Verwenden von benutzerdefinierter NER mit kontinuierlichem Lernen

Hintergrundinformationen

Dieses Beispiel wird dazu verwendet, um Chemikalien nach der Kategorie zu extrahieren, die in der Forschungsarbeit erwähnt wird. Mit dem folgenden Verfahren extrahieren Sie die Chemikalien und kategorisieren sie als ABKÜRZUNG, FAMILIE, FORMEL, IDENTIFIZIERER, MEHRFACH, SYSTEMATISCH, TRIVIAL und NO_CLASS.

Voraussetzungen

This procedure uses the Custom Named Entity Recognition package. For more information on how this package works and what it can be used for, see Custom Named Entity Recognition.

Für dieses Verfahren haben wir Beispieldateien wie folgt bereitgestellt:

• Pre-labeled training dataset in CoNLL format. You can download it from here.

• Pre-labeled test dataset. You can download it from here.

• Sample workflow for extracting categories of chemicals mentioned in research papers. You can download it from here.

  Hinweis:

  Stellen Sie sicher, dass die folgenden Variablen in der Beispieldatei ausgefüllt sind:

  • in_emailAdress – die E-Mail-Adresse, der die Action Center-Aufgabe zugewiesen wird
  • in_MLSkillEndpoint – Öffentlicher Endpunkt der ML-Fähigkeit
  • in_MLSkillAPIKey – API-Schlüssel der ML-Fähigkeit
  • in_labelStudioEndpoint – Optional, um kontinuierliche Beschriftung zu aktivieren: Import-URL eines Label-Studio-Projekts angeben

Verfahren

Gehen Sie wie folgt vor, um Chemikalien nach ihrer Kategorie aus Forschungsarbeiten zu extrahieren.

1. Import the sample dataset in AI Center by going to the Datasets menu and uploading the train and test folder from the sample.
2. Wählen Sie das gewünschte benutzerdefinierte NER-Paket unter ML-Pakete > Sofort einsetzbare Pakete > UiPath Sprachanalyse aus und erstellen Sie es.
3. Wechseln Sie zum Menü Pipelines und erstellen Sie eine neue, vollständige Pipelineausführung für das Paket, das im vorherigen Schritt erstellt wurde. Verweisen Sie auf das Trainings- und das Test-Dataset, die in der Beispieldatei zur Verfügung gestellt werden.
4. Erstellen Sie eine neue ML-Fähigkeit mithilfe des Pakets, das von der Pipelineausführung aus dem vorherigen Schritt generiert wurde, und stellen Sie sie bereit.
5. Once the skill is deployed, leverage it in the UiPath Studio workflow provided. To enable capturing data with weak predictions, deploy a Label Studio instance and provide the instance URL and API key in the Label Studio activity in the workflow.

Erste Schritte mit Label Studio

Befolgen Sie die Anweisungen unten, um mit Label Studio zu beginnen und Daten zum AI Center zu exportieren.

1. Install Label Studio on your local machine or cloud instance. To do so, follow the instructions from here.

2. Erstellen Sie ein neues Projekt aus der benannten Entitätserkennungsvorlage und definieren Sie Ihre Labelnamen.

   

3. Stellen Sie sicher, dass die Labelnamen keine Sonderzeichen oder Leerzeichen enthalten . Verwenden Sie beispielsweise anstelle von Set Date SetDate.

4. Stellen Sie sicher, dass der Wert des <Text>-Tags "$text" ist.

   

5. Upload the data using the API from here.

   Beispiel für eine cURL-Anforderung:

   curl --location --request POST 'https://<label-studio-instance>/api/projects/<id>/import' \)\)
   --header 'Content-Type: application/json' \)\)
   --header 'Authorization: Token <Token>' \)\)
   --data-raw '[
       {
         "data": {
           "text": "<Text1>"
         },
       },
       {
         "data": {
           "text": "<Text2>"
          }
       }
   ]'
   

6. Erstellen Sie Anmerkungen zu Ihren Daten.

7. Exportieren Sie die Daten im CoNLL 2003-Format und laden Sie sie im AI Center hoch.

8. Die Label Studio-Instanz-URL und der API-Schlüssel wurden im bereitgestellten Beispielworkflow zur Verfügung gestellt, um falsche Vorhersagen und Vorhersagen mit geringer Konfidenz zu erfassen.