Envoyer une demande d’analyse des sentiments personnalisés à votre modèle personnalisé

Article
11/21/2024

Une fois le déploiement ajouté, vous pouvez interroger le déploiement pour extraire des entités de votre texte en fonction du modèle que vous avez affecté au déploiement. Vous pouvez interroger le déploiement par programmation à l’aide de l’API de prédiction ou au travers des bibliothèques clientes (kit de développement logiciel (SDK) Azure).

Tester un modèle d’analyse des sentiments personnalisés déployé

Vous pouvez utiliser Language Studio pour envoyer la tâche de reconnaissance d’entité personnalisée et visualiser les résultats.

Pour tester vos modèles déployés à partir de Language Studio :

Sélectionnez Test des déploiements dans le menu de gauche.
Sélectionnez le déploiement à tester. Vous pouvez uniquement tester les modèles qui sont attribués aux déploiements.
Pour les projets multilingues, dans la liste déroulante de langue, sélectionnez la langue du texte que vous testez.
Sélectionnez le déploiement à interroger/tester dans la liste déroulante.
Vous pouvez entrer le texte que vous souhaitez envoyer à la demande ou charger un fichier .txt à utiliser.
Sélectionnez Exécuter le test dans le menu supérieur.
Sous l’onglet Résultat, vous pouvez voir les entités extraites à partir de votre texte, et leurs types. Vous pouvez également voir la réponse JSON sous l’onglet JSON.

Envoyer une demande d’analyse des sentiments à votre modèle

Language Studio
REST API

Une fois la tâche de déploiement correctement effectuée, sélectionnez le déploiement à utiliser et, dans le menu supérieur, sélectionnez l’URL de prédiction Get.
Dans la fenêtre qui s’affiche, sous le pivot Envoyer, collez l’exemple d’URL de requête et de corps. Remplacez les valeurs d’espace réservé telles que YOUR_DOCUMENT_HERE et YOUR_DOCUMENT_LANGUAGE_HERE par le texte et la langue réels que vous souhaitez traiter.
Envoyez la demande POST cURL dans votre terminal ou invite de commandes. Si la demande a réussi, vous recevez une réponse 202 avec les résultats de l’API.
Dans l’en-tête de réponse que vous recevez, extrayez {JOB-ID} à partir de operation-location, au format : {ENDPOINT}/language/analyze-text/jobs/<JOB-ID}>
Revenez dans Language Studio, sélectionnez Récupérer dans la même fenêtre où vous avez obtenu l’exemple de demande précédemment et copiez l’exemple de demande dans un éditeur de texte.
Ajoutez votre ID de travail après /jobs/ à l’URL, en utilisant l’ID que vous avez extrait à l’étape précédente.
Envoyez la demande GET cURL dans votre terminal ou invite de commandes.

Tout d’abord, vous devez disposer de votre point de terminaison et de votre clé de ressource :

Accédez à la page de vue d’ensemble de votre ressource dans le portail Azure
Dans le menu de gauche, sélectionnez Clés et point de terminaison. Vous utiliserez le point de terminaison et la clé dans les demandes d’API

Envoyer une tâche d’analyse des sentiments personnalisée

Utilisez cette requête POST pour démarrer une tâche de classification de texte.

{ENDPOINT}/language/analyze-text/jobs?api-version={API-VERSION}

Espace réservé	Valeur	Exemple
`{ENDPOINT}`	Point de terminaison pour l’authentification de votre demande d’API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{API-VERSION}`	Version de l’API que vous appelez. La valeur référencée ici concerne la dernière version publiée.	`2023-04-15-preview`

headers

Clé	active
Ocp-Apim-Subscription-Key	Clé qui fournit l’accès à cette API.

body

{
  "displayName": "Detecting sentiment",
  "analysisInput": {
    "documents": [
      {
        "id": "1",
        "language": "{LANGUAGE-CODE}",
        "text": "Text1"
      },
      {
        "id": "2",
        "language": "{LANGUAGE-CODE}",
        "text": "Text2"
      }
    ]
  },
  "tasks": [
     {
      "kind": "CustomTextSentiment",
      "taskName": "Sentiment analysis",
      "parameters": {
        "projectName": "{PROJECT-NAME}",
        "deploymentName": "{DEPLOYMENT-NAME}"
      }
    }
  ]
}

Clé	Espace réservé	Valeur	Exemple
`displayName`	`{JOB-NAME}`	Nom de votre travail.	`MyJobName`
`documents`	[{},{}]	Liste des documents sur lesquels exécuter des tâches.	`[{},{}]`
`id`	`{DOC-ID}`	Nom ou ID du document.	`doc1`
`language`	`{LANGUAGE-CODE}`	Chaîne spécifiant le code de langue du document. Si cette clé n’est pas spécifiée, le service adoptera la langue par défaut du projet qui a été sélectionnée lors de la création du projet.	`en-us`
`text`	`{DOC-TEXT}`	Tâche de document sur laquelle exécuter les tâches.	`Lorem ipsum dolor sit amet`
`tasks`		Liste des tâches à effectuer.	`[]`
`taskName`	`CustomTextSentiment`	Nom de la tâche	`CustomTextSentiment`
`parameters`		Liste de paramètres à passer à la tâche.
`project-name`	`{PROJECT-NAME}`	Nom de votre projet. Cette valeur respecte la casse.	`myProject`
`deployment-name`	`{DEPLOYMENT-NAME}`	Nom de votre déploiement. Cette valeur respecte la casse.	`prod`

response

Vous recevez une réponse 202 indiquant que votre tâche a été envoyée avec succès. Dans les en-têtes de réponse, extrayez operation-location. operation-location est au format suivant :

{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}

Vous pouvez utiliser cette URL pour interroger l’état d’achèvement de la tâche et obtenir les résultats une fois la tâche terminée.

Obtenir les résultats de la tâche

Utilisez la demande GET suivante pour interroger l’état/les résultats de la tâche de reconnaissance d’entité personnalisée.

{ENDPOINT}/language/analyze-text/jobs/{JOB-ID}?api-version={API-VERSION}

Espace réservé	Valeur	Exemple
`{ENDPOINT}`	Point de terminaison pour l’authentification de votre demande d’API.	`https://<your-custom-subdomain>.cognitiveservices.azure.com`
`{API-VERSION}`	Version de l’API que vous appelez. La valeur référencée ici concerne la dernière version publiée.	`2023-04-15-preview`

headers

Clé	active
Ocp-Apim-Subscription-Key	Clé qui fournit l’accès à cette API.

Corps de la réponse

La réponse est un document JSON avec les paramètres suivants

{
  "createdDateTime": "2021-05-19T14:32:25.578Z",
  "displayName": "MyJobName",
  "expirationDateTime": "2021-05-19T14:32:25.578Z",
  "jobId": "xxxx-xxxx-xxxxx-xxxxx",
  "lastUpdateDateTime": "2021-05-19T14:32:25.578Z",
  "status": "succeeded",
  "tasks": {
    "completed": 1,
    "failed": 0,
    "inProgress": 0,
    "total": 1,
    "items": [
      {
        "kind": "EntityRecognitionLROResults",
        "taskName": "Recognize Entities",
        "lastUpdateDateTime": "2020-10-01T15:01:03Z",
        "status": "succeeded",
        "results": {
          "documents": [
            {
              "entities": [
                {
                  "category": "Event",
                  "confidenceScore": 0.61,
                  "length": 4,
                  "offset": 18,
                  "text": "trip"
                },
                {
                  "category": "Location",
                  "confidenceScore": 0.82,
                  "length": 7,
                  "offset": 26,
                  "subcategory": "GPE",
                  "text": "Seattle"
                },
                {
                  "category": "DateTime",
                  "confidenceScore": 0.8,
                  "length": 9,
                  "offset": 34,
                  "subcategory": "DateRange",
                  "text": "last week"
                }
              ],
              "id": "1",
              "warnings": []
            }
          ],
          "errors": [],
          "modelVersion": "2020-04-01"
        }
      }
    ]
  }
}

Étapes suivantes

Présentation de la fonctionnalité Analyse des sentiments

Partager via

Envoyer une demande d’analyse des sentiments personnalisés à votre modèle personnalisé

Tester un modèle d’analyse des sentiments personnalisés déployé

Envoyer une demande d’analyse des sentiments à votre modèle

Envoyer une tâche d’analyse des sentiments personnalisée

headers

body

response

Obtenir les résultats de la tâche

headers

Corps de la réponse

Étapes suivantes

Commentaires

Ressources supplémentaires