Beispiel für regelbasiertes Modell

Wenn beispielsweise ein Modell für maschinelles Lernen als Anreicherung für ein Feld angewendet wird, extrahiert es alle Entitätstypen in diesem Feld, die in einem regelbasierten Knowledge Studio-Modell angegeben wurden. Wenn das Modell Entitätstypen wie person, surname und job title erkennt, werden sie in Ihren Dokumenten erkannt und mit Tags versehen.

In der Ausgabe die Informationen, die durch die Aufbereitung von Machine Learning im Array enriched_{field_name} im Array entities extrahiert werden. In diesem Beispiel ist das für die Aufbereitung ausgewählte Feld text.

{
  "enriched_text": [
    {
      "entities": [
        {
          "path": ".wksrule.entities.PERSON",
          "text": "George Washington",
          "type": "PERSON"
        },
        {
          "path": ".wksrule.entities.GIVENNAME",
          "text": "George",
          "type": "GIVENNAME"
        },
        {
          "path": ".wksrule.entities.SURNAME",
          "text": "Washington",
          "type": "SURNAME"
        },
        {
          "path": ".wksrule.entities.POSITION",
          "text": "politician",
          "type": "POSITION"
        },
        {
          "path": ".wksrule.entities.POSITION",
          "text": "soldier",
          "type": "POSITION"
        },
        {
          "path": ".wksrule.entities.JOBTITLE",
          "text": "President of the United States",
          "type": "JOBTITLE"
        }
      ],
      "text": [
        "George Washington (February 22, 1732‚ December 14, 1799) was an American politician and soldier who served as the first President of the United States from 1789 to 1797 and was one of the Founding Fathers of the United States."
      ]
    }
  ]
}

Wenn also jemand die API verwendet, um eine Discovery Query Language-Abfrage zu übergeben, um nach Vorkommen der enriched_{field_name}.entities.type:jobtitle-Aufbereitung zu suchen, werden alle Passagen zurückgegeben, die die Jobbezeichnung einer Person diskutieren.

Beispiel für Modell für maschinelles Lernen

In diesem Beispiel extrahiert ein Modell für maschinelles Lernen Entitätstypen wie person, oranization und date sowie Informationen zu Beziehungen zwischen den Entitäten. Wenn dieses ML-Modell als Bereicherung für ein Feld angewendet wird, nutzt es maschinelles Lernen, um die sprachlichen Nuancen, Bedeutungen und Beziehungen zu verstehen, die im Dokument erwähnt werden.

In der Ausgabe die Informationen, die durch die Aufbereitung von Machine Learning im Array enriched_{field_name} in den Arrays entities und relations extrahiert werden. In diesem Beispiel ist das für die Aufbereitung ausgewählte Feld text.

{
  "enriched_text": [
    {
      "entities": [
        {
          "count": 1,
          "text": "Democratic Party",
          "type": "ORGANIZATION"
        },
        {
          "count": 1,
          "text": "March 15, 1767",
          "type": "DATE"
        },
        {
          "count": 1,
          "text": "President",
          "type": "POSITION"
        },
        {
          "count": 1,
          "text": "Andrew Jackson",
          "type": "PERSON"
        }
      ],
      "relations": [
        {
          "sentence": "Andrew Jackson (March 15, 1767‚ June 8, 1845) was an American soldier and statesman who served as the seventh President of the United States from 1829 to 1837 and was the founder of the Democratic Party."
        }
      ]
    }
  ]
}

Grenzwerte für Machine Learning-Modelle

Die Anzahl der Machine Learning-Modelle (ML), die Sie pro Serviceinstanz erstellen können, hängt vom Plantyp Discovery ab.

Für jedes Knowledge Studio-Modell für maschinelles Lernen beträgt die maximale Anzahl Entitäten, die erkannt werden können, 50.

Erweiterte Regelmodelle

Fügen Sie ein erweitertes Regelmodell hinzu, um ein Textextraktionsmodell, das im erweiterten Regeleditor von IBM Watson® Knowledge Studio erstellt und exportiert wurde, auf Ihre Objektgruppe anzuwenden.

Ihr Modell muss mit der entsprechenden Knowledge Studio-Bereitstellung erstellt werden:

• IBM Cloud Pak for DataIBM Software Hub Sie können Modelle hinzufügen, die an folgenden Orten erstellt und exportiert wurden:

  • IBM Watson® Knowledge Studio, das mit einer IBM Cloud Pak® for Data-Bereitstellung vor dem Release 4.5 erstellt wurde.
  • IBM Watson® Knowledge Studio, gehostet auf IBM Cloud
  • NLP Editor, der von Mitwirkenden des Zentrums für Open-Source-Daten-und KI-Technologien erstellt wird

• IBM Cloud Sie können Modelle hinzufügen, die mit einer IBM Watson® Knowledge Studio-Instanz erstellt wurden, die nur auf IBM Cloud gehostet wird.