學習目標

完成指導教學時，您將學習如何使用下列範例應用程式:

• Regex: 針對使用正規表示式的實體擷取、文件分類及句子分類
• Granite：使用 watsonx.ai Granite 模型從電子郵件中抽取實體
• Slate: 針對具有 watsonx.ai Slate 模型的實體擷取，該模型使用從 Watson Discovery的實體擷取程式工作區匯出的含標籤資料進行細部調整。

Regex-使用正規表示式的實體擷取、文件分類及句子分類

在此範例中，我們使用 IBM Cloud Code Engine 作為基礎架構環境，以套用 Webhook 強化。 不過，您可以在任何其他環境中部署應用程式。

1. 將 Webhook 強化應用程式部署至 IBM Cloud Code Engine。

   1. 在 IBM Cloud Code Engine 中建立專案。 如需相關資訊，請參閱 建立專案。

   2. 在專案中建立秘密。 如需相關資訊，請參閱 建立密鑰。

      此密鑰必須包含下列鍵值組:

      • WD_API_URL:您的 Discovery 範例的 API 端點 URL。
      • WD_API_KEY: Discovery 實例的 API 金鑰。
      • WEBHOOK_SECRET: 與要求一起傳遞的金鑰，可用來向應用程式進行鑑別。 例如，purple_unicorn。

   3. 從範例儲存庫原始碼部署應用程式。 如需相關資訊，請參閱 從儲存庫原始碼部署應用程式。

      在 建立應用程式中，按一下 指定建置詳細資料，然後輸入這些詳細資料。

      • 對於來源，請指定:

        • 代碼倉庫 URL: URL 的示例代碼倉庫 Discovery doc-tutorial-downloads 頁面
        • 程式碼 repo 存取：None
        • 分公司名稱： master
        • 環境定義目錄: discovery-data/webhook-enrichment-sample/regex

      • strategy: Dockerfile

      • 輸出: 輸入容器映像檔登錄資訊

      • 開啟 環境變數 (選用)，並新增下列環境變數:

        • 定義為: Reference to full secret
        • 密鑰: 您在前一個步驟中於專案中建立的密鑰名稱

      您可以將 實例數下限 設為 1。

   4. 確保應用程式狀態變更為 備妥。

2. 配置 Discovery Webhook 強化。 如需詳細資訊，請參閱 設定 webhook 增強。

3. 將文件汲取至 Discovery 並查看結果。

   1. 將 nhtsa.csv 從 Discovery doc-tutorial-downloads 上傳至集合。
   2. 在文件處理完成之後，透過預覽查詢結果來尋找 Webhook 強化結果。

Granite- Entity Extraction by using a foundation model of watsonx.ai

在這個範例中，我們使用 watsonx.ai Granite 模型從電子郵件中抽取實體。 我們使用 IBM Cloud Code Engine 作為應用 webhook enrichment 的基礎架構環境。 不過，您可以在任何其他環境中部署應用程式。

1. 將 Webhook 強化應用程式部署至 IBM Cloud Code Engine。

   1. 在 IBM Cloud Code Engine 中建立專案。 如需相關資訊，請參閱 建立專案。

   2. 在專案中建立秘密。 如需相關資訊，請參閱 建立密鑰。

      此密鑰必須包含下列鍵值組:

      • WD_API_URL:您的 Discovery 範例的 API 端點 URL。
      • WD_API_KEY: Discovery 實例的 API 金鑰。
      • WEBHOOK_SECRET: 與要求一起傳遞的金鑰，可用來向應用程式進行鑑別。 例如，purple_unicorn。
      • IBM_CLOUD_API_KEY: IBM Cloud的 API 金鑰。 它用來存取 Watson Machine Learning API。
      • WML_ENDPOINT_URL:您的 API 端點 URL Watson Machine Learning。 如需詳細資訊，請參閱 Machine Learning 文件。
      • WML_INSTANCE_CRN: Watson Machine Learning 實例的 CRN。 您可以使用 ibmcloud 指令來尋找實例及 CRN: ibmcloud resources。

   3. 從範例儲存庫原始碼部署應用程式。 如需相關資訊，請參閱 從儲存庫原始碼部署應用程式。

      在 建立應用程式中，按一下 指定建置詳細資料，然後輸入這些詳細資料。

      • 對於來源，請指定:

        • 代碼倉庫 URL: URL 的示例代碼倉庫 Discovery doc-tutorial-downloads 頁面
        • 程式碼 repo 存取：None
        • 分公司名稱： master
        • 環境定義目錄: discovery-data/webhook-enrichment-sample/granite

      • strategy: Dockerfile

      • 輸出: 輸入容器映像檔登錄資訊

      • 開啟 環境變數 (選用)，並新增下列環境變數:

        • 定義為: Reference to full secret
        • 密鑰: 您在前一個步驟中於專案中建立的密鑰名稱

      您可以將 實例數下限 設為 1。

   4. 確保應用程式狀態變更為 備妥。

2. 配置 Discovery Webhook 強化。 如需詳細資訊，請參閱 設定 webhook 增強。

3. 將文件汲取至 Discovery 並查看結果。

   1. 將 email.txt 從 Discovery doc-tutorial-downloads 上傳至集合。
   2. 在文件處理完成之後，透過預覽查詢結果來尋找 Webhook 強化結果。

使用 Watsonx.ai 使用 Watson Discovery之實體擷取程式工作區中匯出的含標籤資料進行細部調整的 Slack-實體擷取模型。

對於非生成性使用案例，石板模型具有最佳成本效能權衡。 為了進行細部調整，它需要作業特定的標示資料。 您可以在 Watson Discovery中準備含標籤的資料，在 Watson Studio中細部調整 Slate 模型，然後在 Watson Machine Learning中部署模型。 部署微調模型之後，您可以建立 Webhook 強化，以在 Watson Discovery中使用該模型來強化文件。

1. 在 Watson Discovery中準備含標籤的資料。

   1. 建立實體擷取程式工作區及標籤資料。 如需相關資訊，請參閱 定義自訂實體。

   2. 從實體擷取程式工作區下載標示的資料。 如需相關資訊，請參閱 匯出實體擷取程式的標示資料。

      在本指導教學中，您可以在後續步驟中使用來自 Discovery doc-tutorial-downloads 的範例 labled 資料。

2. 細部調整 Watson Studio 中的石板模型，並將模型部署至 Watson Machine Learning。

   1. 在 Watson Studio 中建立專案。 如需相關資訊，請參閱 建立專案。

   2. 在 Watson Machine Learning中建立部署空間。 如需相關資訊，請參閱 建立部署空間

   3. 在專案中建立環境範本。 如需相關資訊，請參閱 建立環境範本。 您可以使用下列選項來建立:

      • 類型：Default
      • 硬體配置
        • 保留 vCPU: 2
        • 保留 RAM (GB): 8
      • 軟體版本: Python 3.10 上的執行時期 23.1

   4. 使用環境範本作為 Notebook 檔案中的執行時期，在專案中建立 Notebook。 如需建立 Notebook 的相關資訊，請參閱 建立 Notebook。 記事本檔案位於 Discovery doc-tutorial-downloads。

   5. 在記事本中上傳含標籤的資料。 如需相關資訊，請參閱 從本端檔案載入資料。

   6. 逐步執行 Notebook 並取代特定變數，以微調並部署 Slate 模型。

3. 將 Webhook 強化應用程式部署至 IBM Cloud Code Engine。

   1. 在 IBM Cloud Code Engine 中建立專案。 如需相關資訊，請參閱 建立專案。

   2. 在專案中建立秘密。 如需相關資訊，請參閱 建立密鑰。

      此密鑰必須包含下列鍵值組:

      • WD_API_URL:您的 Discovery 範例的 API 端點 URL。
      • WD_API_KEY: Discovery 實例的 API 金鑰。
      • WEBHOOK_SECRET: 與要求一起傳遞的金鑰，可用來向應用程式進行鑑別。 例如，purple_unicorn。
      • SCORING_API_HOSTNAME: Watson Machine Learning 評分部署的 API 主機名稱，用於為您提供細部調整的石板模型。
      • SCORING_DEPLOYMENT_ID: Watson Machine Learning 評分部署的 ID，用於為您提供細部調整的石板模型。
      • SCORING_API_TOKEN: 在載送授權中使用的 API 記號，用於使用 Watson Machine Learning 評分部署，以提供微調的 Slate 模型。 您可以使用下列指令取得代用幣：

      curl -X POST {auth} \
      SCORING_API_TOKEN=$(
      curl -k -X POST 'https://{hostname of your cp4d instance}/icp4d-api/v1/authorize' \
                      --header "Content-Type: application/json"
                      -d "{\"username\":\"admin\",\"api_key\":\"{api key of your cp4d instance}\"}" \
      | jq .token
      )
      

4. 從範例儲存庫原始碼部署應用程式。 如需相關資訊，請參閱 從儲存庫原始碼部署應用程式。

   1. 在 建立應用程式中，按一下 指定建置詳細資料，然後輸入這些詳細資料。

      • 對於來源，請指定:

        • 代碼倉庫 URL: URL 的示例代碼倉庫 Discovery doc-tutorial-downloads 頁面
        • 程式碼 repo 存取：None
        • 分公司名稱： master
        • 環境定義目錄: discovery-data/webhook-enrichment-sample/slate

      • strategy: Dockerfile

      • 輸出: 輸入容器映像檔登錄資訊

      • 開啟 環境變數 (選用)，並新增下列環境變數:

        • 定義為: Reference to full secret
        • 密鑰: 您在前一個步驟中於專案中建立的密鑰名稱

      您可以將 實例數下限 設為 1。

   2. 確保應用程式狀態變更為 備妥。

5. 配置 Discovery Webhook 強化。 如需詳細資訊，請參閱 設定 webhook 增強。

6. 將文件汲取至 Discovery 並查看結果。

   1. 將年度報告頁面從 Discovery doc-tutorial-downloads 上傳至集合。
   2. 在文件處理完成之後，透過預覽查詢結果來尋找 Webhook 強化結果。