Interpretar resultados de previsão de modelos de extração de entidades de texto

A partir de 15 de setembro de 2024, só será possível personalizar a classificação, a extração de entidades, e os objetivos de análise de sentimento por meio da migração para os comandos e os ajustes do Vertex AI Gemini. O treinamento ou atualização de modelos do AutoML na Vertex AI para classificação de texto, extração de entidades e objetivos de análise de sentimento não estarão mais disponíveis. É possível continuar usando os modelos de AutoML Text na Vertex AI até 15 de junho de 2025. Para uma comparação entre o AutoML Text e o Gemini, consulte Gemini para usuários de texto do AutoML. Para mais informações sobre como o Gemini oferece uma experiência do usuário aprimorada com recursos aprimorados de comandos, consulte Introdução aos ajustes. Para começar a ajustar, consulte Ajuste de modelos de texto do Gemini

.

Depois de solicitar uma previsão, a Vertex AI retorna resultados com base no objetivo do modelo. As previsões de modelos de extração de entidades retornam anotações para cada documento, como o local das entidades detectadas, os rótulos atribuídos e as pontuações de confiança.

A confiança informa o nível de confiança e precisão com que o modelo identificou e rotulou cada entidade. Quanto maior o número, maior a confiança do modelo na exatidão da previsão.

Exemplo de saída de previsão em lote

A amostra a seguir é o resultado previsto para um modelo de extração de entidade que foi treinado para detectar doenças. Os deslocamentos (ajustes de caractere inicial e final) especificam o local em que o modelo detectou uma entidade no documento, e o campo content mostra a entidade detectada.

Os nomes de exibição mostram os rótulos que o modelo associou a cada entidade, como SpecificDisease ou DiseaseClass. Os rótulos são associados aos segmentos de texto em ordem.

Observação: o exemplo a seguir de JSON Lines inclui quebras de linha para facilitar a leitura. Nos arquivos JSON Lines, as quebras de linha são incluídas somente após cada objeto JSON.

{
  "key": 1,
  "predictions": {
    "ids": [
      "1234567890123456789",
      "2234567890123456789",
      "3234567890123456789"
    ],
    "displayNames": [
      "SpecificDisease",
      "DiseaseClass",
      "SpecificDisease"
    ],
    "textSegmentStartOffsets":  [13, 40, 57],
    "textSegmentEndOffsets": [29, 51, 75],
    "confidences": [
      0.99959725141525269,
      0.99912621492484128,
      0.99935531616210938
    ]
  }
}