Compreender as capacidades pré-construídas do serviço Azure Language
O serviço Azure Language oferece várias funcionalidades para compreender a linguagem humana. Você pode usar cada recurso para se comunicar melhor com os usuários, entender melhor a comunicação recebida ou usá-los juntos para fornecer mais informações sobre o que o usuário está dizendo, pretendendo e perguntando.
As funcionalidades do serviço em linguagem Azure dividem-se em duas categorias: funcionalidades pré-configuradas e funcionalidades aprendidas. Os recursos aprendidos exigem a criação e o treinamento de um modelo para prever corretamente os rótulos apropriados, o que será abordado nas próximas unidades deste módulo.
Esta unidade cobre a maioria das capacidades do Azure Language, mas aconselhamos consultar a documentação do serviço Azure Language para uma lista completa, incluindo guias de início rápido e uma explicação completa de tudo o que está disponível.
O uso desses recursos em seu aplicativo requer o envio da consulta para o ponto de extremidade apropriado. O endpoint usado para consultar uma funcionalidade específica varia, mas todos eles têm prefixo com o recurso Azure Language que criaste na tua conta Azure, seja ao construir o teu pedido REST ou ao definir o teu cliente usando um SDK. Exemplos de cada um podem ser encontrados na próxima unidade.
Recursos pré-configurados
O serviço Azure Language fornece certas funcionalidades sem qualquer rotulagem ou treino de modelo. Depois de criar seu recurso, você pode enviar seus dados e usar os resultados retornados em seu aplicativo.
Os recursos a seguir são todos pré-configurados.
Resumo
O resumo está disponível para documentos e conversas e resumirá o texto em frases-chave que se prevê encapsular o significado da entrada.
Reconhecimento de entidade nomeada
O reconhecimento de entidades nomeadas pode extrair e identificar entidades, como pessoas, locais ou empresas, permitindo que seu aplicativo reconheça diferentes tipos de entidades para respostas aprimoradas em linguagem natural. Por exemplo, dado o texto "O píer à beira-mar é minha atração favorita de Seattle", Seattle seria identificada e categorizada como um local.
Deteção de informações de identificação pessoal (PII)
A deteção de PII permite identificar, categorizar e redigir informações que podem ser consideradas confidenciais, como endereços de e-mail, endereços residenciais, endereços IP, nomes e informações de saúde protegidas. Por exemplo, se o texto "email@contoso.com" foi incluído na consulta, todo o endereço de e-mail pode ser identificado e redigido.
Extração de frases-chave
A extração de frases-chave é um recurso que retira rapidamente os principais conceitos do texto fornecido. Por exemplo, dado o texto "Análise de Texto é uma das funcionalidades no Foundry Tools.", o serviço extrairia "Foundry Tools" e "Análise de Texto".
Análise de sentimentos
A análise de sentimento identifica o quão positiva ou negativa é uma cadeia de caracteres ou documento. Por exemplo, dado o texto "Ótimo hotel. Perto de muita comida e atrações que poderíamos caminhar", o serviço identificaria isso como positivo com um índice de confiança relativamente alto.
Deteção de idioma
A deteção de idioma usa um ou mais documentos e identifica o idioma de cada um. Por exemplo, se o texto de um dos documentos fosse "Bonjour", o serviço identificaria como francês.
Recursos aprendidos
Os recursos aprendidos exigem que você rotule dados, treine e implante seu modelo para disponibilizá-lo para uso em seu aplicativo. Esses recursos permitem que você personalize quais informações são previstas ou extraídas.
Observação
A qualidade dos dados tem um grande impacto na precisão do modelo. Seja intencional sobre quais dados são usados, quão bem eles são marcados ou rotulados e quão variados são os dados de treinamento. Para obter detalhes, consulte recomendações para rotular dados, que incluem diretrizes valiosas para marcar dados. Veja também as métricas de avaliação que podem ajudar a aprender onde o seu modelo precisa de melhorias.
Compreensão de linguagem conversacional (CLU)
O CLU é uma das funcionalidades personalizadas principais oferecidas pela Azure Language. A CLU ajuda os usuários a criar modelos personalizados de compreensão de linguagem natural para prever a intenção geral e extrair informações importantes dos enunciados recebidos. A CLU exige que os dados sejam marcados pelo usuário para ensiná-lo a prever intenções e entidades com precisão.
O exercício neste módulo será criar um modelo de CLU e usá-lo em seu aplicativo.
Reconhecimento personalizado de entidades nomeadas
O reconhecimento de entidade personalizada usa dados rotulados personalizados e extrai entidades especificadas de texto não estruturado. Por exemplo, se você tiver vários documentos contratuais dos quais deseja extrair as partes envolvidas, poderá treinar um modelo para reconhecer como prevê-los.
Classificação de texto personalizada
A classificação de texto personalizada permite que os usuários classifiquem texto ou documentos como grupos personalizados definidos. Por exemplo, você pode treinar um modelo para examinar artigos de notícias e identificar a categoria em que eles devem se enquadrar, como Notícias ou Entretenimento.
Perguntas e respostas
A resposta a perguntas é um recurso pré-configurado que fornece respostas a perguntas fornecidas como entrada. Os dados para responder a estas perguntas vêm de documentos como FAQs ou manuais.
Por exemplo, digamos que você queira criar um assistente de bate-papo virtual no site da sua empresa para responder a perguntas comuns. Você pode usar um FAQ da empresa como o documento de entrada para criar os pares de perguntas e respostas. Uma vez implantado, seu assistente de chat pode passar perguntas de entrada para o serviço e obter as respostas como resultado.
Para uma lista completa de funcionalidades e como as utilizar, consulte a documentação Azure Language.