Nota:
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
Importante
Las traducciones no en inglés solo se proporcionan para mayor comodidad. Consulte la EN-US versión de este documento para obtener la versión definitiva.
¿Qué es una nota de transparencia?
Un sistema de inteligencia artificial incluye no solo la tecnología, sino también las personas que lo usarán, las personas que se verán afectadas por ella y el entorno en el que se implementa. La creación de un sistema que se ajuste a su finalidad prevista requiere una comprensión de cómo funciona la tecnología, sus capacidades y limitaciones, y cómo lograr el mejor rendimiento. las notas de transparencia de Microsoft están pensadas para ayudarle a comprender cómo funciona nuestra tecnología de inteligencia artificial, las opciones que los propietarios del sistema pueden tomar para influir en el rendimiento y el comportamiento del sistema, y la importancia de pensar en todo el sistema, incluida la tecnología, las personas y el entorno. Puede usar notas de transparencia al desarrollar o implementar su propio sistema, o compartirlas con las personas que usarán o se verán afectadas por el sistema.
las notas de transparencia de Microsoft forman parte de un esfuerzo más amplio en Microsoft poner en práctica nuestros principios de inteligencia artificial. Para obtener más información, consulte Microsoft AI Principles.
Introducción a la clasificación de texto personalizada
La clasificación de texto personalizada es un servicio de API basado en la nube que aplica inteligencia de aprendizaje automático para permitirle crear modelos personalizados para tareas de clasificación de texto.
La clasificación de texto personalizada admite dos tipos de proyectos:
- Clasificación de etiquetas únicas: solo se asigna una etiqueta para cada archivo del conjunto de datos. Por ejemplo, si un archivo es un script de película, solo podría clasificarse como "Acción", "Thriller" o "Romance".
- Clasificación de varias etiquetas: asigne varias etiquetas para cada archivo del conjunto de datos. Por ejemplo, si un archivo es un script de película, podría clasificarse como "Acción" o "Acción" y "Thriller".
Conceptos básicos de la clasificación de texto personalizada
La clasificación de texto personalizada se ofrece como parte de las características personalizadas dentro de Azure Language in Foundry Tools. Esta característica permite a sus usuarios crear modelos de IA personalizados para clasificar texto en categorías personalizadas predefinidas por el usuario. Al crear un proyecto de clasificación de texto personalizado, los desarrolladores pueden etiquetar de forma iterativa los datos y entrenar, evaluar y mejorar el rendimiento del modelo antes de que estén disponibles para su consumo. La calidad de los datos etiquetados afecta considerablemente al rendimiento del modelo.
Para simplificar la creación y personalización del modelo, el servicio ofrece un portal web personalizado al que se puede acceder a través de Language Studio. Puede empezar fácilmente con el servicio siguiendo los pasos descritos en este inicio rápido.
Terminología de clasificación de texto personalizada
Los términos siguientes se usan normalmente en la clasificación de texto personalizada:
| Término | Definición |
|---|---|
| Proyecto | Un proyecto es un área de trabajo para crear los modelos de IA personalizados en función de los datos. Usted y otros usuarios que tienen acceso de colaborador al recurso Azure que se está usando solo pueden acceder al proyecto. Dentro de un proyecto, puede etiquetar datos, compilar modelos, evaluarlos y mejorarlos cuando sea necesario e implementar un modelo para que esté listo para su consumo. Puede compilar varios modelos dentro del proyecto en el mismo conjunto de datos. |
| Modelo | Un modelo es un objeto entrenado para realizar una tarea determinada. Para este sistema, los modelos clasifican texto. Los modelos se entrenan mediante el aprendizaje de datos etiquetados. |
| Clase | Una clase es una categoría definida por el usuario que indica la clasificación general del texto. Los desarrolladores etiquetan sus datos con sus clases asignadas antes de pasarlos al modelo para el entrenamiento. |
Casos de uso de ejemplo para la clasificación de texto personalizada
La clasificación de texto personalizada se puede usar en varios escenarios en una variedad de sectores. Algunos ejemplos son:
Clasificación automática de correos electrónicos o tickets: Los centros de soporte técnico de todos los tipos reciben un gran volumen de correos electrónicos o tickets que contienen texto no estructurado y adjuntos. La revisión, la confirmación y el enrutamiento oportunos a expertos en la materia dentro de los equipos internos es fundamental. La evaluación de prioridades de correo electrónico a esta escala requiere que los usuarios revisen y enruten a los departamentos adecuados, lo que tarda tiempo y recursos. La clasificación de texto personalizada se puede usar para analizar el texto entrante y evaluar y clasificar el contenido para que se enrute automáticamente a los departamentos pertinentes para realizar más acciones.
Minería de conocimiento para mejorar y enriquecer la búsqueda semántica: La búsqueda es fundamental para cualquier aplicación que muestre contenido de texto a los usuarios. Entre los escenarios comunes se incluyen búsquedas de catálogos o documentos, búsquedas de productos minoristas o minería de conocimiento para la ciencia de datos. Muchas empresas de varios sectores buscan crear una experiencia de búsqueda enriquecida sobre contenido privado heterogéneo, que incluye documentos estructurados y no estructurados. Como parte de su flujo de trabajo, los desarrolladores pueden usar la clasificación de texto personalizada para categorizar su texto en clases relevantes para su sector. Las clases predichas se pueden usar para enriquecer la indexación del archivo para una experiencia de búsqueda más personalizada.
Consideraciones al elegir un caso de uso
Evite usar la clasificación de texto personalizada para las decisiones que podrían tener efectos adversos graves. Incluya la revisión humana de las decisiones que tienen el potencial de graves impactos en las personas. Por ejemplo, para identificar si se debe aceptar o rechazar una reclamación de seguro en función de la descripción de un incidente de un usuario.
Evite crear clases ambiguas y no representativas. Al diseñar el esquema, evite las clases que son tan similares entre sí que podrían haber dificultades para diferenciarlas entre sí. Por ejemplo, si va a clasificar guiones de películas, evite crear una clase para romance, comedia y rom-com. En su lugar, considere la posibilidad de usar un modelo de clasificación de varias etiquetas con clases de romance y comedia. A continuación, para películas de comedia romántica, asigne ambas clases.
-
Consideraciones legales y normativas: las organizaciones deben evaluar posibles obligaciones legales y normativas específicas al usar las herramientas y soluciones de Foundry, que pueden no ser adecuadas para su uso en todos los sectores o escenarios. Además, las herramientas o soluciones de Foundry no están diseñadas para y pueden no usarse de maneras prohibidas en términos de servicio aplicables y códigos de conducta pertinentes.