Essayez les modèles Gemini 1.5, les derniers modèles multimodaux de Vertex AI, et découvrez ce que vous pouvez créer avec une fenêtre de contexte pouvant comprendre jusqu'à deux millions de jetons. Essayez les modèles Gemini 1.5, les derniers modèles multimodaux de Vertex AI, et découvrez ce que vous pouvez créer avec une fenêtre de contexte pouvant comprendre jusqu'à deux millions de jetons.

Interpréter les résultats des prédictions à partir de modèles de classification de texte

Quand vous demandez une prédiction, Vertex AI renvoie les résultats en fonction de l'objectif du modèle. Les prédictions des modèles de classification multi-étiquette renvoient une ou plusieurs étiquettes pour chaque document, ainsi qu'un score de confiance pour chaque étiquette. Pour les modèles de classification par étiquette unique, les prédictions ne renvoient qu'une seule étiquette et un seul score de confiance par document.

Le score de confiance indique à quel point votre modèle associe chaque classe ou étiquette à un élément de test. Plus le score est élevé, plus le modèle a de chances d'appliquer l'étiquette à cet élément. C'est vous qui décidez du seuil de confiance auquel vous acceptez les résultats du modèle.

Curseur du seuil de score

Dans la console Google Cloud, Vertex AI fournit un curseur permettant d'ajuster le seuil de confiance pour toutes les classes ou étiquettes, ou une classe ou une étiquette individuelle. Le curseur est disponible sur la page des détails du modèle dans l'onglet Évaluation. Le seuil de confiance est le niveau de confiance minimum pour que le modèle attribue une classe ou une étiquette à un élément de test. Lorsque vous ajustez le seuil, vous pouvez voir comment les valeurs de précision et de rappel de votre modèle changent. Les seuils plus élevés augmentent généralement la précision et abaissent le rappel.

Exemple de résultat de prédiction par lot

L'exemple suivant est le résultat prédit pour un modèle de classification multi-étiquette. Le modèle a appliqué les étiquettes GreatService, Suggestion et InfoRequest au document envoyé. Les valeurs de confiance s'appliquent à chacune des étiquettes dans l'ordre. Dans cet exemple, le modèle a prédit l'étiquette GreatService comme étant la plus pertinente.

{
  "instance": {"content": "gs://bucket/text.txt", "mimeType": "text/plain"},
  "predictions": [
    {
      "ids": [
        "1234567890123456789",
        "2234567890123456789",
        "3234567890123456789"
      ],
      "displayNames": [
        "GreatService",
        "Suggestion",
        "InfoRequest"
      ],
      "confidences": [
        0.8986392080783844,
        0.81984345316886902,
        0.7722353458404541
      ]
    }
  ]
}

Get predictions