Exemple de modèle à base de règles

Par exemple, lorsqu'un modèle d'apprentissage automatique est appliqué pour enrichir un champ, il extrait tous les types d'entités de ce champ qui ont été spécifiés dans un modèle basé sur des règles d' Knowledge Studio. Si le modèle reconnaît des types d'entité tels que person, surname et job title, ils sont reconnus dans vos documents et étiquetés.

Dans la sortie, les informations extraites par l'enrichissement Machine Learning dans le tableau enriched_{field_name}, dans le tableau entities. Dans cet exemple, la zone sélectionnée pour l'enrichissement est 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."
      ]
    }
  ]
}

Par conséquent, si une personne utilise l'API pour soumettre une requête en langage de requête Discovery afin de rechercher les occurrences de l'enrichissement enriched_{field_name}.entities.type:jobtitle, tous les passages qui traitent de la fonction d'une personne sont renvoyés.

Exemple de modèle d'apprentissage automatique

Dans cet exemple, un modèle d'apprentissage automatique extrait des types d'entité tels que person, oranization et date, ainsi que des informations sur les relations entre les entités. Lorsque ce modèle d'apprentissage automatique est appliqué pour enrichir un champ, il utilise l'apprentissage automatique pour comprendre les nuances linguistiques, le sens et les relations qui sont mentionnés dans le document.

Dans la sortie, les informations extraites par l'enrichissement Machine Learning dans le tableau enriched_{field_name}, dans les tableaux entities et relations. Dans cet exemple, la zone sélectionnée pour l'enrichissement est 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."
        }
      ]
    }
  ]
}

Limites du modèle d'apprentissage automatique

Le nombre de modèles Machine Learning (ML) que vous pouvez créer par instance de service dépend de votre type de plan Discovery.

Pour chaque modèle d'apprentissage automatique Knowledge Studio, le nombre maximal d'entités pouvant être détectées est de 50.

Modèles de règles avancées

Ajoutez un modèle de règles avancées pour appliquer à votre collection un modèle d'extraction de texte créé et exporté à partir de l'éditeur de règles avancées de IBM Watson® Knowledge Studio.

Votre modèle doit être créé avec le déploiement Knowledge Studio approprié:

• IBM Cloud Pak for Data vous pouvez ajouter des modèles qui ont été créés et exportés à partir des emplacements suivants IBM Software Hub Vous pouvez ajouter des modèles qui ont été créés et exportés à partir des emplacements suivants :

  • IBM Watson® Knowledge Studio qui a été généré avec un déploiement IBM Cloud Pak® for Data antérieur à l'édition 4.5.
  • IBM Watson® Knowledge Studio hébergé sur IBM Cloud
  • Editeur NLP créé par les contributeurs au Center for Open-source Data & AI Technologies

• IBM Cloud Vous pouvez ajouter des modèles qui ont été créés avec une instance IBM Watson® Knowledge Studio hébergée sur IBM Cloud uniquement.