Istilah dan definisi yang digunakan dalam pemahaman bahasa percakapan
Gunakan artikel ini untuk mempelajari tentang beberapa definisi dan istilah yang Anda temui ketika menggunakan pemahaman bahasa percakapan.
Entitas
Entitas adalah kata-kata dalam ungkapan yang menjelaskan informasi yang digunakan untuk memenuhi atau mengidentifikasi niat. Jika entitas Anda rumit dan Anda ingin model mengidentifikasi bagian tertentu, Anda dapat memutus model Anda menjadi subentitas. Misalnya, Anda mungkin ingin model Anda memprediksi alamat, tetapi juga subentitas jalan, kota, negara bagian, dan kode pos.
f-measure
F-measure adalah fungsi dari Presisi dan Pengenalan. Hal ini diperlukan ketika Anda mencari keseimbangan antara Presisi dan Pengenalan.
Niat
Niat mewakili tugas atau tindakan yang ingin dilakukan pengguna. Ini adalah maksud atau tujuan yang dinyatakan dalam input pengguna, seperti memesan penerbangan, atau membayar tagihan.
Entitas daftar
Entitas daftar mewakili kumpulan kata terkait yang tetap dan tertutup beserta sinonimnya. Entitas daftar sangat cocok, tidak seperti entitas yang dipelajari mesin.
Entitas akan diprediksi jika kata dalam entitas daftar disertakan dalam daftar. Misalnya, jika Anda memiliki entitas daftar yang disebut "ukuran" dan Anda memiliki kata-kata "kecil, sedang, besar" dalam daftar, maka entitas ukuran akan diprediksi untuk semua ucapan tempat kata-kata "kecil", "sedang", atau "besar" digunakan terlepas dari konteksnya.
Model
Model adalah objek yang dilatih untuk melakukan tugas tertentu, dalam tugas pemahaman percakapan. Model dilatih dengan menyediakan data berlabel untuk dipelajari sehingga nantinya bisa digunakan untuk tugas pengenalan.
- Evaluasi model adalah proses yang terjadi tepat setelah pelatihan untuk mengetahui seberapa baik performa model Anda.
- Penyebaran adalah proses menetapkan model Anda ke penyebaran agar membuatnya tersedia untuk digunakan melalui API prediksi.
Overfitting
Overfitting terjadi ketika model terpaku pada contoh tertentu dan tidak dapat diruteralisasi dengan baik.
Presisi
Mengukur seberapa presisi/akurat model Anda. Ini adalah rasio antara positif yang diidentifikasi dengan benar (positif sejati) dan semua positif yang diidentifikasi. Metrik presisi mengungkapkan berapa banyak kelas yang diprediksi diberi label dengan benar.
Project
Proyek adalah area kerja untuk membuat model ML kustom berdasarkan data Anda. Proyek Anda hanya dapat diakses oleh Anda dan orang lain yang memiliki akses kontributor ke sumber daya Azure yang digunakan.
Pengenalan
Mengukur kemampuan model untuk memprediksi kelas positif aktual. Ini adalah rasio antara prediksi positif benar dan yang sebenarnya diberi tag. Metrik pengenalan mengungkapkan berapa banyak kelas yang diprediksi benar.
Regex
Entitas ekspresi reguler mewakili ekspresi reguler. Entitas ekspresi reguler sama persis.
Skema
Skema didefinisikan sebagai niat kombinasi niat dan entitas dalam proyek Anda. Desain skema merupakan bagian penting dari kesuksesan proyek Anda. Saat membuat skema, sebaiknya pikirkan niat dan entitas mana yang harus dimasukkan ke dalam proyek Anda
Data pelatihan
Data pelatihan adalah kumpulan informasi yang diperlukan untuk melatih model.
Ucapan
Ungkapanadalah input pengguna yang merupakan perwakilan teks pendek dari kalimat dalam percakapan. Ini adalah frasa bahasa alami seperti "pesan 2 tiket ke Seattle Selasa depan". Contoh ungkapan ditambahkan untuk melatih model dan model memprediksi ucapan baru pada waktu proses