Guida introduttiva: Classificazione del testo personalizzata

Articolo
01/10/2024

Usare questo articolo per iniziare a creare un progetto di classificazione del testo personalizzato in cui è possibile eseguire il training di modelli personalizzati per la classificazione del testo. Un modello è un software di intelligenza artificiale sottoposto a training per eseguire una determinata attività. Per questo sistema, i modelli classificano il testo e vengono sottoposti a training apprendendo dai dati contrassegnati.

La classificazione del testo personalizzata supporta due tipi di progetti:

Classificazione con etichetta singola: è possibile assegnare una singola classe per ogni documento nel set di dati. Ad esempio, uno script cinematografico può essere classificato solo come "Romanticismo" o "Commedia".
Classificazione con più etichette: è possibile assegnare più classi per ogni documento nel set di dati. Ad esempio, uno script cinematografico può essere classificato come "Commedia" o "Romanticismo" e "Commedia".

In questa guida introduttiva è possibile usare i set di dati di esempio forniti per creare una classificazione a più etichette in cui è possibile classificare gli script di film in una o più categorie oppure usare un set di dati di classificazione con etichetta singola in cui è possibile classificare astrazioni di documenti scientifici in uno dei domini definiti.

Prerequisiti

Sottoscrizione di Azure: creare un account gratuito.

Creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure e un account di archiviazione di Azure

Prima di poter usare la classificazione del testo personalizzata, è necessario creare una risorsa del linguaggio di intelligenza artificiale di Azure, che fornirà le credenziali necessarie per creare un progetto e avviare il training di un modello. È anche necessario un account di archiviazione di Azure, in cui è possibile caricare il set di dati che verrà usato per compilare il modello.

Importante

Per iniziare rapidamente, è consigliabile creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure seguendo la procedura descritta in questo articolo. La procedura descritta in questo articolo consentirà di creare contemporaneamente la risorsa di linguaggio e l'account di archiviazione, che è più semplice rispetto a farlo in un secondo momento.

Se si dispone di una risorsa preesistente che si vuole usare, sarà necessario connetterla all'account di archiviazione.

Creare una nuova risorsa dal portale di Azure

Passare alla portale di Azure per creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure.
Nella finestra visualizzata selezionare Classificazione testo personalizzata e riconoscimento di entità denominate personalizzate dalle funzionalità personalizzate. Selezionare Continua per creare la risorsa nella parte inferiore della schermata .

Creare una risorsa lingua con i dettagli seguenti.

Nome	Valore obbligatorio
Abbonamento	La sottoscrizione di Azure.
Gruppo di risorse	Gruppo di risorse che conterrà la risorsa. È possibile usare uno esistente o crearne uno nuovo.
Area	Una delle aree supportate. Ad esempio, "Stati Uniti occidentali 2".
Nome	Nome della risorsa.
Piano tariffario	Uno dei piani tariffari supportati. È possibile usare il livello Gratuito (F0) per provare il servizio.

Se viene visualizzato un messaggio che indica che l'account di accesso non è un proprietario del gruppo di risorse dell'account di archiviazione selezionato, l'account deve avere un ruolo di proprietario assegnato nel gruppo di risorse prima di poter creare una risorsa lingua. Per assistenza, contattare il proprietario della sottoscrizione di Azure.

È possibile determinare il proprietario della sottoscrizione di Azure eseguendo una ricerca nel gruppo di risorse e seguendo il collegamento alla sottoscrizione associata. Quindi:

Selezionare la scheda Controllo di accesso (IAM)
Selezionare Assegnazioni di ruolo
Filtrare in base a Role:Owner.

Nella sezione Classificazione testo personalizzata e riconoscimento di entità denominate personalizzate selezionare un account di archiviazione esistente o selezionare Nuovo account di archiviazione. Si noti che questi valori consentono di iniziare e non necessariamente i valori dell'account di archiviazione da usare negli ambienti di produzione. Per evitare la latenza durante la compilazione del progetto, connettersi agli account di archiviazione nella stessa area della risorsa lingua.

Archiviazione valore dell'account Valore consigliato

Nome account di archiviazione Qualsiasi nome

Storage account type LRS Standard
Assicurarsi che sia selezionata l'informativa sull'intelligenza artificiale responsabile. Selezionare Rivedi e crea nella parte inferiore della pagina.

Archiviazione valore dell'account	Valore consigliato
Nome account di archiviazione	Qualsiasi nome
Storage account type	LRS Standard

Caricare dati di esempio nel contenitore BLOB

Dopo aver creato un account di archiviazione di Azure e averla connessa alla risorsa Lingua, sarà necessario caricare i documenti dal set di dati di esempio nella directory radice del contenitore. Questi documenti verranno usati successivamente per eseguire il training del modello.

Classificazione a più etichette
Classificazione con etichetta singola

Scaricare il set di dati di esempio per i progetti di classificazione con più etichette.
Aprire il file ZIP ed estrarre la cartella contenente i documenti.

Il set di dati di esempio fornito contiene circa 200 documenti, ognuno dei quali è un riepilogo per un film. Ogni documento appartiene a una o più delle classi seguenti:

"Mistero"
"Dramma"
"Thriller"
"Commedia"
"Azione"

Nel portale di Azure passare all'account di archiviazione creato e selezionarlo. A tale scopo, fare clic su Archiviazione account e digitare il nome dell'account di archiviazione in Filtra per qualsiasi campo.

se il gruppo di risorse non viene visualizzato, assicurarsi che il filtro Subscription equals (Sottoscrizione) sia impostato su Tutti.
Nell'account di archiviazione selezionare Contenitori nel menu a sinistra, sotto Archiviazione dati. Nella schermata visualizzata selezionare + Contenitore. Assegnare al contenitore il nome example-data e lasciare il livello di accesso pubblico predefinito.
Dopo aver creato il contenitore, selezionarlo. Selezionare quindi il pulsante Carica per selezionare i .txt.json file e scaricati in precedenza.

Creare un progetto di classificazione personalizzata del testo

Dopo aver configurato la risorsa e il contenitore di archiviazione, creare un nuovo progetto di classificazione del testo personalizzato. Un progetto è un'area di lavoro per la creazione di modelli di Machine Learning personalizzati in base ai dati. L'accesso al progetto può essere eseguito solo dall'utente e da altri utenti che hanno accesso alla risorsa Lingua usata.

Accedere a Language Studio. Verrà visualizzata una finestra che consente di selezionare la sottoscrizione e la risorsa lingua. Selezionare la risorsa Lingua.
Nella sezione Classifica testo di Language Studio selezionare Classificazione testo personalizzata.
Selezionare Crea nuovo progetto dal menu in alto nella pagina dei progetti. La creazione di un progetto consentirà di etichettare i dati, eseguire il training, valutare, migliorare e distribuire i modelli.
Dopo aver fatto clic su Crea nuovo progetto, verrà visualizzata una finestra per consentire la connessione dell'account di archiviazione. Se è già stato connesso un account di archiviazione, verrà visualizzato l'account di archiviazione connesso. In caso contrario, scegliere l'account di archiviazione dall'elenco a discesa visualizzato e selezionare Connessione account di archiviazione. Verranno impostati i ruoli necessari per l'account di archiviazione. Questo passaggio restituirà un errore se non si è assegnati come proprietario nell'account di archiviazione.
Nota
- È necessario eseguire questo passaggio una sola volta per ogni nuova risorsa di lingua usata.
- Questo processo è irreversibile, se si connette un account di archiviazione alla risorsa lingua, non è possibile disconnetterlo in un secondo momento.
- È possibile connettere la risorsa lingua solo a un account di archiviazione.
Selezionare il tipo di progetto. È possibile creare un progetto di classificazione con più etichette in cui ogni documento può appartenere a una o più classi o a un progetto di classificazione con etichetta singola in cui ogni documento può appartenere a una sola classe. Il tipo selezionato non può essere modificato in un secondo momento. Altre informazioni sui tipi di progetto
Immettere le informazioni sul progetto, inclusi un nome, una descrizione e la lingua dei documenti nel progetto. Se si usa il set di dati di esempio, selezionare Inglese. Non sarà possibile modificare il nome del progetto in un secondo momento. Seleziona Avanti.

Suggerimento

Il set di dati non deve essere interamente nello stesso linguaggio. È possibile avere più documenti, ognuno con lingue supportate diverse. Se il set di dati contiene documenti di lingue diverse o se si prevede testo da lingue diverse durante il runtime, selezionare l'opzione Abilita set di dati multilingue quando si immettono le informazioni di base per il progetto. Questa opzione può essere abilitata in un secondo momento dalla pagina Impostazioni progetto.
Selezionare il contenitore in cui è stato caricato il set di dati.

Nota

Se i dati sono già stati etichettati, assicurarsi che seguano il formato supportato e selezionare Sì, i documenti sono già etichettati e ho formattato il file di etichette JSON e selezionare il file delle etichette dal menu a discesa seguente.

Se si usa uno dei set di dati di esempio, usare il file incluso webOfScience_labelsFile o movieLabels json. Quindi seleziona Avanti.
Esaminare i dati immessi e selezionare Crea progetto.

Eseguire il training del modello

In genere, dopo aver creato un progetto, è possibile iniziare a etichettare i documenti presenti nel contenitore connesso al progetto. Per questa guida introduttiva è stato importato un set di dati con etichetta di esempio e il progetto è stato inizializzato con il file di etichette JSON di esempio.

Per avviare il training del modello da Language Studio:

Selezionare Processi di training dal menu a sinistra.
Selezionare Avvia un processo di training dal menu in alto.
Selezionare Esegui training di un nuovo modello e digitare il nome del modello nella casella di testo. È anche possibile sovrascrivere un modello esistente selezionando questa opzione e scegliendo il modello da sovrascrivere dal menu a discesa. La sovrascrittura di un modello sottoposto a training è irreversibile, ma non influisce sui modelli distribuiti fino a quando non si distribuisce il nuovo modello.
Selezionare il metodo di suddivisione dei dati. È possibile scegliere Suddivisione automatica del set di test dai dati di training in cui il sistema suddividerà i dati etichettati tra i set di training e di test, in base alle percentuali specificate. In alternativa, è possibile usare una suddivisione manuale dei dati di training e test, questa opzione è abilitata solo se sono stati aggiunti documenti al set di test durante l'etichettatura dei dati. Per altre informazioni sulla suddivisione dei dati, vedere Come eseguire il training di un modello .
Selezionare il pulsante Train (Esegui training ).
Se si seleziona l'ID processo di training dall'elenco, verrà visualizzato un riquadro laterale in cui è possibile controllare lo stato del training, lo stato del processo e altri dettagli per questo processo.
Nota
- Solo i processi di training completati correttamente genereranno modelli.
- Il tempo necessario per eseguire il training del modello può richiedere da qualche minuto a diverse ore in base alle dimensioni dei dati etichettati.
- È possibile eseguire un solo processo di training alla volta. Non è possibile avviare altri processi di training nello stesso progetto fino al completamento del processo in esecuzione.

Distribuire il modello

In genere dopo il training di un modello, esaminare i relativi dettagli di valutazione e apportare miglioramenti , se necessario. In questa guida introduttiva si distribuirà semplicemente il modello e lo si renderà disponibile per provare in Language Studio oppure è possibile chiamare l'API di stima.

Per distribuire il modello da Language Studio:

Selezionare Deploying a model (Distribuzione di un modello ) dal menu a sinistra.
Selezionare Aggiungi distribuzione per avviare un nuovo processo di distribuzione.
Selezionare Crea nuova distribuzione per creare una nuova distribuzione e assegnare un modello sottoposto a training nell'elenco a discesa seguente. È anche possibile sovrascrivere una distribuzione esistente selezionando questa opzione e selezionando il modello sottoposto a training che si vuole assegnare al modello dall'elenco a discesa seguente.

Nota

La sovrascrittura di una distribuzione esistente non richiede modifiche alla chiamata all'API Prediction, ma i risultati ottenuti saranno basati sul modello appena assegnato.
selezionare Distribuisci per avviare il processo di distribuzione.
Al termine della distribuzione, accanto verrà visualizzata una data di scadenza. La scadenza della distribuzione è quando il modello distribuito non sarà disponibile per la stima, che in genere si verifica dodici mesi dopo la scadenza di una configurazione di training.

Testare il modello

Dopo aver distribuito il modello, è possibile iniziare a usarlo per classificare il testo tramite l'API Stima. Per questa guida introduttiva si userà Language Studio per inviare l'attività di classificazione del testo personalizzata e visualizzare i risultati. Nel set di dati di esempio scaricato in precedenza è possibile trovare alcuni documenti di test che è possibile usare in questo passaggio.

Per testare i modelli distribuiti in Language Studio:

Selezionare Test delle distribuzioni dal menu a sinistra della schermata.
Selezionare la distribuzione da testare. È possibile testare solo i modelli assegnati alle distribuzioni.
Per i progetti multilingue, selezionare la lingua del testo che si sta testando usando l'elenco a discesa lingua.
Selezionare la distribuzione da eseguire query/test dall'elenco a discesa.
Immettere il testo da inviare nella richiesta o caricare un .txt documento da usare. Se si usa uno dei set di dati di esempio, è possibile usare uno dei file con estensione txt inclusi.
Selezionare Esegui il test dal menu in alto.
Nella scheda Risultato è possibile visualizzare le classi stimate per il testo. È anche possibile visualizzare la risposta JSON nella scheda JSON . L'esempio seguente è relativo a un singolo progetto di classificazione delle etichette. Un progetto di classificazione con più etichette può restituire più classi nel risultato.

Pulire i progetti

Quando il progetto non è più necessario, è possibile eliminare il progetto usando Language Studio. Selezionare Classificazione testo personalizzata nella parte superiore e quindi selezionare il progetto da eliminare. Selezionare Elimina dal menu in alto per eliminare il progetto.

Prerequisiti

Sottoscrizione di Azure: creare un account gratuito.

Creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure e un account di archiviazione di Azure

Importante

Per iniziare rapidamente, è consigliabile creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure seguendo la procedura descritta in questo articolo, che consente di creare la risorsa Lingua e creare e/o connettere un account di archiviazione contemporaneamente, che è più semplice rispetto a farlo in un secondo momento.

Se si dispone di una risorsa preesistente che si vuole usare, sarà necessario connetterla all'account di archiviazione.

Creare una nuova risorsa dal portale di Azure

Passare alla portale di Azure per creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure.
Nella finestra visualizzata selezionare Classificazione testo personalizzata e riconoscimento di entità denominate personalizzate dalle funzionalità personalizzate. Selezionare Continua per creare la risorsa nella parte inferiore della schermata .

Creare una risorsa lingua con i dettagli seguenti.

Nome	Valore obbligatorio
Abbonamento	La sottoscrizione di Azure.
Gruppo di risorse	Gruppo di risorse che conterrà la risorsa. È possibile usare uno esistente o crearne uno nuovo.
Area	Una delle aree supportate. Ad esempio, "Stati Uniti occidentali 2".
Nome	Nome della risorsa.
Piano tariffario	Uno dei piani tariffari supportati. È possibile usare il livello Gratuito (F0) per provare il servizio.

È possibile determinare il proprietario della sottoscrizione di Azure eseguendo una ricerca nel gruppo di risorse e seguendo il collegamento alla sottoscrizione associata. Quindi:

Selezionare la scheda Controllo di accesso (IAM)
Selezionare Assegnazioni di ruolo
Filtrare in base a Role:Owner.

Nella sezione Classificazione testo personalizzata e riconoscimento di entità denominate personalizzate selezionare un account di archiviazione esistente o selezionare Nuovo account di archiviazione. Si noti che questi valori consentono di iniziare e non necessariamente i valori dell'account di archiviazione da usare negli ambienti di produzione. Per evitare la latenza durante la compilazione del progetto, connettersi agli account di archiviazione nella stessa area della risorsa lingua.

Archiviazione valore dell'account Valore consigliato

Nome account di archiviazione Qualsiasi nome

Storage account type LRS Standard
Assicurarsi che sia selezionata l'informativa sull'intelligenza artificiale responsabile. Selezionare Rivedi e crea nella parte inferiore della pagina.

Archiviazione valore dell'account	Valore consigliato
Nome account di archiviazione	Qualsiasi nome
Storage account type	LRS Standard

Caricare dati di esempio nel contenitore BLOB

Classificazione a più etichette
Classificazione con etichetta singola

Scaricare il set di dati di esempio per i progetti di classificazione con più etichette.
Aprire il file ZIP ed estrarre la cartella contenente i documenti.

Il set di dati di esempio fornito contiene circa 200 documenti, ognuno dei quali è un riepilogo per un film. Ogni documento appartiene a una o più delle classi seguenti:

"Mistero"
"Dramma"
"Thriller"
"Commedia"
"Azione"

Nel portale di Azure passare all'account di archiviazione creato e selezionarlo.
Nell'account di archiviazione selezionare Contenitori nel menu a sinistra, sotto Archiviazione dati. Nella schermata visualizzata selezionare + Contenitore.

Ottenere l'endpoint e le chiavi per la risorsa di ricerca

Nel portale di Azure passare alla risorsa e quindi a Panoramica.
Selezionare Chiavi di accesso dal menu sul lato sinistro.

Creare un progetto di classificazione personalizzata del testo

{Endpoint}/language/authoring/analyze-text/projects/{projectName}/:import?api-version={API-VERSION}

Segnaposto	Valore	Esempio
`{ENDPOINT}`	Endpoint per l'autenticazione della richiesta API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`

Intestazioni

Chiave	valore
`Ocp-Apim-Subscription-Key`	Chiave della risorsa

Corpo

Ricordarsi di sostituire i valori segnaposto con valori personalizzati.

Classificazione immagini con più etichette
Rimuovi l'etichetta di classificazione

{
  "projectFileVersion": "{API-VERSION}",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectName": "{PROJECT-NAME}",
    "storageInputContainerName": "{CONTAINER-NAME}",
    "projectKind": "customMultiLabelClassification",
    "description": "Trying out custom multi label text classification",
    "language": "{LANGUAGE-CODE}",
    "multilingual": true,
    "settings": {}
  },
  "assets": {
    "projectKind": "customMultiLabelClassification",
    "classes": [
      {
        "category": "Class1"
      },
      {
        "category": "Class2"
      }
    ],
    "documents": [
      {
        "location": "{DOCUMENT-NAME}",
        "language": "{LANGUAGE-CODE}",
        "dataset": "{DATASET}",
        "classes": [
          {
            "category": "Class1"
          },
          {
            "category": "Class2"
          }
        ]
      },
      {
        "location": "{DOCUMENT-NAME}",
        "language": "{LANGUAGE-CODE}",
        "dataset": "{DATASET}",
        "classes": [
          {
            "category": "Class2"
          }
        ]
      }
    ]
  }
}

Key	Segnaposto	Valore	Esempio
api-version	`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`
projectName	`{PROJECT-NAME}`	Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
	`customMultiLabelClassification`		`customMultiLabelClassification`
lingua	`{LANGUAGE-CODE}`		`en-us`
Multilingue	`true`		`true`
	`{CONTAINER-NAME}`		`myContainer`
classi	[]		[]
documenti	[]		[]
posizione	`{DOCUMENT-NAME}`		`doc1.txt`
set di dati	`{DATASET}`	I valori possibili per questo campo includono:	`Train`

{
  "projectFileVersion": "{API-VERSION}",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectName": "{PROJECT-NAME}",
    "storageInputContainerName": "{CONTAINER-NAME}",
    "projectKind": "customSingleLabelClassification",
    "description": "Trying out custom multi label text classification",
    "language": "{LANGUAGE-CODE}",
    "multilingual": true,
    "settings": {}
  },
  "assets": {
    "projectKind": "customSingleLabelClassification",
        "classes": [
            {
                "category": "Class1"
            },
            {
                "category": "Class2"
            }
        ],
        "documents": [
            {
                "location": "{DOCUMENT-NAME}",
                "language": "{LANGUAGE-CODE}",
                "dataset": "{DATASET}",
                "class": {
                    "category": "Class2"
                }
            },
            {
                "location": "{DOCUMENT-NAME}",
                "language": "{LANGUAGE-CODE}",
                "dataset": "{DATASET}",
                "class": {
                    "category": "Class1"
                }
            }
        ]
    }
}

Key	Segnaposto	Valore	Esempio
api-version	`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`
projectName	`{PROJECT-NAME}`	Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
	`customSingleLabelClassification`		`customSingleLabelClassification`
lingua	`{LANGUAGE-CODE}`		`en-us`
Multilingue	`true`		`true`
	`{CONTAINER-NAME}`		`myContainer`
classi	[]		[]
documenti	[]		[]
posizione	`{DOCUMENT-NAME}`		`doc1.txt`
set di dati	`{DATASET}`	I valori possibili per questo campo includono:	`Train`

Il formato sarà: .

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}

Il file specificato non esiste.

Ricordarsi di sostituire i valori segnaposto con valori personalizzati.

Richiesta URL

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/import/jobs/{JOB-ID}?api-version={API-VERSION}

Segnaposto	Valore	Esempio
`{ENDPOINT}`	Endpoint per l'autenticazione della richiesta API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
`{JOB-ID}`		`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`

Intestazioni

Chiave	valore
`Ocp-Apim-Subscription-Key`	Chiave della risorsa

Eseguire il training del modello

Ricordarsi di sostituire i valori segnaposto con valori personalizzati.

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/:train?api-version={API-VERSION}

Segnaposto	Valore	Esempio
`{ENDPOINT}`	Endpoint per l'autenticazione della richiesta API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`

Intestazioni

Chiave	valore
`Ocp-Apim-Subscription-Key`	Chiave della risorsa

Corpo della richiesta

{
	"modelLabel": "{MODEL-NAME}",
	"trainingConfigVersion": "{CONFIG-VERSION}",
	"evaluationOptions": {
		"kind": "percentage",
		"trainingSplitPercentage": 80,
		"testingSplitPercentage": 20
	}
}

Key	Segnaposto	Valore	Esempio
	`{MODEL-NAME}`		`myModel`
	`{CONFIG-VERSION}`		`2022-05-01`
			`{}`
kind	`percentage`	Metodo split I possibili valori sono `percentage` o `manual`. Per altre informazioni sugli oggetti estimator, vedere Come eseguire il training di modelli.	`percentage`
	`80`	Valore consigliato	`80`
	`20`	Valore consigliato	`20`

Nota

Il formato sarà: .

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

Ottenere lo stato del training

Ricordarsi di sostituire i valori segnaposto con valori personalizzati.

Richiesta URL

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/train/jobs/{JOB-ID}?api-version={API-VERSION}

Segnaposto	Valore	Esempio
`{ENDPOINT}`	Endpoint per l'autenticazione della richiesta API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
`{JOB-ID}`		`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`

Intestazioni

Chiave	valore
`Ocp-Apim-Subscription-Key`	Chiave della risorsa

Testo della risposta

{
  "result": {
    "modelLabel": "{MODEL-NAME}",
    "trainingConfigVersion": "{CONFIG-VERSION}",
    "estimatedEndDateTime": "2022-04-18T15:47:58.8190649Z",
    "trainingStatus": {
      "percentComplete": 3,
      "startDateTime": "2022-04-18T15:45:06.8190649Z",
      "status": "running"
    },
    "evaluationStatus": {
      "percentComplete": 0,
      "status": "notStarted"
    }
  },
  "jobId": "{JOB-ID}",
  "createdDateTime": "2022-04-18T15:44:44Z",
  "lastUpdatedDateTime": "2022-04-18T15:45:48Z",
  "expirationDateTime": "2022-04-25T15:44:44Z",
  "status": "running"
}

Distribuire il modello

Ricordarsi di sostituire i valori segnaposto con valori personalizzati.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}/deployments/{deploymentName}?api-version={API-VERSION}

Segnaposto	Valore	Esempio
`{ENDPOINT}`	Endpoint per l'autenticazione della richiesta API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
`{DEPLOYMENT-NAME}`	Nome della distribuzione Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`staging`
`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`

Intestazioni

Chiave	valore
`Ocp-Apim-Subscription-Key`	Chiave della risorsa

Corpo della richiesta

Usare questo codice JSON di esempio per il corpo della richiesta:

{
  "trainedModelLabel": "{MODEL-NAME}"
}

Key	Segnaposto	Valore	Esempio
	`{MODEL-NAME}`	Nome del modello che verrà assegnato alla distribuzione. È possibile distribuire solo modelli con training completato. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myModel`

Il formato sarà: .

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

Ottenere lo stato di una distribuzione

{ENDPOINT}/language/authoring/analyze-text/projects/{PROJECT-NAME}/deployments/{DEPLOYMENT-NAME}/jobs/{JOB-ID}?api-version={API-VERSION}

Segnaposto	Valore	Esempio
`{ENDPOINT}`	Endpoint per l'autenticazione della richiesta API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Visualizzare il nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
`{DEPLOYMENT-NAME}`	Nome della distribuzione Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`staging`
`{JOB-ID}`		`xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxx`
`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`

Intestazioni

Chiave	valore
`Ocp-Apim-Subscription-Key`	Chiave della risorsa

Testo della risposta

{
    "jobId":"{JOB-ID}",
    "createdDateTime":"{CREATED-TIME}",
    "lastUpdatedDateTime":"{UPDATED-TIME}",
    "expirationDateTime":"{EXPIRATION-TIME}",
    "status":"running"
}

Classifica testo

{ENDPOINT}/language/analyze-text/jobs?api-version={API-VERSION}

Segnaposto	Valore	Esempio
`{ENDPOINT}`	Endpoint per l'autenticazione della richiesta API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`

Intestazioni

Chiave	valore
Ocp-Apim-Subscription-Key

Corpo

Classificazione immagini con più etichette
Rimuovi l'etichetta di classificazione

{
  "displayName": "Classifying documents",
  "analysisInput": {
    "documents": [
      {
        "id": "1",
        "language": "{LANGUAGE-CODE}",
        "text": "Text1"
      },
      {
        "id": "2",
        "language": "{LANGUAGE-CODE}",
        "text": "Text2"
      }
    ]
  },
  "tasks": [
     {
      "kind": "CustomMultiLabelClassification",
      "taskName": "Multi Label Classification",
      "parameters": {
        "projectName": "{PROJECT-NAME}",
        "deploymentName": "{DEPLOYMENT-NAME}"
      }
    }
  ]
}

Key	Segnaposto	Valore	Esempio
`displayName`	`{JOB-NAME}`		`MyJobName`
`documents`	[{},{}]		`[{},{}]`
`id`	`{DOC-ID}`		`doc1`
`language`	`{LANGUAGE-CODE}`	Per un elenco delle lingue supportate, vedi la sezione Lingue supportate.	`en-us`
`text`	`{DOC-TEXT}`		`Lorem ipsum dolor sit amet`
`tasks`			`[]`
`taskName`		Assegnare un nome all'attività
`parameters`		Elenco di parametri da passare al metodo.
`project-name`	`{PROJECT-NAME}`	Nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
`deployment-name`	`{DEPLOYMENT-NAME}`	Nome della distribuzione Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`prod`

{
  "displayName": "Classifying documents",
  "analysisInput": {
    "documents": [
      {
        "id": "1",
        "language": "{LANGUAGE-CODE}",
        "text": "Text1"
      },
      {
        "id": "2",
        "language": "{LANGUAGE-CODE}",
        "text": "Text2"
      }
    ]
  },
  "tasks": [
    {
      "kind": "CustomSingleLabelClassification",
      "taskName": "Single Classification Label",
      "parameters": {
        "projectName": "{PROJECT-NAME}",
        "deploymentName": "{DEPLOYMENT-NAME}"
      }
    }
  ]
}

Key	Segnaposto	Valore	Esempio
displayName	`{JOB-NAME}`		`MyJobName`
documenti
`id`	`{DOC-ID}`		`doc1`
`language`	`{LANGUAGE-CODE}`	Per un elenco delle lingue supportate, vedi la sezione Lingue supportate.	`en-us`
`text`	`{DOC-TEXT}`		`Lorem ipsum dolor sit amet`
`taskName`		Assegnare un nome all'attività
`tasks`	[]		[]
`parameters`		Elenco di parametri da passare al metodo.
`project-name`	`{PROJECT-NAME}`	Nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
`deployment-name`	`{DEPLOYMENT-NAME}`	Nome della distribuzione Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`prod`

Response

{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}

{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}

Segnaposto	Valore	Esempio
`{ENDPOINT}`	Endpoint per l'autenticazione della richiesta API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`

Intestazioni

Chiave	valore
Ocp-Apim-Subscription-Key

Corpo della risposta

Classificazione immagini con più etichette
Rimuovi l'etichetta di classificazione

{
  "createdDateTime": "2021-05-19T14:32:25.578Z",
  "displayName": "MyJobName",
  "expirationDateTime": "2021-05-19T14:32:25.578Z",
  "jobId": "xxxx-xxxxxx-xxxxx-xxxx",
  "lastUpdateDateTime": "2021-05-19T14:32:25.578Z",
  "status": "succeeded",
  "tasks": {
    "completed": 1,
    "failed": 0,
    "inProgress": 0,
    "total": 1,
    "items": [
      {
        "kind": "customMultiClassificationTasks",
        "taskName": "Classify documents",
        "lastUpdateDateTime": "2020-10-01T15:01:03Z",
        "status": "succeeded",
        "results": {
          "documents": [
            {
              "id": "{DOC-ID}",
              "classes": [
                  {
                      "category": "Class_1",
                      "confidenceScore": 0.0551877357
                  }
              ],
              "warnings": []
            }
          ],
          "errors": [],
          "modelVersion": "2020-04-01"
        }
      }
    ]
  }
}

{
  "createdDateTime": "2021-05-19T14:32:25.578Z",
  "displayName": "MyJobName",
  "expirationDateTime": "2021-05-19T14:32:25.578Z",
  "jobId": "xxxx-xxxxxx-xxxxx-xxxx",
  "lastUpdateDateTime": "2021-05-19T14:32:25.578Z",
  "status": "succeeded",
  "tasks": {
    "completed": 1,
    "failed": 0,
    "inProgress": 0,
    "total": 1,
    "items": [
      {
        "kind": "customSingleClassificationTasks",
        "taskName": "Classify documents",
        "lastUpdateDateTime": "2020-10-01T15:01:03Z",
        "status": "succeeded",
        "results": {
          "documents": [
            {
              "id": "{DOC-ID}",
              "class": [
                  {
                      "category": "Class_1",
                      "confidenceScore": 0.0551877357
                  }
              ],
              "warnings": []
            }
          ],
          "errors": [],
          "modelVersion": "2020-04-01"
        }
      }
    ]
  }
}

Pulire le risorse

Sostituire i valori segnaposto con i propri.

{Endpoint}/language/authoring/analyze-text/projects/{projectName}?api-version={API-VERSION}

Segnaposto	Valore	Esempio
`{ENDPOINT}`	Endpoint per l'autenticazione della richiesta API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{PROJECT-NAME}`	Nome del progetto. Per questo valore viene applicata la distinzione tra maiuscole e minuscole.	`myProject`
`{API-VERSION}`	Versione dell'API che si sta chiamando	`2022-05-01`

Intestazioni

Chiave	valore
Ocp-Apim-Subscription-Key	Chiave della risorsa

Passaggi successivi

Vedere la selezione dei dati e lo schema di progettazione.
Eseguire il training di un modello
Visualizzare la valutazione del modello

Guida introduttiva: Classificazione del testo personalizzata

Prerequisiti

Creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure e un account di archiviazione di Azure

Creare una nuova risorsa dal portale di Azure

Caricare dati di esempio nel contenitore BLOB

Creare un progetto di classificazione personalizzata del testo

Eseguire il training del modello

Distribuire il modello

Testare il modello

Pulire i progetti

Prerequisiti

Creare una nuova risorsa del linguaggio di intelligenza artificiale di Azure e un account di archiviazione di Azure

Creare una nuova risorsa dal portale di Azure

Caricare dati di esempio nel contenitore BLOB

Ottenere l'endpoint e le chiavi per la risorsa di ricerca

Creare un progetto di classificazione personalizzata del testo

Intestazioni

Corpo

Richiesta URL

Intestazioni

Eseguire il training del modello

Intestazioni

Corpo della richiesta

Ottenere lo stato del training

Richiesta URL

Intestazioni

Testo della risposta

Distribuire il modello

Intestazioni

Corpo della richiesta

Ottenere lo stato di una distribuzione

Intestazioni

Testo della risposta

Classifica testo

Intestazioni

Corpo

Response

Intestazioni

Corpo della risposta

Pulire le risorse

Intestazioni

Passaggi successivi

Risorse aggiuntive