Użyj niestandardowego modelu klasyfikacji kategorii w Power Automate
Zaloguj się w Power Automate.
Wybierz pozycję Moje przepływy, a następnie wybierz nowy przepływ>Natychmiastowy przepływ w chmurze.
Nazwij przepływ, kliknij opcję Wyzwól przepływ ręcznie w sekcji Wybierz sposób wyzwalania tego przepływu, a następnie kliknij przycisk Utwórz.
Rozwiń okienko Wyzwól przepływ ręcznie, kliknij opcję +Dodaj dane wejściowe>Tekst jako typ danych wejściowych.
Zastąp wyraz Dane wejściowe tekstem Mój tekst (nazywany również tytułem).
Wybierz opcję + Nowy krok>AI Builder, a następnie wybierz pozycję Klasyfikuj tekst na kategorie za pomocą jednego z niestandardowych modeli z listy akcji.
Wybierz model klasyfikacji kategorii, którego chcesz użyć, a następnie w kolumnie Tekst dodaj Mój tekst z wyzwalacza.
W kolejnych akcjach można użyć dowolnych kolumn i tabel wyodrębnionych przez model narzędzia AI Builder.
Na poniższym przykładzie widać, jak zapisana jest każda Klasyfikacja i Współczynnik ufności na liście utworzonej za pomocą list Microsoft w programie SharePoint.
Gratulacje! Utworzono przepływ, który korzysta z modelu klasyfikacji kategorii AI Builder. Wybierz pozycję Zapisz w prawym górnym rogu, a następnie wybierz pozycję Test, aby wypróbować przepływ.
Parametry
Dane wejściowe
| Nazwisko | Wymagani | Typ | Opis | Wartości |
|---|---|---|---|---|
| Model AI | Tak | model | Model klasyfikacji kategorii przeznaczony do użycia w analizie | Wyszkolony i opublikowany model klasyfikacji kategorii |
| Tekst | Tak | string | Tekst do analizy | Zdania tekstowe |
| Język | Tak | string | Język tekstu do przeanalizowania | „Wykrywanie automatyczne” lub kod języka (np.: „pl”, „en”, „zh_chs”, „ru”) |
Dane wyjściowe
| Nazwa/nazwisko | Pisz | Opis | Wartości |
|---|---|---|---|
| Klasyfikacja | ciąg | Zidentyfikowana tabela | Problemy, uzupełnienie, obsługa klienta, dokumentacja, cena i fakturowanie, personel |
| Współczynnik ufności | liczba zmiennoprzecinkowa | Jaka jest ufność przewidywań tego modelu | Wartości w zakresie od 0 do 1. Wartości zbliżone do 1 wskazują większą pewność, że wyodrębniona wartość jest dokładna |