsningarna för information, till exempel regional tillgänglighet.