Démarrage rapide : classification de texte personnalisée (préversion)
Utilisez cet article pour commencer à créer un projet de classification de texte personnalisée dans lequel vous pouvez effectuer l’apprentissage de modèles personnalisés pour la classification de texte. Un modèle est un objet de Machine Learning dont l’apprentissage s’effectue à partir d’exemples de données que nous fournissons et qui est entraîné pour classifier du texte par la suite.
Prérequis
- Abonnement Azure : créez-en un gratuitement.
Créer une ressource Azure et un compte de stockage Blob Azure
Avant de pouvoir utiliser la classification de texte personnalisée, vous devez créer une ressource Azure Language qui vous permettra de disposer des informations d’identification nécessaires pour créer un projet et commencer à entraîner un modèle. Vous aurez également besoin d’un compte Stockage Azure, où vous pourrez charger le jeu de données à utiliser pour générer votre modèle.
Important
Pour bien démarrer rapidement, nous vous recommandons de créer une ressource Azure Language en suivant les étapes ci-dessous. Ainsi, vous pourrez créer la ressource et configurer en même temps un compte de stockage, ce qui est plus facile à faire maintenant que plus tard.
Si vous disposez d’une ressource préexistante à utiliser, vous devez la configurer séparément du compte de stockage. Pour plus d’informations, consultez les exigences du projet.
Accédez au portail Azure pour créer une ressource Azure Language. Si vous êtes invité à sélectionner des fonctionnalités supplémentaires, sélectionnez Classification de texte personnalisée et NER personnalisée. Quand vous créez la ressource, vérifiez qu’elle comporte les paramètres suivants.
Paramètres nécessaires à la ressource Azure Valeur requise Location « USA Ouest 2 » ou « Europe Ouest » Niveau tarifaire Niveau tarifaire standard (S) Dans la section Reconnaissance d’entité nommée (NER) personnalisée et classification de texte personnalisée (préversion), sélectionnez un compte de stockage existant ou sélectionnez Créer un compte de stockage. Notez que ces valeurs concernent ce guide de démarrage rapide, et pas nécessairement les valeurs du compte de stockage à utiliser dans les environnements de production.
Valeur du compte de stockage Valeur recommandée Nom Nom quelconque Performances standard Type de compte Stockage (v1 universel) Réplication Stockage localement redondant (LRS) Location N’importe quel lieu le plus proche de vous, pour une meilleure latence.
Charger les exemples de données dans un conteneur d’objets blob
Une fois que vous avez créé un compte Stockage Azure et que vous l’avez lié à votre ressource Language, vous devez charger les exemples de fichiers dans le répertoire racine de votre conteneur pour ce guide de démarrage rapide. Ces fichiers seront utilisés plus tard pour entraîner votre modèle.
Téléchargez les exemples de données de résumé de film pour ce guide de démarrage rapide à partir de GitHub. Ouvrez le fichier .zip et extrayez le dossier contenant les fichiers texte qu’il contient.
Dans le Portail Azure, accédez au compte de stockage que vous avez créé et sélectionnez-le.
Dans votre compte de stockage, sélectionnez Conteneurs dans le menu de gauche, situé sous Stockage de données. Dans l’écran qui s’affiche, sélectionnez + Conteneur. Donnez au conteneur le nom exemple de données et laissez le Niveau d’accès public par défaut.
Une fois votre conteneur créé, cliquez dessus. Cliquez ensuite sur le bouton Charger pour sélectionner les fichiers .txt et .json que vous avez téléchargés précédemment.
Conseil
Lorsque vous sélectionnez des fichiers à charger, un explorateur de fichiers s’ouvre sur votre ordinateur. Pour sélectionner tous les fichiers dans le dossier, appuyez sur Ctrl + a.
L’exemple de jeu de données fourni contient environ 200 résumés de film qui appartiennent à une ou plusieurs des classes suivantes : « Mystery », « Drama », « Thriller », « Comedy », « Action ».
Créer un projet de classification de texte personnalisée
Une fois votre ressource et votre conteneur de stockage configurés, créez un projet de classification de texte personnalisé. Un projet est une zone de travail qui vous permet de créer des modèles IA personnalisés en fonction de vos données. Votre projet est uniquement accessible à vous-même et aux autres personnes disposant d’un accès de contributeur à la ressource Azure utilisée.
Connectez-vous à Language Studio. Une fenêtre apparaît pour vous permettre de sélectionner votre abonnement et votre ressource Language. Sélectionnez la ressource que vous avez créée à l’étape ci-dessus.
Dans la section Classifier du texte de Language Studio, sélectionnez classification de texte personnalisée dans la liste des services disponibles.
Sélectionnez Créer un projet dans le menu supérieur de la page des projets. La création d’un projet vous permet d’étiqueter des données, d’entraîner, d’évaluer, d’améliorer et de déployer vos modèles.
Si vous avez créé votre ressource en suivant les étapes ci-dessus, ajoutez des informations relatives au projet, par exemple son nom, puis sélectionnez votre conteneur de stockage.
Sélectionnez votre type de projet. Pour ce guide de démarrage rapide, nous allons créer un projet de classification multi-étiquettes. Cliquez ensuite sur Suivant.
Entrez les informations relatives au projet, notamment son nom, sa description et la langue des fichiers qu’il contient. Vous ne pourrez pas changer le nom de votre projet par la suite.
Conseil
Votre jeu de données n’a pas besoin d’être entièrement dans la même langue. Vous pouvez avoir plusieurs fichiers, chacun comportant différentes langues prises en charge. Si votre jeu de données contient des fichiers de différentes langues ou si vous prévoyez d’autres langues au moment de l’exécution, sélectionnez enable multi-lingual dataset (activer le jeu de données multilingue) quand vous entrez les informations de base de votre projet.
Sélectionnez le conteneur dans lequel vous avez chargé vos données. Pour ce guide de démarrage rapide, nous allons utiliser le fichier d’étiquettes existant disponible dans le conteneur. Cliquez ensuite sur Suivant.
Passez en revue les données entrées, puis sélectionnez Créer un projet.
Entraîner votre modèle
En règle générale, après avoir créé un projet, vous importez les données et vous commencez à étiqueter les entités contenues pour entraîner le modèle de classification de texte personnalisée. Pour ce guide de démarrage rapide, vous allez utiliser l’exemple de fichier de données étiqueté que vous avez téléchargé et stocké dans votre compte Stockage Azure.
Un modèle est un objet de machine learning, qui est entraîné pour classifier du texte. Votre modèle apprend à partir des exemples de données. Ainsi, il pourra ensuite classifier les tickets de support technique.
Pour commencer à entraîner votre modèle :
Dans le menu de gauche, sélectionnez Entraîner.
Sélectionnez Entraîner un nouveau modèle, puis tapez le nom du modèle dans la zone de texte ci-dessous.
Cliquez au bas de la page sur le bouton Entraîner.
Notes
- Lorsque vous étiquetez vos données, vous pouvez déterminer comment votre jeu de données est fractionné en jeux de formation et de test. Vous pouvez également fractionner vos données de manière aléatoire en jeux d’entraînement et de test.
- L’entraînement peut prendre quelques heures.
Déployer votre modèle
En règle générale, après l’entraînement d’un modèle, vous passez en revue les détails de l’évaluation et vous apportez des améliorations si nécessaire. Dans ce guide de démarrage rapide, vous allez simplement déployer votre modèle et le rendre disponible à des fins de test.
Une fois le modèle entraîné, vous pouvez le déployer. Le déploiement de votre modèle vous permet de commencer à l’utiliser pour classifier du texte avec l’API d’analyse.
Accédez à votre projet dans Langage Studio.
Dans le panneau de gauche, sélectionnez Déployer le modèle.
Cliquez sur Ajouter un déploiement pour envoyer un nouveau travail de déploiement.
Dans la fenêtre qui s’affiche, vous pouvez créer un nouveau nom de déploiement ou en remplacer un existant. Ensuite, vous pouvez ajouter un modèle formé à ce nom de déploiement.
Tester votre modèle
Une fois votre modèle déployé, vous pouvez commencer à l’utiliser pour classifier du texte personnalisé. Suivez les étapes ci-dessous pour envoyer votre première demande de classification de texte personnalisé.
Dans le menu de gauche, sélectionnez Tester le modèle.
Sélectionnez le modèle à tester.
À l’aide de l’un des fichiers que vous avez téléchargés précédemment, ajoutez le texte du fichier à la zone de texte. Vous pouvez également charger un fichier
.txt.Cliquez sur Run the test.
Sous l’onglet Result, vous pouvez voir les classes prédites pour votre texte. Vous pouvez également voir la réponse JSON sous l’onglet JSON.
Nettoyer les projets
Quand vous n’avez plus besoin de votre projet, vous pouvez le supprimer de la page des projets dans Language Studio. Sélectionnez le projet à supprimer et cliquez sur Supprimer.
Prérequis
- Abonnement Azure : créez-en un gratuitement.
Créer une ressource Azure et un compte de stockage Blob Azure
Avant de pouvoir utiliser la classification de texte personnalisée, vous devez créer une ressource de langue, qui vous donne l’abonnement et les informations d’identification nécessaires pour créer un projet et commencer l’entraînement d’un modèle. Vous avez également besoin d’un compte de stockage Blob Azure, qui est le stockage de données en ligne qui contient le texte à analyser.
Important
Pour bien démarrer rapidement, nous vous recommandons de créer une ressource Azure Language en suivant les étapes ci-dessous. Ainsi, vous pourrez créer la ressource et configurer en même temps un compte de stockage, ce qui est plus facile à faire maintenant que plus tard.
Si vous disposez d’une ressource préexistante à utiliser, vous devez la configurer séparément du compte de stockage. Pour plus d’informations, consultez les exigences du projet.
Accédez au portail Azure pour créer une ressource Azure Language. Si vous êtes invité à sélectionner des fonctionnalités supplémentaires, sélectionnez Ignorer cette étape. Quand vous créez votre ressource, vérifiez qu’elle a les paramètres suivants.
Paramètres nécessaires à la ressource Azure Valeur requise Location « USA Ouest 2 » ou « Europe Ouest » Niveau tarifaire Niveau tarifaire standard (S) Dans la section Reconnaissance d’entité nommée (NER) personnalisée et classification de texte personnalisée (préversion), sélectionnez Créer un compte de stockage. Ces valeurs sont choisies pour ce guide de démarrage rapide et ne sont pas nécessairement les valeurs de compte de stockage que vous voulez utiliser dans les environnements de production.
Valeur de compte de stockage Valeur recommandée Nom Nom quelconque Performances standard Type de compte Stockage (v1 universel) Réplication Stockage localement redondant (LRS) Location N’importe quel lieu le plus proche de vous, pour une meilleure latence.
Charger les exemples de données dans un conteneur d’objets blob
Une fois que vous avez créé un compte Stockage Azure et que vous l’avez lié à votre ressource Language, vous devez charger les exemples de fichiers dans le répertoire racine de votre conteneur pour ce guide de démarrage rapide. Ces fichiers seront utilisés plus tard pour entraîner votre modèle.
Téléchargez les exemples de données de résumé de film pour ce guide de démarrage rapide à partir de GitHub. Ouvrez le fichier .zip et extrayez le dossier contenant les fichiers texte qu’il contient.
Dans le Portail Azure, accédez au compte de stockage que vous avez créé et sélectionnez-le.
Dans votre compte de stockage, sélectionnez Conteneurs dans le menu de gauche, situé sous Stockage de données. Dans l’écran qui s’affiche, sélectionnez + Conteneur. Donnez au conteneur le nom exemple de données et laissez le Niveau d’accès public par défaut.
Une fois votre conteneur créé, cliquez dessus. Cliquez ensuite sur le bouton Charger pour sélectionner les fichiers .txt et .json que vous avez téléchargés précédemment.
Conseil
Lorsque vous sélectionnez des fichiers à charger, un explorateur de fichiers s’ouvre sur votre ordinateur. Pour sélectionner tous les fichiers dans le dossier, appuyez sur Ctrl + a.
L’exemple de jeu de données fourni contient environ 200 résumés de film qui appartiennent à une ou plusieurs des classes suivantes : « Mystery », « Drama », « Thriller », « Comedy », « Action ».
Obtenir vos clés de ressource et votre point de terminaison
Accédez à la page de vue d’ensemble de votre ressource dans le portail Azure
Dans le menu de gauche, sélectionnez Clés et point de terminaison. Vous utilisez le point de terminaison et la clé pour les demandes d’API
Créer un projet
Pour commencer à créer un modèle de classification de texte personnalisée, vous devez créer un projet. La création d’un projet vous permet d’étiqueter des données, d’entraîner, d’évaluer, d’améliorer et de déployer vos modèles.
Notes
Le nom du projet est sensible à la casse pour toutes les opérations.
Créez une demande POST en utilisant l’URL, les en-têtes et le corps JSON suivants pour créer votre projet et importer le fichier d’étiquettes.
URL de la demande
Utilisez l’URL suivante pour créer un projet et importer votre fichier d’étiquettes. Remplacez les valeurs d’espace réservé suivantes par vos valeurs :
{YOUR-ENDPOINT}/language/analyze-text/projects/{projectName}/:import?api-version=2021-11-01-preview
| Espace réservé | Valeur | Exemple |
|---|---|---|
{YOUR-ENDPOINT} |
Point de terminaison pour l’authentification de votre demande d’API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
headers
Utilisez l’en-tête suivant pour authentifier votre demande.
| Clé | Valeur |
|---|---|
Ocp-Apim-Subscription-Key |
Clé de votre ressource. Utilisée pour authentifiée vos demandes d’API. |
body
Utilisez le code JSON suivant dans votre demande. Remplacez les valeurs d’espace réservé suivantes par vos valeurs :
{
"api-version": "2021-11-01-preview",
"metadata": {
"name": "MyProject",
"multiLingual": true,
"description": "Trying out custom text classification",
"modelType": "multiClassification",
"language": "string",
"storageInputContainerName": "YOUR-CONTAINER-NAME",
"settings": {}
},
"assets": {
"classifiers": [
{
"name": "Class1"
}
],
"documents": [
{
"location": "doc1.txt",
"language": "en-us",
"dataset": "Train",
"classifiers": [
{
"classifierName": "Class1"
}
]
}
]
}
}
Pour la clé de métadonnées :
| Clé | Valeur | Exemple |
|---|---|---|
modelType |
Votre type de modèle utilise singleClassification pour une classification d’étiquette avec une seule étiquette. |
multiClassification |
storageInputContainerName |
Nom de votre conteneur de stockage Blob Azure. | myContainer |
Pour la clé de documents :
| Clé | Valeur | Exemple |
|---|---|---|
location |
Nom du document dans le magasin d’objets blob. | doc2.txt |
language |
Langue du document. | en-us |
dataset |
Champ facultatif pour spécifier le jeu de données auquel ce document appartient. | Train ou Test |
Cette demande renvoie une erreur si :
- La ressource sélectionnée n’a pas les autorisations appropriées pour le compte de stockage.
Commencer l’entraînement de votre modèle
Une fois votre projet créé, vous pouvez commencer l’entraînement d’un modèle de classification de texte personnalisée. Créez une demande POST en utilisant l’URL, les en-têtes et le corps JSON suivants pour commencer l’entraînement d’un modèle de classification de texte personnalisée.
URL de la demande
Utilisez l’URL suivante quand vous créez votre demande d’API. Remplacez les valeurs d’espace réservé suivantes par vos valeurs :
{YOUR-ENDPOINT}/language/analyze-text/projects/{PROJECT-NAME}/:train?api-version=2021-11-01-preview
| Espace réservé | Valeur | Exemple |
|---|---|---|
{YOUR-ENDPOINT} |
Point de terminaison pour l’authentification de votre demande d’API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nom de votre projet. Cette valeur respecte la casse. | myProject |
headers
Utilisez l’en-tête suivant pour authentifier votre demande.
| Clé | Valeur |
|---|---|
Ocp-Apim-Subscription-Key |
Clé de votre ressource. Utilisée pour authentifiée vos demandes d’API. |
Corps de la demande
Utilisez le code JSON suivant dans votre demande. Le modèle est nommé MyModel une fois l’entraînement effectué.
{
"modelLabel": "MyModel",
"runValidation": true,
"evaluationOptions":
{
"type":"percentage",
"testingSplitPercentage":"30",
"trainingSplitPercentage":"70"
}
}
| Clé | Valeur | Exemple |
|---|---|---|
modelLabel |
Nom de votre modèle. | MyModel |
runValidation |
Valeur booléenne pour exécuter la validation sur le jeu de test. | True ou False |
evaluationOptions |
Spécifie les options d’évaluation. | |
type |
Spécifie le type datasplit. | définir ou pourcentage |
testingSplitPercentage |
Champ entier obligatoire si type est un pourcentage. Spécifie le fractionnement de test. |
30 |
trainingSplitPercentage |
Champ entier obligatoire si type est un pourcentage. Spécifie le fractionnement d’entraînement. |
70 |
Une fois que vous avez envoyé votre demande d’API, vous recevez une réponse 202 indiquant la réussite. Dans les en-têtes de réponse, extrayez la valeur location. Elle est au format suivant :
{YOUR-ENDPOINT}/language/analyze-text/projects/{YOUR-PROJECT-NAME}/train/jobs/{JOB-ID}?api-version=2021-11-01-preview
JOB-ID est utilisé pour identifier votre demande, car cette opération est asynchrone. Cette URL servira à l’étape suivante pour obtenir l’état de l’apprentissage.
Obtenir l’état de l’entraînement
Utilisez la demande GET suivante pour interroger l’état du processus d’entraînement de votre modèle. Vous pouvez utiliser l’URL que vous avez reçue à l’étape précédente ou remplacer les valeurs d’espace réservé ci-dessous par vos propres valeurs.
{YOUR-ENDPOINT}/language/analyze-text/projects/{YOUR-PROJECT-NAME}/train/jobs/{JOB-ID}?api-version=2021-11-01-preview
| Espace réservé | Valeur | Exemple |
|---|---|---|
{YOUR-ENDPOINT} |
Point de terminaison pour l’authentification de votre demande d’API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nom de votre projet. Cette valeur respecte la casse. | myProject |
{JOB-ID} |
ID de localisation de l’état d’entraînement de votre modèle. Il s’agit de la valeur d’en-tête location que vous avez reçue à l’étape précédente. |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
headers
Utilisez l’en-tête suivant pour authentifier votre demande.
| Clé | Valeur |
|---|---|
Ocp-Apim-Subscription-Key |
Clé de votre ressource. Utilisée pour authentifiée vos demandes d’API. |
Corps de la réponse
Une fois que vous avez envoyé la demande, vous obtenez la réponse suivante.
{
"jobs": [
{
"result": {
"trainedModelLabel": "MyModel",
"trainStatus": {
"percentComplete": 0,
"elapsedTime": "string"
},
"evaluationStatus": {
"percentComplete": 0,
"elapsedTime": "string"
}
},
"jobId": "string",
"createdDateTime": "2021-10-19T23:24:41.572Z",
"lastUpdatedDateTime": "2021-10-19T23:24:41.572Z",
"expirationDateTime": "2021-10-19T23:24:41.572Z",
"status": "unknown",
"errors": [
{
"code": "unknown",
"message": "string"
}
]
}
],
"nextLink": "string"
}
Déployer votre modèle
Créez une demande PUT en utilisant l’URL, les en-têtes et le corps JSON suivants pour commencer le déploiement d’un modèle de classification de texte personnalisée.
{YOUR-ENDPOINT}/language/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}?api-version=2021-11-01-preview
| Espace réservé | Valeur | Exemple |
|---|---|---|
{YOUR-ENDPOINT} |
Point de terminaison pour l’authentification de votre demande d’API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nom de votre projet. Cette valeur respecte la casse. | myProject |
{DEPLOYMENT-NAME} |
Nom de votre déploiement. Cette valeur respecte la casse. | prod |
headers
Utilisez l’en-tête suivant pour authentifier votre demande.
| Clé | Valeur |
|---|---|
Ocp-Apim-Subscription-Key |
Clé de votre ressource. Utilisée pour authentifiée vos demandes d’API. |
Corps de la demande
Utilisez le code JSON suivant dans votre demande. Le modèle est nommé MyModel une fois l’entraînement effectué.
{
"trainedModelLabel": "MyModel",
"deploymentName": "prod"
}
Une fois que vous avez envoyé votre demande d’API, vous recevez une réponse 202 indiquant la réussite. Dans les en-têtes de réponse, extrayez la valeur location. Elle est au format suivant :
{YOUR-ENDPOINT}/language/analyze-text/projects/{YOUR-PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version=2021-11-01-preview
JOB-ID est utilisé pour identifier votre demande, car cette opération est asynchrone. Vous utilisez cette URL à l’étape suivante pour obtenir l’état de publication.
Obtenir l’état du déploiement
Utilisez la demande GET suivante pour interroger l’état du processus de publication de votre modèle. Vous pouvez utiliser l’URL que vous avez reçue à l’étape précédente ou remplacer les valeurs d’espace réservé ci-dessous par vos propres valeurs.
{YOUR-ENDPOINT}/language/analyze-text/projects/{YOUR-PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version=2021-11-01-preview
| Espace réservé | Valeur | Exemple |
|---|---|---|
{YOUR-ENDPOINT} |
Point de terminaison pour l’authentification de votre demande d’API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nom de votre projet. Cette valeur respecte la casse. | myProject |
{DEPLOYMENT-NAME} |
Nom de votre déploiement. Cette valeur respecte la casse. | prod |
{JOB-ID} |
ID de localisation de l’état d’entraînement de votre modèle. Il s’agit de la valeur d’en-tête location que vous avez reçue à l’étape précédente. |
xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx |
headers
Utilisez l’en-tête suivant pour authentifier votre demande.
| Clé | Valeur |
|---|---|
Ocp-Apim-Subscription-Key |
Clé de votre ressource. Utilisée pour authentifier vos demandes d’API. |
Envoyer une tâche de classification de texte personnalisée
Notes
Les noms de projet respectent la casse.
Utilisez cette demande POST pour démarrer une tâche d’extraction d’entité. Remplacez {projectName} par le nom du projet où se trouve le modèle à utiliser.
{YOUR-ENDPOINT}/text/analytics/v3.2-preview.2/analyze
headers
| Clé | Valeur |
|---|---|
| Ocp-Apim-Subscription-Key | Clé d’abonnement qui fournit l’accès à cette API. |
body
{
"displayName": "MyJobName",
"analysisInput": {
"documents": [
{
"id": "doc1",
"text": "Lorem ipsum dolor sit amet, consectetur adipiscing elit. Nunc tempus, felis sed vehicula lobortis, lectus ligula facilisis quam, quis aliquet lectus diam id erat. Vivamus eu semper tellus. Integer placerat sem vel eros iaculis dictum. Sed vel congue urna."
},
{
"id": "doc2",
"text": "Mauris dui dui, ultricies vel ligula ultricies, elementum viverra odio. Donec tempor odio nunc, quis fermentum lorem egestas commodo. Class aptent taciti sociosqu ad litora torquent per conubia nostra, per inceptos himenaeos."
}
]
},
"tasks": {
"customMultiClassificationTasks": [
{
"parameters": {
"project-name": "MyProject",
"deployment-name": "MyDeploymentName"
"stringIndexType": "TextElements_v8"
}
}
]
}
}
| Clé | Exemple de valeur | Description |
|---|---|---|
| displayName | « MyJobName » | Nom de votre travail |
| dans des documents | [{},{}] | Liste des documents sur lesquels exécuter des tâches |
| id | « doc1 » | identificateur de document sous forme de chaîne |
| text | « Lorem ipsum dolor sit amet » | Votre document sous forme de chaîne |
| « tasks » | [] | Liste des tâches à effectuer. |
| -- | customMultiClassificationTasks | Identificateur de la tâche à effectuer. Utilisez customClassificationTasks pour les tâches de classification avec une seule étiquette et customMultiClassificationTasks pour les tâches de classification avec plusieurs étiquettes. |
| parameters | [] | Liste de paramètres à passer à la tâche |
| nom-projet | « MyProject » | Nom de votre projet. Le nom du projet respecte la casse. |
| deployment-name | « MyDeploymentName » | Nom de votre déploiement |
Remplacez le texte du document par des résumés de film à classer.
response
Vous recevez une réponse 202 indiquant la réussite. Dans les en-têtes de réponse, extrayez operation-location.
operation-location est au format suivant :
{YOUR-ENDPOINT}/text/analytics/v3.2-preview.2/analyze/jobs/<jobId>
Vous allez utiliser ce point de terminaison pour obtenir les résultats de la tâche de classification de texte personnalisée.
Obtenir l’état et les résultats de la tâche de classification de texte personnalisée
Utilisez la requête GET suivante pour interroger l’état/les résultats de la tâche de classification personnalisée. Vous pouvez utiliser le point de terminaison que vous avez reçu à l’étape précédente.
{YOUR-ENDPOINT}/text/analytics/v3.2-preview.2/analyze/jobs/<jobId>.
headers
| Clé | Valeur |
|---|---|
| Ocp-Apim-Subscription-Key | Clé d’abonnement qui fournit l’accès à cette API. |
Response body
La réponse est un document JSON avec les paramètres suivants.
{
"createdDateTime": "2021-05-19T14:32:25.578Z",
"displayName": "MyJobName",
"expirationDateTime": "2021-05-19T14:32:25.578Z",
"jobId": "3fa85f64-5717-4562-b3fc-2c963f66afa6",
"lastUpdateDateTime": "2021-05-19T14:32:25.578Z",
"status": "completed",
"errors": [],
"tasks": {
"details": {
"name": "MyJobName",
"lastUpdateDateTime": "2021-03-29T19:50:23Z",
"status": "completed"
},
"completed": 1,
"failed": 0,
"inProgress": 0,
"total": 1,
"tasks": {
"customMultiClassificationTasks": [
{
"lastUpdateDateTime": "2021-05-19T14:32:25.579Z",
"name": "MyJobName",
"status": "completed",
"results": {
"documents": [
{
"id": "doc1",
"classes": [
{
"category": "Class_1",
"confidenceScore": 0.0551877357
}
],
"warnings": []
},
{
"id": "doc2",
"classes": [
{
"category": "Class_1",
"confidenceScore": 0.0551877357
},
{
"category": "Class_2",
"confidenceScore": 0.0551877357
}
],
"warnings": []
}
],
"errors": [],
"statistics": {
"documentsCount":0,
"erroneousDocumentsCount":0,
"transactionsCount":0
}
}
}
]
}
}
Nettoyer les ressources
Quand vous n’avez plus besoin de votre projet, vous pouvez le supprimer avec la demande DELETE suivante. Remplacez les valeurs d’espace réservé par vos propres valeurs.
{YOUR-ENDPOINT}/language/analyze-text/projects/{PROJECT-NAME}
| Espace réservé | Valeur | Exemple |
|---|---|---|
{YOUR-ENDPOINT} |
Point de terminaison pour l’authentification de votre demande d’API. | https://<your-custom-subdomain>.cognitiveservices.azure.com |
{PROJECT-NAME} |
Nom de votre projet. Cette valeur respecte la casse. | myProject |
headers
Utilisez l’en-tête suivant pour authentifier votre demande.
| Clé | Valeur |
|---|---|
| Ocp-Apim-Subscription-Key | Clé de votre ressource. Utilisée pour authentifiée vos demandes d’API. |
Étapes suivantes
Une fois que vous avez créé un modèle de classification de texte personnalisée, vous pouvez :
Quand vous commencez à créer vos propres projets de classification de texte personnalisée, utilisez les guides pratiques pour en savoir plus sur le développement de votre modèle plus en détail :