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 d'extraction d'entités textuelles

Quand vous demandez une prédiction, Vertex AI renvoie les résultats en fonction de l'objectif du modèle. Les prédictions des modèles d'extraction d'entités renvoient pour chaque document des annotations telles que l'emplacement des entités détectées, les étiquettes attribuées et les scores de confiance.

Le score de confiance indique à quel point votre modèle a correctement identifié et étiqueté chaque entité. Plus le score est élevé, plus le niveau de confiance dans l'exactitude de la prédiction du modèle est élevé.

Exemple de résultat de prédiction par lot

L'exemple suivant est le résultat prédit pour un modèle d'extraction d'entités entraîné à détecter des maladies. Les décalages (décalages de début et de fin) spécifient l'emplacement où le modèle a détecté une entité dans le document, et le champ content indique l'entité détectée.

Les noms à afficher indiquent les étiquettes que le modèle a associé à chaque entité, par exemple SpecificDisease ou DiseaseClass. Les étiquettes correspondent aux segments de texte dans l'ordre.

{
  "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
    ]
  }
}

Get predictions