말뭉치 추가 요청 모니터링

말뭉치가 유효한 경우 서비스에서 201 응답 코드를 리턴합니다. 그런 다음 비동기적으로 말뭉치의 컨텐츠를 처리합니다. 서비스가 현재 요청에 대한 말뭉치의 분석을 완료할 때까지 사용자 정의 모델에 데이터를 추가하거나 모델을 훈련하는 요청을 제출할 수 없습니다.

분석의 상태를 판별하려면 GET /v1/customizations/{customization_id}/corpora/{corpus_name} 메소드를 사용하여 말뭉치의 상태를 폴링하십시오. 다음 예제에 표시된 대로 이 메소드는 모델의 ID 및 말뭉치의 이름을 받아들입니다.

IBM Cloud

curl -X GET -u "apikey:{apikey}" \
"{url}/v1/customizations/{customization_id}/corpora/corpus1"

IBM Cloud Pak for Data IBM Software Hub

curl -X GET \
--header "Authorization: Bearer {token}" \
"{url}/v1/customizations/{customization_id}/corpora/corpus1"

응답은 말뭉치의 상태를 포함합니다. 사용자 정의 모델은 이전 세대 모델을 기반으로 하므로, 응답은 OOV 단어의 수를 표시합니다.

{
  "name": "corpus1",
  "total_words": 5037,
  "out_of_vocabulary_words": 401,
  "status": "analyzed"
}

status 필드의 값은 다음 중 하나입니다.

• analyzed는 서비스가 말뭉치를 성공적으로 분석했음을 표시합니다.
• being_processed는 서비스가 말뭉치를 여전히 분석 중임을 표시합니다.
• undetermined는 서비스가 말뭉치를 처리하는 동안 오류가 발생했음을 표시합니다.

루프를 사용하여 analyzed가 될 때까지 10초마다 말뭉치의 상태를 확인할 수 있습니다. 모델의 말뭉치 상태 확인에 대한 자세한 정보는 사용자 정의 언어 모델의 말뭉치 나열을 참조하십시오.

POST 메소드를 사용하여 단어 추가

POST /v1/customizations/{customization_id}/words 방법은 한 번에 한 단어 이상을 추가합니다. 요청의 본문을 통해 또는 파일에서 JSON 데이터로 추가될 단어를 전달합니다. 두 경우 모두, 필수 헤더인 ' Content-Type '는 JSON 데이터가 메서드로 전달되고 있음을 나타냅니다.

다음 예는 지정된 ID를 가진 사용자 지정 모델에 두 개의 사용자 지정 단어인 HHonors 와 IEEE 를 추가합니다

• 첫 번째 예제는 요청의 본문을 통해 각 단어에 대한 정보를 전달합니다.

  IBM Cloud

  curl -X POST -u "apikey:{apikey}" \
  --header "Content-Type: application/json" \
  --data "{\"words\": [ \
     {\"word\": \"HHonors\", \"sounds_like\": [\"hilton honors\", \"H. honors\"], \"display_as\": \"HHonors\"}, \
     {\"word\": \"IEEE\", \"sounds_like\": [\"I. triple E.\"]}]}" \
  "{url}/v1/customizations/{customization_id}/words"
  

  IBM Cloud Pak for Data IBM Software Hub

  curl -X POST \
  --header "Authorization: Bearer {token}" \
  --header "Content-Type: application/json" \
  --data "{\"words\": [ \
    {\"word\": \"HHonors\", \"sounds_like\": [\"hilton honors\", \"H. honors\"], \"display_as\": \"HHonors\"}, \
    {\"word\": \"IEEE\", \"sounds_like\": [\"I. triple E.\"]}]}" \
  "{url}/v1/customizations/{customization_id}/words"
  

• 두 번째 예제는 words.json 파일에서 동일한 단어를 추가합니다.

  {
    "words": [
      {"word": "HHonors", "sounds_like": ["hilton honors", "H. honors"], "display_as": "HHonors"},
      {"word": "IEEE", "sounds_like": ["I. triple E."]}
    ]
  }
  

  다음 요청은 파일에서 단어를 추가합니다:

  IBM Cloud

  curl -X POST -u "apikey:{apikey}" \
  --header "Content-Type: application/json" \
  --data-binary @words.json \
  "{url}/v1/customizations/{customization_id}/words"
  

  IBM Cloud Pak for Data IBM Software Hub

  curl -X POST \
  --header "Authorization: Bearer {token}" \
  --header "Content-Type: application/json" \
  --data-binary @words.json \
  "{url}/v1/customizations/{customization_id}/words"
  

POST 는 비동기식입니다. 이를 완료하는 데는 몇 분 정도 소요될 수 있습니다. 완료하는 데 걸리는 시간은 추가하는 단어의 수와 서비스의 현재 로드에 따라 다릅니다. 오퍼레이션의 상태를 확인하는 방법에 대한 자세한 정보는 단어 추가 요청 모니터링을 참조하십시오.

PUT 메소드를 사용하여 단어 추가

PUT /v1/customizations/{customization_id}/words/{word_name} 메소드는 개별 단어를 추가합니다. 단어에 대한 정보를 제공하는 JSON 객체를 요청의 본문에 전달합니다.

다음 예제에서는 지정된 ID를 사용하는 모델에 NCAA라는 단어를 추가합니다. Content-Type 헤더가 다시 표시되면 JSON 데이터가 메서드로 전달되고 있음을 나타냅니다.

IBM Cloud

curl -X PUT -u "apikey:{apikey}" \
--header "Content-Type: application/json" \
--data "{\"sounds_like\": [\"N. C. A. A.\", \"N. C. double A.\"]}" \
"{url}/v1/customizations/{customization_id}/words/NCAA"

IBM Cloud Pak for Data IBM Software Hub

curl -X PUT \
--header "Authorization: Bearer {token}" \
--header "Content-Type: application/json" \
--data "{\"sounds_like\": [\"N. C. A. A.\", \"N. C. double A.\"]}" \
"{url}/v1/customizations/{customization_id}/words/NCAA"

PUT 의 방법은 동기적입니다. 이 서비스는 요청의 성공 또는 실패를 즉시 보고하는 응답 코드를 리턴합니다.

단어 추가 요청 모니터링

POST /v1/customizations/{customization_id}/words 메소드를 사용할 때 입력 데이터가 유효한 경우 서비스에서 201 응답 코드를 리턴합니다. 그런 다음 단어를 비동기식으로 처리하여 모델에 추가합니다. 서비스에서 새 단어 추가 요청을 완료할 때까지 사용자 정의 모델에 데이터를 추가하거나 모델을 훈련하는 요청을 제출할 수 없습니다.

요청의 상태를 판별하려면 GET /v1/customizations/{customization_id} 메소드를 사용하여 모델의 상태를 폴링하십시오. 이 메소드는 다음 예와 같이 모델의 사용자 정의 ID를 입력받습니다.

IBM Cloud

curl -X GET -u "apikey:{apikey}" \
"{url}/v1/customizations/{customization_id}"

IBM Cloud Pak for Data IBM Software Hub

curl -X GET \
--header "Authorization: Bearer {token}" \
"{url}/v1/customizations/{customization_id}"

요청은 모델의 상태에 대한 정보를 포함합니다.

{
  "customization_id": "74f4807e-b5ff-4866-824e-6bba1a84fe96",
  "created": "2016-06-01T18:42:25.324Z",
  "updated": "2016-06-01T18:45:11.737Z",
  "language": "en-US",
  "dialect": "en-US",
  "owner": "297cfd08-330a-22ba-93ce-1a73f454dd98",
  "name": "Example model",
  "description": "Example custom language model",
  "base_model_name": "en-US_BroadbandModel",
  "status": "pending",
  "progress": 0
}

status 필드는 모델의 현재 상태를 보고합니다. 서비스가 새 단어를 처리하는 동안 상태는 pending으로 남아 있습니다. 루프를 사용하여 오퍼레이션이 완료되었음을 표시하는 ready가 될 때까지 10초마다 상태를 확인할 수 있습니다. 가능한 status 값에 대한 자세한 정보는 모델 훈련 요청 모니터링을 참조하십시오.

사용자 정의 모델의 단어 수정

POST /v1/customizations/{customization_id}/words 및 PUT /v1/customizations/{customization_id}/words/{word_name} 메소드를 사용하여 사용자 정의 모델의 단어를 수정하거나 기능을 보강할 수 있습니다. 이러한 메소드를 사용하여 단어가 모델에 추가될 때 발생한 철자 오류 또는 기타 오류를 정정해야 할 수도 있습니다. 기존 단어에 대해 동음어 정의를 추가해야 할 수도 있습니다.

이러한 메소드를 사용하여 단어를 추가할 때와 마찬가지로 기존 단어의 정의를 수정할 수 있습니다. 단어에 대해 제공하는 새 데이터가 단어의 기존 정의를 겹쳐씁니다. 이전 세대 모델을 기반으로 하는 사용자 정의 모델의 경우 말뭉치에서 추가된 단어도 수정할 수 있습니다.

모델 훈련 요청 모니터링

훈련 프로세스가 성공적으로 시작되면 서비스에서 200 응답 코드를 리턴합니다. 기존 요청이 완료되어야 서비스가 후속 훈련 요청 또는 새 말뭉치, 단어 또는 문법을 추가하는 요청을 수락할 수 있습니다.

사용자 정의 언어 모델에 단어 추가 에 설명된 대로 대형 음성 모델 또는 차세대 모델을 기반으로 하는 사용자 정의 모델에 직접 사용자 정의 단어를 추가하면 모델의 훈련이 그렇지 않은 경우보다 몇 분 더 오래 걸립니다. POST /v1/customizations/{customization_id}/words 또는 PUT /v1/customizations/{customization_id}/words/{word_name} 메소드를 사용하여 추가한 사용자 정의 단어를 사용하여 모델을 훈련하는 경우 모델에 대해 몇 분의 추가 훈련 시간을 허용하십시오.

훈련 요청의 상태를 판별하려면 GET /v1/customizations/{customization_id} 메소드를 사용하여 모델의 상태를 폴링하십시오. 이 메소드는 모델의 사용자 정의 ID를 입력받습니다.

IBM Cloud

curl -X GET -u "apikey:{apikey}" \
"{url}/v1/customizations/{customization_id}"

IBM Cloud Pak for Data IBM Software Hub

curl -X GET \
--header "Authorization: Bearer {token}" \
"{url}/v1/customizations/{customization_id}"

응답에는 모델의 상태에 대한 정보가 포함됩니다

{
  "customization_id": "74f4807e-b5ff-4866-824e-6bba1a84fe96",
  "created": "2016-06-01T18:42:25.324Z",
  "updated": "2016-06-01T18:45:11.737Z",
  "language": "en-US",
  "dialect": "en-US",
  "owner": "297cfd08-330a-22ba-93ce-1a73f454dd98",
  "name": "Example model",
  "description": "Example custom language model",
  "base_model_name": "en-US_BroadbandModel",
  "status": "training",
  "progress": 0
}

응답에는 사용자 정의 모델의 상태를 보고하는 status 및 progress 필드가 포함되어 있습니다. progress 필드의 의미는 모델의 상태에 따라 다릅니다. status 필드의 값은 다음 중 하나일 수 있습니다.

• pending은 모델이 작성되었지만 올바른 훈련 데이터가 추가되거나 서비스가 추가된 데이터의 분석을 완료할 때까지 대기 중임을 표시합니다. progress 필드는 0입니다.

• ready는 모델이 올바른 데이터를 포함하고 있으며 훈련될 준비가 되었음을 표시합니다. progress 필드는 0입니다.

  모델이 올바른 오디오 리소스와 올바르지 않은 리소스를 함께 포함하는 경우(예를 들어, 올바른 사용자 정의 단어 및 올바르지 않은 사용자 정의 단어 모두) strict 조회 매개변수를 false로 설정하지 않으면 모델 훈련에 실패합니다. 자세한 정보는 사용자 정의 언어 모델의 훈련 실패를 참조하십시오.

• training은 모델을 훈련 중임을 표시합니다. progress 필드는 0입니다. 훈련이 완료되면 필드가 0에서 100(으)로 변경됩니다.

• available은 모델이 훈련되었으며 사용할 준비가 되었음을 표시합니다. progress 필드는 100입니다.

• upgrading은 모델을 업그레이드 중임을 표시합니다. progress 필드는 0입니다.

• failed는 모델의 훈련이 실패했음을 표시합니다. progress 필드는 0입니다. 자세한 정보는 사용자 정의 언어 모델의 훈련 실패를 참조하십시오.

루프를 사용하여 available이 될 때까지 10초마다 상태를 확인할 수 있습니다. 사용자 정의 모델의 상태를 확인하는 방법에 대한 자세한 정보는 사용자 정의 언어 모델 나열을 참조하십시오.

사용자 정의 언어 모델의 훈련 실패

서비스가 사용자 정의 언어 모델에 대한 다른 요청을 처리 중인 경우 훈련을 시작하는 데 실패합니다. 예를 들어, 서비스가 다음을 수행 중인 경우 409의 상태 코드와 함께 훈련 요청을 시작하는 데 실패합니다.

• OOV 단어의 목록을 생성하거나 문자 시퀀스를 추출하기 위한 말뭉치 또는 문법 처리
• 유사 발음의 유효성을 검증하거나 자동 생성하기 위한 사용자 정의 단어 처리
• 다른 훈련 요청 처리

사용자 정의 모델이 다음을 수행 중인 경우에도 400의 상태 코드와 함께 훈련을 시작하는 데 실패합니다.

• 작성되거나 마지막으로 훈련된 이후 유효한 새 학습 데이터(말뭉치, 단어 또는 문법)를 포함하지 않습니다.
• 하나 이상의 유효하지 않은 말뭉치, 단어 또는 문법(예: 사용자 정의 단어에 올바르지 않은 유사 발음이 있음)을 포함합니다.

훈련 요청이 400의 상태 코드와 함께 실패하는 경우 서비스는 사용자 정의 모델의 상태를 failed로 설정합니다. 다음 조치 중 하나를 수행하십시오.

• 사용자 정의 인터페이스의 메소드를 사용하여 모델의 리소스를 검사하고 발견한 오류를 수정하십시오.

  • 올바르지 않은 말뭉치의 경우 말뭉치 텍스트 파일을 정정하고 allow_overwrite 메소드의 POST /v1/customizations/{customization_id}/corpora/{corpus_name} 매개변수를 사용하여 정정된 파일을 모델에 추가할 수 있습니다. 자세한 정보는 사용자 정의 언어 모델에 말뭉치 추가를 참조하십시오.
  • 올바르지 않은 문법의 경우 문법 파일을 정정하고 allow_overwrite 메소드의 POST /v1/customizations/{customization_id}/grammars/{grammar_name} 매개변수를 사용하여 정정된 파일을 모델에 추가할 수 있습니다. 자세한 정보는 사용자 정의 언어 모델에 문법 추가를 참조하십시오.
  • 올바르지 않은 사용자 정의 단어의 경우 POST /v1/customizations/{customization_id}/words 또는 PUT /v1/customizations/{customization_id}/words/{word_name} 메소드를 사용하여 모델의 단어 리소스에서 단어를 직접 수정할 수 있습니다. 자세한 정보는 사용자 정의 모델의 단어 수정을 참조하십시오.

  사용자 정의 언어 모델에서 단어의 유효성을 검증하는 데 관한 자세한 정보는 다음을 참조하십시오.

  • 이전 세대 모델의 단어 리소스 유효성 검증
  • 대형 음성 모델 및 차세대 모델에 대한 단어 자원 유효성 검증.

• 훈련에서 올바르지 않은 리소스를 제외하려면 strict 메소드의 POST /v1/customizations/{customization_id}/train 매개변수를 false로 설정하십시오. 훈련이 성공하려면 모델에는 하나 이상의 올바른 리소스(말뭉치, 단어 또는 문법)가 포함되어야 합니다. strict 매개변수는 올바른 오디오 리소스와 올바르지 않는 리소스가 함께 포함된 사용자 정의 모델을 훈련시키는 데 유용합니다.